欢迎来到AI产品经理从0到1研习之旅。
在之前的文章中，我们研习了AI大模型在电商购物和在线会议、网盘工具几种不同场景的产品实际应用情况：
（点击可查看对应文章）
本文将继续这个系列，研习我本人非常感兴趣的：AI大模型在BI（商业智能）领域的实践应用。
预警：文章内容较长！全文约1.2万字：
引言：BI是什么、AI大语言模型结合BI有什么优势
AI+BI的不同模式：主要关注在数据查询分析&可视化呈现环节
AI+BI的实施挑战
产品实践：包括网易、百度、京东、腾讯以及观远数据、神策数据在AI+BI上的不同尝试
百度Sugar BI 智能问数上手初体验
思考与延伸
01
引言
图片
图片
图：阿里云Quick BI产品架构
图片
就我目前所在公司的业务情况，AI+BI也是我认为有落地场景和价值的一个方向（当然从可用资源和投入产出比的角度来看，在我司还不适合推进），因此对这个领域多有关注，是以有本文。
图片
需要强调的是，本文接下来所提到的AI，特指以大语言模型（LLMs）为基础的自然语言能力——即对话式的系统交互支持（毕竟在BI领域还有其他的AI技术可以使用，例如机器学习可用于销售预测）。
接下来就请随我一起探索一番。
02
AI+BI的不同模式
LLM在BI产品领域，适合作为现有数据分析手段的有效补充，特别是在即席数据查询、传统BI工具能力提升、简单数据挖掘与洞察等方面。
就目前来看，在自然语言的对话式BI数据分析有3种可行的实现模式：
图片
text-to-API：即根据用户输入的自然语言，进行意图理解，并匹配调用对应的API；
text-to-SQL：即根据用户输入的自然语言，进行意图理解，直接生成SQL语句对关系型数据库（如MySQL）执行查询；
text-to-Code：即根据用户输入的自然语言，结合大模型自己对相关数据的“理解”，直接生成代码并执行分析（可以理解为ChatGPT中的代码解释器Code Interpreter）。
当然这些模式并不全面。比如说还有text-to-JSON等。
图片
图片
图片
图片
图片
03
AI+BI的实施挑战
虽然将LLM与BI系统结合可以极大地提升数据分析和报告的智能化程度，对用户体验有着不言而喻的好处。但是，就当前的技术进展和结合情况来看，可能会遇到以下挑战：
数据理解的准确性
由于LLM主要通过训练数据学习，如果训练数据不包含足够的行业特定知识或上下文信息，模型可能难以准确理解复杂的业务数据。因此，LLM可能在理解复杂数据集、特定行业术语或上下文中的细微差别方面存在挑战。这可能导致数据分析结果的误解或错误解释。
幻觉问题（Hallucination）
数据隐私和安全性
模型的通用性与定制化需求
用户交互体验
我们需要确保LLM能够提供自然、流畅的交互体验，同时能准确理解用户的查询意图和需求，这可能存在挑战。因为不同用户的查询方式和习惯多样性，对应地表现为自然语言理解的复杂性，可能会影响交互的准确性和用户满意度。
实时性和性能
在需要快速响应的BI应用中，确保LLM提供的解决方案能够满足性能和实时性要求可能是一个挑战。原因在于大型模型可能需要显著的计算资源和处理时间，特别是在处理大型数据集或复杂查询时。（不过就我个人目前的体验而言，这个问题不大，反而是BI系统本身可能存在这个瓶颈需要解决）
在不断地妥协之后，我们感觉在 AI 应用落地中存在一个不可能三角，效率-准确-智能的不可能三角。希望能够快速且准确地解决问题，就会对复杂问题束手无策；需要准确地解决复杂问题，就会需要漫长的时间来思考、拆解、处理；希望能够快速地解决复杂问题，就会无可避免地面临幻觉的产生。
图片
04
（部分）产品实践
网易有数ChatBI
网易数帆团队于2023年推出了基于网易自研大模型的对话式数据智能助手——有数ChatBI，它融合了前沿的AIGC技术，通过自然语言理解与专业数据分析能力，用户只需通过日常对话的方式即可获得可信的数据，极大降低数据消费门槛。
图片
图：网易数帆的产品全景图
图片
图片
图片
京东ChatBI
图片
图：京东chatBI实现的基本结构图
图片
图片
百度SugarBI
SugarBI是百度智能云推出的敏捷BI和数据可视化平台，解决报表和大屏的数据BI分析和可视化问题，通过不断将AI能力融合进自身产品中，推出「文心问数Sugar Bot」功能，大幅度提升用户的数据分析效率。
