2025-03-17 15:48:42 作者：

当大模型遇见数据,一场重构企业智能DNA的技术变革正在悄然发生。当AI越来越智能,企业有望将部分数据治理工作交给AI,降低“好数据”的生产成本;而LLM大模型的普及,则预示着“人人都是数据消费者”的智能BI时代,爆发拐点已至。

在AI与Data紧密结合的时代,企业如何通过AI,减轻数据治理负担?如何将BI工具创新,应用于业务实践?

3月7日,瓴羊「数据荟」MeetUp城市行上海场活动在阿里巴巴上海徐汇滨江园区圆满落幕。本次活动以“AI x Data——大模型时代的数据治理与BI创新应用”为主题,云集多位技术大咖,通过实战案例与前沿思辨,深度解码重构企业智能基因的实战路径。

AI大模型时代,数据治理与智能BI发生新变

中国信通院华东分院数据事业部主任崔晓君指出,人工智能正从“以模型为中心”,逐步向“以数据为中心”转变,数据成为AI时代的核心生产要素。在政策支持下,人工智能与数据要素的顶层设计日趋完善,并进入落地实施阶段。国家数据局的成立,进一步优化了数据要素的统筹管理和协调发展机制。如今,随着数据治理与人工智能技术的创新发展,二者正以高度协同的方式相互促进。

图:AI时代数据发展新背景

然而,AI也带来了更高的数据质量要求、更复杂的安全与隐私风险,更加显著的偏见与歧视等挑战。大模型与数据治理的结合,正在为这些问题提供解决方案。借助AI的自然语言理解与生成能力,用户能够以自然语言方式与数据交互,实现数据治理升级,并最终呈现出以下三大趋势:高效的数据治理框架、数据安全与合规,以及数据质量管理与提升。同时,BI分析在企业决策中的价值愈发凸显,它可以将数据转化为有价值的信息,降低决策盲目性。企业需要考虑将AI与BI相结合,通过AI增强分析,真正让数据支撑决策、优化业务流程内容,支撑大模型在企业的落地与应用。

图:中国信通院华东分院数据事业部主任崔晓君现场分享

阿里云智能瓴羊高级技术专家刘少伟指出,自 2010 年传统 BI 发展至今,行业正从敏捷 BI 迈向智能 BI,未来有望借助大模型实现数据民主化,让“人人都是数据消费者”。凭借智能化和开放性的优势,Quick BI 连续 5 年入选 Gartner ABI 魔力象限,并成为国内唯一入选该象限的产品。

企业级智能 BI 并非简单结合 BI 工具与大模型,而是融合 BI 工具、大语言模型与企业私域数据的“三位一体”模式。其主要沿三个方向演进:智能助理(Copilot)、智能问数(ChatBI)和洞察分析(Insight)。

图:企业级智能BI分析的三位一体

以 Quick BI 智能问数为例,在应用自然语言处理技术时,Quick BI选择了更适合契合企业级场景的Text2DSL,而非适用于个人或小型团队的Text2SQL。这一过程中,Quick BI还调用了大量丰富的算子和函数,既能让增强SQL更简洁高效,又能支持各类复杂分析。其落地产品「智能小Q」具备智能搭建与智能问数两大能力,支持一键生成报表、美化及批量配置,能够让用户通过自然语言交互快速获取数据,同时还具备智能洞察能力,可以帮助用户快速生成报表摘要,自动检测异常,并进行归因诊断,快速发现数据问题和原因。

值得注意的是,智能小Q在官方智能体能力基础上,还支持接入Dify/百炼上其他企业模型,用户可按需自定义智能体,该智能体可以方便地复用Quick BI的多种基座能力,如权限管控、可视化交互、查询引擎等,搭建出来的智能体能针对性地根据企业使用场景进行洞察分析。

图:阿里云智能瓴羊高级技术专家刘少伟现场分享

阿里云智能瓴羊高级技术专家周鑫指出,针对数据治理缺乏核心抓手、流程相对复杂、工具支撑不足、难以持续治理等痛点,瓴羊提出体系化、可落地的数据治理方法论:以业务模型为起点,梳理数据标准;基于数据标准,落地开发规范;通过标准化手段,实现自动化质量监控与安全分类;最终构建技术与业务统一语言,助力消费场景的落地。

