在生成式 AI 重构数据生产力的时代，BI 工具正从"被动响应"走向"主动洞察"。本次演讲将分享阿里云 Quick BI 如何通过技术架构跃迁、结合大模型的突破实现从传统 BI 到 AI 驱动的智能 BI 的跨越式进化。重点解析领域大模型与 BI 引擎的协同设计、NL2SQL 算法调优与低质数据鲁棒性增强、DeepSeek 现象级能力落地的技术权衡。听众将了解行业技术趋势、Quick BI 在智能小 Q 实践细节、BI Agent 编排、复杂意图推理、端到端准确率提升上的最新进展，为行业提供可复用的技术范式。

演讲提纲

1. BI 领域的技术演进及趋势

• 数据分析领域的技术发展路径
• 传统 BI vs 大模型驱动 BI 的架构范式差异
• Quick BI 的三次技术跃迁

2. 大模型落地 Quick BI 的业务和技术全景

• 技术驱动的业务落地
  • BI Copilot：搭建、报表美化、建模、数据洞察
  • ChatBI：NL2SQL 和智能问数
  • BI Agent：BI 智能化的更多可能
• 模型选择方法论
  • 通用大模型与自研领域模型的混合架构设计
  • DeepSeek 在自然语言交互层的优势 vs 自研模型在 SQL 语义生成的可控性

3. Quick BI 智能化的架构设计

• 面向 AI 的思考和工程路径选择
• 智能 小Q 技术架构实现细节：大模型与 BI 引擎的混合执行技术
• 开放和集成：多模响应（如 DeepSeek ）、多 Agent 接入和智能体

4. 关键技术和业务落地价值

• 基于 BI 引擎的 NL2SQL 算法实践
• 大模型与好数据：领域模型算法调优四步法
• 行业落地案例和价值

5. 总结与展望

• 大模型给数据分析行业和技术带来的改变
• 数据分析智能技术演进思考：
• 新产品形态（BI Agents）、新技术领域（多模态）
• 多模协作架构：LLM + 领域模型 + 验证模型 + 推荐系统的动态路由策略

您认为，这样的技术在实践过程中有哪些痛点？

• 基于 BI 引擎的架构优势和弥补其带来的问题之间的平衡
• 数据领域用户的低错误容忍度和低数据质量之间的矛盾
• 模型能力与业务安全性的冲突、长尾需求覆盖难题

演讲亮点

• 数据分析领域发展趋势、成熟 BI 厂商拥抱领域大模型的最新进展
• 丰富的技术落地实践细节，如工程架构、模型选择、算法端到端实现、调优经验、产品范式、业务价值等
• Quick BI 数据智能领域最新进展及行业未来技术演进的思考

听众收益

• BI 业界发展趋势及与 AI 结合的领域现状与挑战
• 模型选型的评估框架和解决方案
• 智能小 Q 的架构设计细节和准确率调优实践
• Quick BI 数据智能最新进展和未来技术路径规划