图片
图：百度SugarBI中所融入的智能化功能
图片
图片
图片
基于 NL-to-JSON 等能力，文心问数 Sugar Bot 帮助用户基于对话来直接完成数据探索，并完成一部分报表制作功能。同时，该团队还在进一步研发意图理解、指令拆解、图像生成等 AIGC 能力，基于对话直接满足用户对报表、大屏的生成需求，其愿景是实现大部分内容的直接生成，也就是 NL-to-X 。这样，可以通过生成式 AI 直接满足更多用户业务目标，逐步实现业务与技术重构。
图片
（1）AI问数
图片
图：SugarBI AI问答的整体技术架构
（2）自动分析
图片
图：SugarBI 自助分析的整体技术架构
腾讯DataBrain chatBI
腾讯的DataBrain团队在GPT4发布之后，尝试结合其能力构建了一个服务于 DataBrain 系统的统一语言智能助手Demo——chatBI，能够让用户在统一的语言交互界面完成数据分析的全过程。和京东的chatBI一样，该产品目前仅供内部使用。
图片
观远数据BI Copilot
BI Copilot 是观远BI利用大语言模型的能力构建的最新模块，接入了微软Azure OpenAI 商用服务权限（大家理解为就是ChatGPT背后的技术即可）：
图片
Chat2Answer利用知识库构建，可以帮助业务用户理解数据的含义，并提供智能解读。当用户提出数据相关的问题时，Chat2Answer会解释数据背后的原因，并给出针对性的建议和可操作的方案。
图片
这个功能早期的时候叫“chat2SQL”（也就是我们前面提到的text-to-SQL模式），通过自然语言交互协助生成 SQL 查询语句。以实际工作流程为例：
用户在遇到问题时可以直接向Chat2Help寻求帮助。当遇到报错或问题时，只需将报错信息复制粘贴到对话框中与Chat2Help进行问答，它将直接告诉用户报错的含义，并指导一步步排除报错、提供解决方案。
图片
神策数据Copilot
神策数据的产品主要是CDP（客户数据平台）领域的，和我们前面所提及的“BI”不是一个概念。不过在研习过程中发现它也利用大模型技术推出了神策分析 Copilot（另外还支持用于运营Copilot），同样支持自然语言的交互，自助式地进行数据分析与查询，因此还是纳入本文中。
图片
从目前的Demo介绍来看，其支持的一些场景如下：
（1）智能分析：应用大模型技术理解用户问题，自动配置分析模型
以事件分析场景为例，在输入框中用自然语言输入要获取的数据指标，比如最近7天搜索点击的用户数，GPT 模型将自然语言转化为请求查询JSON 并发起查询，并进行图形化展示。
图片
在这里，神策团队采用了text-to-json而不是 text-to-SQL的模式，其考虑有二：一方面更容易理解，便于业务人员判断查询；另一方面更容易进行人为干预，比如生成的査询 JSON 不对，想换种计算方式或查询条件看看指标怎么样，可快速调整。
其实现过程大致为：
首先，把schema（简单理解为是关于数据如何存储、数据之间的关系以及数据应该如何解释的信息）传给GPT，让GPT理解数据的schema以及任务。考虑到存在长度限制，需要优化设计，从报表的上千个字段中筛选出进入到 prompt的字段、以缩短prompt。
其次，筛选出来的 schema 会有很多的字段，字段多了也会影响 GPT 的正确率和精准度，因此需要跟 GPT 进行交互，让它挑选出哪些字段与需求有关。
最后，通过 GPT进行 JSON 的生成。对于复杂的查询，可以先让它生成一个结构，在这个结构下再把内容填充进去。
图片
图片
图片
当然啦，除了这些产品，其实还有很多其他的AI+BI实践，但时间和精力有限，我们就不继续拓展了。
就我本人所掌握的情况来看，包括但不限于以上提及的经过大模型加持的AI+BI产品，大多都还处于Demo、内部测试或小范围试用的阶段，部分进行了推广但基本上都尚未大规模商用。
相信随着用户反馈+持续优化完善，再加上大模型能力的进化，更加成熟、稳定、可用的新版本产品将在今年内到来。
05
SugarBI问数上手初体验
