智能BI遇瓶颈

复杂业务无法精准洞察

近年来，虽然大模型在生成式AI领域发展迅猛，但在一些专业度高、应用复杂的行业，人们觉得它的价格和价值之间差距太大，形成了泡沫。比如，很多引入智能问答式BI的企业就很失望，因为投入的成本和实际落地效果并不匹配。

这些智能问答式BI产品通常依赖NL2SQL技术，用户能够快速地构建系统并回答简单问题，也确实降低了分析门槛。不过，人们发现，在面对复杂的业务需求时，它根本无法灵活和准确地提供洞察。

为什么会产生这样的问题呢？那我们就要从NL2SQL执行问句的过程来着手分析。输入问句“看一下2023年一线城市的收入和同比增长情况”，过程如下：

1.自然语言理解和意图识别。对问句进行NLP处理，识别关键字和实体。例如“2023年”、“一线城市”、“收入”和“同比增长”，以确认用户意图是获取北京、上海、广州和深圳等城市在2023年的销售额及其同比增长数据。

2.数据库映射。将关键词映射到数据库中相关表的相应字段，进行筛选条件、计算、表关系等逻辑关系理解匹配，转化为结构化信息，形成映射对象。例如：

【2023年】：可能对应日期表的year字段；

【一线城市】大模型理解为"北京", "上海", "广州", "深圳"，并对应区域表的city字段；

【收入】对应销售事实表的销售额数值字段；

【同比增长】需提取2023和2022年的数据计算获得。

3.生成SQL语句。将所有映射和逻辑关系整合在一起，生成完整的SQL查询语句。

4.执行和呈现。执行生成的SQL语句，结果验证后以图表等形式清晰呈现给用户。

整个过程中，任何环节出错都可能导致结果不准确，特别是NL2SQL本身的局限性，常让我们达不到预期效果。

1、理解不准确

大模型就像一个新入职的员工，虽懂得通识和SQL，但对公司业务不了解。例如，它把“一线城市”理解为“北京”、“上海”、“广州”和“深圳”，但实际却包含"杭州"。遇到更复杂的业务逻辑，比如“最厉害的销售”，就更加懵逼了。

2、映射和生成SQL不准确

SQL语句比较灵活，而人们日常表述比较随意，难以精确映射到SQL语句上。比如，它将“收入”当作销售额，但数据库中可能指不同字段。

其次，传统方式以“表”为核心，表数量众多且结构复杂，数据质量堪忧，尤其存在指标口径不一致的问题。而大模型对业务结构的理解有限，因此当多个表中有相似指标时，它常常无法准确地选择表和字段。

处理多表查询时，大模型难以抓住用户意图并得到正确的表关系。尤其是多事实表查询，它无法判断不同聚合粒度下的关联关系，往往错误地直接在事实表之间使用左连接或右连接，导致SQL JOIN语句错误，结果缺失。

3、扩展性和灵活性受限

在面对灵活多变的复杂业务需求时，SQL语句需要不断地修改扩展，或是根本无法应对。比如：年累计同比、异常检测、归因预测等需求，往往需要借助特定的函数、逻辑或算法来实现，仅靠NL2SQL技术无法满足。

此外，NL2SQL系统也很难识别用户身份并动态调整SQL语句，难以实现不同用户的数据权限控制。

因此，一些智能问答BI产品引入语义层，并采用NL2DSL技术，将自然语言转换为特定领域语言，以减少SQL的灵活性，实现精准查询。但是，由于大模型无法直接支持DSL，需频繁进行微调和适配，训练成本太高，且无法泛化，会限制智能问答BI产品在多个行业的快速应用。

白泽AI显神通

融合创新技术破解难题

我们发现要打破泡沫，实现智能BI的精准洞察，关键在于降低训练成本的同时，提高对各种复杂业务场景的准确性。而要解决准确性问题，智能BI厂商需要脚踏实地，把卓越的BI能力和先进的AI能力结合，这就是白泽技术方案的核心理念。

白泽AI基于指标模型获得统一可信的全域数据，结合全面的RAG增强LLM在业务理解、映射、SQL生成的准确性，同时借助AI Agent灵活扩展分析能力。通过不断的反思优化，白泽越用越聪明，越用越准确。

