数势科技李飞博士：大模型时代，企业如何高效释放数据价值

8月16日，第五届数据智能高峰论坛在北京召开，本次大会由爱分析主办，以“激活数据资产，释放数据价值”为主题。 如何建设数据能力释放数据价值，是当下企业数字化建设的核心挑战。 数势科技算法负责人李飞博士应邀出席圆桌对话环节，从大模型赋能数据智能市场应用、到实现大模型在数据分析流程中关键节点的价值、再到支持战略落地的产品设计和挑战与未来发展方向等多个角度，与行业专家讨论大模型时代企业高效释放数据价值方法论，旨在为企业数字化建设带来思考，促进业务增长。

以下内容根据李飞博士现场发言整理所得，点击 “阅读原文” 了解更多。

第一层：AI Copilot（副 驾驶）。 让交互变得更直接、更简单，降低数据分析门槛，赋能业务团队数据分析能力。

李飞博士提出， 数据交互方式 正在 不断演进，从早期的 基于 编程语言查询，到拖拉拽的数据分析， 再到现在正在发展的 基于自然语言 交互 的数据分析，数据分析工具变得更加直观和 易用 。这个过程我们需要做的是如何 通过 大模型 更好地 理解语言，并转化成 工具 可以执行的指令，即优化大模型 和工具 的对接方式。 这里面不仅仅包括Text -to-SQL 去查询数据，还需要管理数据、分析数据和预测数据等。然而，这一系列的流程仅仅依赖大模型本身的能力 远远不够 ，需要采用LLM Agent的设计范式去调用外部工具满足需求。例如当我们输入“查询今天北京新增客户量”时，这是一个孤立的场景需求，大模型只需要将这句话翻译成特定的SQL语言提交给工具执行查询即可， 这 仅仅依赖大模型本身的能力就可以满足。但是当我们输入“分析近期北京新增客户量趋势，并给出未来7天北京新增客户量”，这 便 是一个复杂的任务需求，不仅 需要 查询近期每日北京新增客户量级，还要针对数据指标进行趋势分析 、 绘制图表，以及做时序的预测等，这些都超出了当前 大模型 的能力。因此，我们需要设计一个基于 大模型 的Agent系统，用于处理与数据相关的任务，在接收到复杂需求时，该系统会自主调用这些自设计的接口，构建一个工作流程来满足用户的意图。

第二层：复杂数据任务的解读。 大模型的本质虽然是基于概率的推断，但是当模型参数到达一定量级，训练的数据足够多且质量足够好的时候，其推理能力就会涌现出来。由于大部分的数据查询任务逻辑性都特别强，查询调价特别复杂，因此当面临这类任务时，可以通过启发性的Prompt工程引导模型进行逻辑推导，把连续型场景任务拆解成一个个孤立的场景任务去执行，保证其结果的准确性。

在产品实践的过程中，企业也可以通过互补的方式去实现，即图形化和自然语言化的交互方式并存。因为在实践过程中很多逻辑复杂的任务，通过文字语言无法形象地描述（例如且、或、非的逻辑），在这种情况下，通过拖拉拽的方式反而更容易达到目的。因此，语言交互式和图形界面交互式共存才是当前产品的使用形态或者过渡状态。

此外，在实践过程中也有很多大模型无法理解的业务语言或指标口径，如在查询和分析的时会遇到很多OOC（out of cogition)的问题。这种情况下，可以采用向量化的方式对业务语言进行预处理，并按照“向量—schema字段”的方式存储，辅助大模型在理解时对齐语言。

李飞博士介绍到 数势科技的指标平台和标签平台就同时满足了以上的场景 ，通过开放平台背后的功能API，让大模型可基于任务进行规划调度，满足图形化和语言化交互方式并存。在此基础上，平台还外挂业务知识库，能够帮助大模型进行业务口径的理解，让用户更快、更好地挖掘数据价值。

在企业利用大模型构建自动化的数据科学工作流，并处理各种与数据相关的任务时，可能面临 数据安全、大模型不擅长数值计算以及任务过于复杂 等问题。

李飞博士提出，企业可以在产品中嵌入严格的权限审核功能或者开发领域的专属模型来解决数据安全问题，但是针对专属模型的开发，一定要做好微调语料的配置，避免灾难性遗忘的问题。另外，针对大模型本身不擅长数值计算的困境，企业可以通过调用外部接口的方式破局。最后，关于复杂的任务处理，企业可以通过COT( chain of thought)来解决任务之间的依赖和协同问题，进而解决复杂任务。

未来大模型与数据智能结合，企业会出现问答式取数用数、数据智能解读、数据报告生成以及基于语言交互使用数据产品等场景。

李飞博士具体介绍， 一方面在数据资产和数据分析侧，业务团队将实现数据问答、数据分析和结论生成，或将替代初级数据分析人员。 在此场景下，目前数势科技已经将大模型能力与指标产品和标签平台结合，实现问答式取数功能。产品将数势的指标平台能力嵌入到了Excel中，业务人员通过对话的方式就可以直接在Excel中得到想要的数据，即便一开始不太完善，也可以通过不断的问答交互，最终获取准确的结果。如果问答取数还不能满足需求的话，业务人员还可以通过“表格生成器”修改分析的指标和维度，然后在Excel中看到想要的数据图表。

在问答式取数基础上， 数势科技在数据分析场景中还融合了众多分析模型能力——如归因模型和预测模型等 ，对数据指标进行下钻分析，比如“请给出最近7天的GMV呈下降趋势的原因”或“请给出未来7天GMV趋势的预测”等，实现智能数据分析和结论/建议生成。

另一方面， 在智能营销场景下，大模型可以赋能营销策略的自动化生成，帮助企业大幅提升营销效率和策略执行准确性。 李飞博士提出，数势科技利用大模型的规划能力实现了自动化生成复杂的营销策略。首先，数势智能营销云产品通过大模型的能力简化了传统的构建策略画布的步骤，由过去通过业务人员手动拖拉拽各类控件构建方法，升级为通过自然语言交互，自动转化生成策略组件和逻辑，再由业务人员按需微调控件内容即可生成完整策略，整体提升策略画布生成效率。

此外， 数势科技还基于大模型重构产品，打造基于大模型交互的产品形态。 李飞博士提出，未来大模型将基于数据工程、知识工程和算法工程能力，赋能策略自动生成和编排，实现业务人员通过语义描述某一行业下的营销策略，完成端到端的自动化、智能化策略画布生成，并支持通过语言交互控制产品使用，如打开某一功能模块、自动填充零售行业和金融行业的文案内容等。

篇幅有限，如想了解更多大模型与数势科技产品能力的结合详情，请点击 “阅读原文” 或 公众号留言 联系我们。

— END —