上面所提到的产品大多没有机会上手（例如内部产品或仍在测试阶段）体验，但总算在2月初申请到了百度SugarBI文心问数的体验权限。
图片
参照官方指引，基于示例数据，我进行了简单的探索：
（1）数据模型准备
图片
在数据模型的设置页面，可以选择对应的数据表并建立关系：
图片
在编辑页面可以将字段名称设置为可读性较高的中文别名：
图片
对于原子指标（度量），我们可以设置AI问答的同义词（也就是帮助大模型理解专业术语，可能用户会有不同的问法）作为其“知识库”：
图片
图片
图片
我们也可以新建度量（指标加工），这就是常规的BI功能了：
图片
对于AI问答功能，需要开启并等待模型训练完成才能使用（不过我没有权限）：
图片
我们还可以配置AI问答的推荐问题，这个如果在ChatGPT中自定义过自己的GPTs的小伙伴应该很熟悉：
图片
然后我们就可以通过智能问数Sugar Bot和系统进行交互了：
图片
图片
图片
图片
当我点击上图中的“需要结论”时，系统会自动总结如下：
图片
图片
并且还能发现数据的不合理之处（确实如此）：
图片
整体上来说还是蛮有意思的，确实是一种全新的体验、并且是已经实际落地到现有产品中了。感兴趣的小伙伴可以自行申请体验。
值得注意的是，SugarBI有以下限制：
06
思考与延伸
在前面的研习内容中，我们主要关注支持自然语言交互模式下的BI数据查询、分析和可视化呈现。实际上，在从问题定义、数据接入、处理、可视化展示、交互分析到决策行动的BI数据分析全链路中，AI大语言模型都有结合的机会。
图片
支付宝团队在基于蚂蚁集团基础大模型开发研制数据分析智能助理 Deepinsight copilot的过程中，比较系统化地梳理了结合大模型的数据分析智能助理功能需求，划分了不同的智能化等级，非常值得我们参考和学习：
图片
图片
图片
注：
CoT即思维链（Chain-of-thought），模仿了一个逐步思考的过程来得出答案。
TOT即Tree-of-thoughts，CoT通常只有一条解决问题的路径，ToT等于是CoT的一个拓展，把一条reasoning路径拓展至多条reasong paths，这样模型可以综合多条reasoning path的结果得到最终的结论。
ReAct：即Reason和Action，Reason生成分析步骤，Action生成工具调用请求。是目前最常见和通用的增强式语言模型（Augmented LM)范式，它启发于传统强化学习，通过提示词构造“想法”（Thought），“行动”（Action），“观察”（Observation）的思维链， 逐步启发大语言模型根据当前工具的输出产生观察，从而进一步产生下次推理。这种范式被广泛应用在近期爆火的 Auto-GPT 和 LangChain 等项目中。
ReWOO 即Reasoning WithOut Observation，通过模块化解耦（Decouple）大语言模型的“预见性推理”(Foreseeable Reasoning) 和工具的执行，从而实现在HotpotQA等任务上数倍的词元效率(Token Efficiency)， 并且提高了模型表现以及复杂环境下的鲁棒性。在ReAct中， 指令微调不可避免的会导致小模型“背住”训练集中的工具输出。然而，ReWOO由于将显式的工具输出跟模型的推理步骤分离， 可以因此借由指令微调使其学会具有泛化性的“预见性推理”能力。
DAL我没有查到，我估计应该是DSL，即将自然语言转化为特定领域的语言（Domain-Specific Language），也就是我们前面提到的text-to-code。
KG即知识图谱，在上一篇文章中正好进行了比较深入的研习。
AI+BI的融合为商业智能领域带来了前所未有的机遇，通过大语言模型的应用，可以极大地提升数据分析的效率、深度和准确性，同时改善用户体验。
作为AI产品经理，理解并把握AI技术在BI产品中的应用，不仅需要技术和业务的深入理解，还需要持续的创新和优化。通过有效地结合AI和BI，我们可以更好地解锁数据的潜力，支持数据驱动的决策，推动企业的智能化转型。
以上，就是关于AI大语言模型在BI领域的应用研习分享。
5810
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