数据模型：务必夯实数据基础

大模型确实让数据分析变得更简单，但如果只是将一堆不良数据交给它，期望自动得出正确答案，这既不现实也不负责任。就像高楼大厦需要坚实的地基一样，我们应从数据治理着手，构建统一高质的数据基础，才能实现智能BI的准确洞察。那么，如何打造高品质的数据呢？

1、基于数据模型打造“高动力数据引擎”

传统方式通常以“表”为核心，数据分散在各个数据集，管理混乱且口径不一致，严重影响数据效率和用户信心。

我们的数据模型将管理方式从“表”升级为“指标”，它具备一体化多维建模能力，不仅解决了多源异构数据整合、口径不一致等问题，还大幅提升数据准备效率，为白泽这部“智能汽车”提供强劲的“数据动力引擎”！

数据模型能够整合多种数据集，包括线上和线下的数据，甚至可以跨数据库整合。这使得所有查询结果都能统一，形成一致的数据。

它支持多种模型类型，如星型模型、雪花模型，尤其可以通过维度建模来生成星座模型，轻松应对各种复杂的数据结构和业务需求，比如多事实表关联查询。

数据模型还具备强大的计算能力，支持SQL计算、ETL分布式计算和MDX计算，能快速处理各种复杂计算，如同比、环比分析、时间智能分析和TopN分析。

此外，基于数据模型，还能轻松地配置数据权限，实现金融级别数据管控，确保数据绝对安全。

2、基于指标模型高效构建自增长指标体系

为简化数据模型的构建，我们可以通过指标模型，在可视化界面中通过向导式的操作统一构建和管理整个指标体系，确保口径一致。同时，指标模型还能承接和整合行业Know-How，帮助企业更好地对接战略目标。

深度解读 | 中国企业为什么需要以指标为核心的ABI平台？

白泽AI引入数据模型/指标模型，就像原来不懂业务逻辑和元数据信息的新员工，一跃成为业务专家，还可能拥有决策管理层的视角。但是，只接入数据模型/指标模型是不够的，这意味着需要花费高成本进行大量的训练，无法实现通用，因此，我们引入检索增强生成RAG技术。

全面RAG

私域数据精准匹配

RAG 技术通过构建高效的数据模型和向量数据库，有效提升数据库的精准匹配和 DSL 转换能力，实现泛化。

首先，我们使用Embedding技术，将数据模型中的指标、维度等元数据信息嵌入到向量数据库中。

接着，结合同义词、知识库、示例、规则等提升理解，同时利用BERT模型等技术在向量数据库中查找最匹配的指标、维度和表名。

最后，白泽利用大模型将匹配到的元素转换为DSL，自动生成符合规范的查询语句或代码片段。

通过全面的RAG，等于为大模型配备了企业元数据和行业知识等信息，使其能够精准匹配和转换私域业务数据。无需反复训练，大模型就能胜任多行业的业务需求，如同一位通晓各行各业的专家。

AI Agent

高级分析灵活处理

基于数据模型的RAG可以保证用户单个查询的准确性，却没法满足多个数据集融合、归因预测等高级分析需求。为此，白泽引入了AI Agent智能体，为其增添了思考、规则、分解、协调、决策、反思等多重能力。

AI Agent模拟人类的反思过程，通过用户反馈和历史数据分析，不断调整策略和优化流程，提升准确性；它还能记住并存储用户的偏好和上下文，突破大模型的上下文限制，更准确地理解长文本和复杂对话；它借助Python可以融合Smartbi本身数据分析能力，灵活处理多数据集融合、归因预测等任务，不受单一算法局限。

在这些技术的支持下，白泽在处理类似“看看2023年一线城市的收入和同比增长情况”问句时，能准确理解、精准匹配和转换。

1、通过RAG与数据模型技术，为大模型注入企业元数据和行业知识，从而精准理解和匹配【2023年】、【收入】等对应的数据库信息。

2、针对【一线城市】的定义，利用知识库配置确保与业务实际相符。

3、面对“同期增长”这种复杂计算，通过AI Agent将任务下压到高效处理时间智能计算的数据模型执行，显著减少计算时间。