AI+BI 融合发展是新趋势?从四个方面解读

学无止境,精益求精
在开始介绍智能BI:产品落地更多是 AI FOR BI前先送大家一份BI项目的搭建指南。
本指南介绍了一套相对完善的企业BI项目搭建流程,系统回答了企业BI项目该做什么、该谁来做、该怎么做,以及如何在企业内把BI项目成功运营起来从而产出实际业务价值等问题。扫描下方二维码即可免费获得!

What:如何理解 AI和 BI的融合

从概念和理论上说,AI+BI 模式是有价值有前景的

AI与BI的区别在于BI负责梳理生产关系,AI是先进新质生产力。那么AI+BI模式通过将AI嵌入BI,构建基于AI的BI平台,利用AI的智能让BI系统能够解决更复杂的业务场景,产出更精准的分析结果,从而使决策更为科学和准确。

从具体场景上说,AI+BI 的模式能让部分 BI 场景更深入,产出更有价值的知识

对于结构化的数据,BI系统可以应用一些准确度更高的机器学习算法,得到更精确的分析结果。例如市场营销,采用 AI+BI模式就可以在用户分群的基础上,得到更精细的针对每个用户的分析结果,从而给出更精准的个性化营销方案。还有金融领域的风险监测,AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系,预测更为准确。

对于非结构化的数据,BI可以应用图像处理、语音识别和文本分析等AI技术,智能化地处理BI系统的复杂业务场景。例如AI+BI模式能够通过语音识别技术录入数据,控制驾驶舱和数据大屏的制作等。还有智能客服系统,不需要手动 收集客户问题再分配人员解答,通过语义理解和自然语言处理等技术分析客户问题,实现实时、自动回复客户。

Why:为何融合更多是 Al for Bl

AI 与 BI 存在本质上的区别

BI的发展路线是以数据为基础的,主要是数据的管理和分析。虽然AI技术的范围非常广,但当前BI系统中真正能用上 的主要是一些处理文本、图像等非结构化数据的AI技术。但是除了一些特定行业,大部分的企业很少会有文本处理和 图像处理的需求,绝大多数BI系统需要处理的仍然是结构化的数据。

AI 与 BI 的交叉只在于机器学习和数据挖掘,而且这种交叉也极小

AI的机器学习强调算法,BI的数据挖掘还包括对数据的管理,算法选择上也较为简单,没有神经网络和深度学习等复杂AI算法。

AI+BI 的模式难成为 BI 市场的主流,更多的是 AI For BI

不是要用AI代替BI,而是尽可能借助AI的相关能力,提升BI工具在各环节的效率、降低BI工具的上手和使用门槛,让 更多领导和业务人员把BI用起来,帮助客户最大化地用好BI工具的价值。

When:何时迈入 AI for BI 时代
目前在中国,预计2025年左右,BI将开始迈入智能化阶段;到2030年,BI的智能化也将进一步扩大。随着AI技术和BI系统的不断成熟,AI在BI中的应用将会越来越多,二者重合的部分也越来越多,但是因为它们存在本 质上的区别,因此不会完全重合,而是以AI for BI的方式存在。
How:目前如何发展 AI for BI 产品

目前是采用“对话”的方式来提问

对话式分析:直接以对话为核心入口,能够实现即时性问数查数,AI辅助人工分析数据、数据资产检索等,系统性地降低用 户的使用门槛;

对话式搭建: 嵌入到原有产品流程中,去提升搭建制作的效率,实现快速生成组件/仪表板生成制作,做出分析报告等。

AI For BI的核心价值是降低用户的使用门槛,让离业务最近、离技术最远的一线业务人员也能在数据驱动下做更好、 更快的决策。然而,近年来国内外各 BI 厂商陆续推出的一系列「问答 BI」产品在实际落地过程中都会发现,真正能 够让用户用起来的场景少之又少。大致有两方面原因导致大多数「问答 BI」产品沦为一个个“玩具”。一方面,是由于 业务人员不具备数据思维,问不出有价值的数据分析问题。另一方面,是产品确实还不够成熟。这两方面挑战造成目 前大多数AI For BI产品并不成熟:

结果缺乏可解释性 : AI For BI,一个核心落地场景是「对话式 BI」 人们需要基于可信的数据做业务决策,由于整个意图解析和数据生成过程是一个黑盒,人们无法确定返回的数 据就是他想问的数据。 

召回和精度方面的问题:也就是用户问了10个问题,其中有多少个系统能够给出正确的回答。之前的「问答BI」产品在技术上大都采用 规则解析或规则解析+预训练(小)模型的方法来实现文本到 SQL 的转化,技术上的限制导致问答的召回和 精度不够理想。进一步的,由于预训练(小)模型的跨场景泛化能力不足,就需要针对特定场景不断的增加语 料,并重新训练模型来提高精度和召回,从而导致实施成本变得难以接受。

近年来,随着市面上各种「数据分析」类的课程的推广和普及,越来越多的业务人员逐渐具备了数据思维,能够从数 据的角度去分析业务问题。而大模型作为当下最大技术红利,其跨任务、跨场景的泛化能力为我们实现一个成熟的「 AI For BI」产品带来了新的机会。

AI for BI 的技术与产品发展路径

AI For BI,一个核心落地场景是「对话式 BI」

其核心技术是 Text2SQL,就是要把自然语言转化成具体的数据查询语句。该技术从2000年左右在学术圈就有人开始 研究,当时主要是从事数据库的人员在做,很多论文都是发在类似 VLDB 这样的数据库领域的会议上。那时候该技术 并不是太强,主要是基于传统的机器学习,先把用户的查询抽象成几个分类,定义出一些模板,然后用有监督学习去 做一个分类模型,再去填模板。由于这种技术本身的局限性,产品呈现出来的精度一直很低,远远没有达到产品化落 地的要求。直到2016年左右,正值互联网发展成熟,随之带来了一些新的技术,包括:检索、推荐、深度学习等。此 时,美国有工程师尝试做了产品创新,把数据的查询变成一个在有限空间内的数据检索问题,然后用检索技术来解决 Text2SQL。同时他也做出了一些当时让人很惊艳的产品,在BI领域引起了不小的关注。但是当时的技术路径本质上还 是检索,这种技术路径的主要问题是没法真正去理解自然语言,而是把一个句子分成一个个的词去做匹配,并没有去 真正理解一句话中的主谓宾、定状补。

但是这种产品形态引起了一些有很强学术能力的公司的关注,比如 MicroSoft,他们开始用基于神经语言模型的 NLP 技术来实现「对话式 BI」。当时虽然已经开始用神经语言模型去理解语义,但模型的尺寸和后续出现的预训练模型以 及当下的大语言模型相比有巨大的差距。模型的能力也有局限性,所以当时的产品现状是精度低、配置成本高,意图 理解的能力也很弱,处于“人工智障”的一个状态。直到大语言模型的出现,算法的改进和模型尺寸的提升带来了大语 言模型的上下文学习、思维链等一系列新的能力,让我们有机会去解决一些原来老的技术很难解决的问题。

本文摘录于帆软最新商业智能应用白皮书 5.0

本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研,了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析,深度洞察BI现状和发挥数据应用价值的关键,并基于此提出专业建议,以帮助企业推动决策改善、推进企业数字化转型,白皮书中不少观点可以给大家来年数据工作立项带来一些参考。

扫描下方二维码或点击阅读原文链接即可下载完整PDF资料

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

返回顶部 返回列表