专题演讲嘉宾：李飞

本次演讲将围绕 AI 如何推动数据分析从“工具辅助”到“决策建议和工作流协同”的质变，聚焦认知能力的系统化构建方法，分享智能分析 AI Agent 的技术架构设计理念、与 DeepSeek 的协同创新实践，以及在金融场景的落地经验。通过“统一语义层构建-多模态数据融合-深度推理强化”的技术路线，揭示企业如何实现从数据归因到决策建议的端到端智能跃迁，为先进企业的数字化经营提供可复用的技术路径。

演讲提纲

1.  AI 数据分析的进化路径

• 传统数据分析的局限性
  • 规则驱动：依赖人工 SQL 编写与指标定义
  • 效率瓶颈：某企业分析师日均处理 200+ 临时需求，60% 时间耗费在数据对齐
  • 数据价值释放不足：业务需求与数据能力之间存在语义断层，无法实现人人可用
• 技术进化方向
  • 技术跃迁：NL2SQL → NL2Semantic Layer → 分析决策AI Agent
  • 范式突破：
    • 自动化：自然语言交互替代代码开发
    • 智能化：从“发生了什么”到“为什么发生”的因果推理
    • 普惠化：人人可用的移动端“咖啡时间决策”机制

2. AI 数据分析架构的三大突破点

• 自动化构建统一的业务语义层构建架构：解决大模型幻觉、生成不稳定、生成性能慢等问题
• 数据应用场景的多模态交互与融合方法：结构化数据与非结构化知识（表结构数据/文本报告/企业知识等）的联合推理框架
• 深度推理和业务决策建议生成：基于 DeepSeek-R1 长思维链的持续反思学习与决策优化

3. AI 数据分析的应用实践

• 指标语义层与 DeepSeek-R1 深度推理能力的结合 - 自然语言交互实现分析准、深的关键
• 数据分析过程白盒化 + 快思考与慢思考结合 - 以金融领域为例，探索出满足不同需求场景的智能分析范式
• 对业务的增益 - 归因分析效率提升 50% 的“数据侦探”机制
• 经验与踩坑 - 在落地中的经验，好与坏都是积累

4.  企业用 AI 实现企业数据分析能力大幅跃进的路径建议

• 基建阶段：构建从数据提取、语义构建到数据分析洞察的多 Agent 技术路线
• 场景突破：深耕行业，探索更多业务场景落地
• 生态协同：与 DeepSeek 共建模型迭代飞轮

您认为，这样的技术在实践过程中有哪些痛点？

• 自动化能力与业务可控性的平衡：自动化语义层构建虽能降低使用门槛（"咖啡时间决策"），但在金融场景中需警惕技术黑箱化风险
• 深度推理效率与可解释性的取舍：R1 的长思维链推理虽能提升归因深度，但每增加一层逻辑推导，响应延迟平均增长 20+%

演讲亮点

• 技术首创性：首次披露 AI Agent 与 DeepSeek-R1 的 MOE 架构适配方案
• 实战验证：城商行案例中用户意图识别率 > 98%、复杂任务准确率 > 95% 的量化效果
• 范式创新：突破传统数据分析工具的规则驱动模式，提出“两段式数据洞察”（语义层构建 + 深度洞察推理）解决大模型落地金融场景的幻觉难题

听众收益

• 技术决策者：掌握AI数据分析进化的“ 3+1 ”框架（场景选择 → 技术路径 → 价值验证 → 持续进化）
• AI 和数据团队：掌握企业级智能分析平台的架构设计方法论，特别是语义层与通用大模型的协同机制