图:瓴羊数据治理方法论

不论是资产运营、元数据管理、智能问数场景,还是数据发现、治理与评估环节,AI均可参与其中,实现提效提速。例如,在智能找数场景,瓴羊Dataphin「智能小 D 」可充当数据 PD,快速定位所需数据;在元数据自动补全场景,可自动生成并归类字段名称、描述及口径;在智能数据识别场景,可自动识别敏感数据,无需人工编写。随着AI技术的发展,数据治理将从提效阶段,走向自动化、智能化,对数据治理的执行效果施加更大影响力。

图:阿里云智能瓴羊高级技术专家周鑫现场分享

从数据架构到Agent智能体,瓴羊加速AI+数据企业侧落地实践

阿里云智能瓴羊高级技术专家江岚指出,在面对数据架构问题时,客户需求各不相同:数据生产者或研发人员希望提高研发效率;数据消费者或使用者则希望简化数据获取流程;管理者则关注降低管理和研发成本。当前,Lakehouse与Fabric是市面常见的数据架构:前者的核心优势在于“存算分离”,即存储和计算可以独立选择,提供更大的灵活性;后者的核心理念是“数据不动,计算动”,更加注重数据的流动性与连接性。

结合两者的优势,瓴羊提出了多引擎、多云、多组织的现代数据架构——One Catalog。该架构支持统一的资产目录,覆盖数据资产的开发、治理、运营与消费等各个场景。存算分离和数据虚拟化等技术,进一步增强了架构的灵活性,提高了数据操作的便捷性与流畅度。

图:瓴羊现代数据架构——One Catalog

作为One Catalog的落地产品,瓴羊Dataphin平台实现了对数据入湖、计算、消费整个生命周期的全面覆盖。其不仅支持多湖、多云、多引擎以及多模式的灵活入湖,还建立了全链路资产血缘,便于降低用户计算配置成本。在跨源分析、全渠道消费场景,Dataphin平台还保持了一致的管控能力,确保不同消费者都能获得一致的消费体验。

图:阿里云智能瓴羊高级技术专家江岚现场分享

阿里云智能瓴羊副总裁甄日新指出,瓴羊致力于将阿里巴巴沉淀十余年的数字化服务经验,系统化、产品化地全面对外输出给千行百业。在数据分析场景,历经Copilot到BOT到aAent演进,Quick Bl 智能小Q已具备全栈Al分析能力。在数字服务场景,瓴羊通过Quick BI自训模型与API接入,形成了功能丰富的智能体,保障了准确度与体验的双重提升,解决了知识库管理等周边工程问题。目前,瓴羊智能客服Quick Service也通过丰富的AI应用,大幅提升了用户交互体验。此外,瓴羊还将AI应用于数字营销领域,搭建了成熟的CDP(用户画像引擎)+MA(自动营销引擎)套件,并在其中逐步融入AI元素,利用多Agent的智能体组合,解决复杂的营销问题。

图:阿里云智能瓴羊副总裁甄日新现场分享

面向未来,智能体将经历从“短任务”到“长任务”的转变,OpenAI Deepresearch 、Manus让人们看到了用多智能体解决“长任务”的可能性;未来企业级Agent体系,也呈现出向“长任务”演进的核心依赖趋势,其突破口在于数据、意图识别和决策、Action三个层面。基于此,瓴羊也将依托核心服务,面向未来的企业级Agent体系,打造个性化Agents和数字员工,让业务人员在真实场景中,感知到数字员工的提效作用。可以预见,每一个企业未来都会有专属的智能体中心。基于智能体搭建的平台,瓴羊可以调用集成数据能力,面向业务需求定制化生成数字员工,比如销售助理、供应链分析师等等。而这一天来临的速度,取决于基础模型的演进程度、厂商的精准度提升以及企业的“想象力”,智能体才能真正走向“生产级”的应用。

图:瓴羊面向未来的企业级Agent体系

随着 AI 技术的持续演进,数据治理、 BI 应用、客户服务、智能营销等场景正从“辅助决策”向“主动智能”转变。瓴羊将深度融合 AI 与数据能力,探索AI+BI 创新应用,帮助千行百业在智能化浪潮中抢占先机,实现更高效的数据加工和消费模式。