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

在数据洪流与业务快速迭代的今天，企业正面临前所未有的挑战：数据孤岛林立、业务需求瞬息万变、传统数据分析工具交互繁琐、响应迟缓，难以支撑高效决策需求。本次演讲将分享北银金科水晶球 ChatBI 如何融合大小模型技术实现一站式决策分析闭环。听众将了解到 BI 的技术演进历程，大小模型协同技术、NL2API 技术、多模态技术、复杂场景的意图识别技术的落地实践以及如何赋能业务发展。

落地成效：

• 成本骤降，决策效率倍增：ChatBI 通过自动化分析流程，大幅减少人工干预，无需数据看板定制化开发，降低人员运营成本与科技研发成本 60% 以上，同时提升决策效率，助力企业快速响应市场变化
• 洞察深化，智慧决策赋能：汇集企业内外部数据与知识，提供多维度、深层次的数据分析，帮助企业挖掘隐藏价值，优化业务策略，提升决策效率 80%
• 全面赋能，整体效能提升：为管理者提供战略决策的“战略罗盘”，为分析师打造便捷智能的“分析阵地”，为一线人员提供精准营销的“智能雷达”，全面激发团队创新活力，让数字化赋能更为广泛，促进组织整体效能提升

演讲提纲

1. 背景

• 数据智能的技术演进历程
• 在数智化时代下，客户需求及传统 BI 的痛点
• 大模型和 AIGC 的发展情况与未来中国 BI 市场的发展动向
• ChatBI 的技术路线研究

2. 水晶球 ChatBI 的能力域

• 自然语音查询：最直观的数据洞察
• 总结与预测：读懂现在，判断未来
• 归因分析：通用型归因引擎
• 智能决策：基于专家策略库的精准决策

3. 关键技术

• 指标引擎技术
• 基于 MaaS 的协同调度技术：解决 DATA 与 AI 的融合问题
• 大小模型协同技术：解决泛化能力与特定场景输出精确的融合问题
• 垂直域知识工程

4. 应用成效

• DeepSeek 赋能的水晶球 ChatBI
• 落地案例与业务价值

5. ChatBI 的演进展望

• 结合专家分析框架的模型微调
• 归因引擎演进：因果推论
• NoETL

您认为，这样的技术在实践过程中有哪些痛点？

• 业务域知识库的缺失
• 非结构化口语表达的意图识别
• 多轮对话的问题改写

演讲亮点

• 大小模型，多模态、知识库、指标引擎、归因引擎等技术的落地
• ChatBI 一站式进行“洞察-归因-决策”全流程的业务案例与成效展示

听众收益

• BI 技术的发展历程以及 ChatBI 主流技术路线
• 水晶球 ChatBI 的前沿技术落地实践与成效
• 大模型下的数据智能平台如何赋能业务发展

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

生成式 AI 的飞速发展推动了智能 BI 迈向 AGI，逐步实现自动化智能决策分析。本次演讲我将围绕腾讯云 ChatBI 的升级迭代进程展开，重点介绍多智能体协作解决复杂多环节 BI 问题，ChatBI 推理引擎构建的思路，以及如何应用以数据为中心的 AI 方案构建 ChatBI，旨在通过 AI 驱动自动化闭环 CXO ⇌ BA ⇌ DA 的全链路分析流程。听众将有机会了解最前沿的 AI 理念，ChatBI 能力构建方案，探索与展望下一代智能 BI 的发展方向，为行业生态伙伴在 BI 应用场景提供了全新的思路。

演讲提纲

1. 传统 BI 到智能 BI 的演进

• BI 发展进程
• 基于生成式 AI 驱动的智能 BI
• 多智能体协作 + 推理基座模型推动智能 BI 迈向 AGI

2. 多智能体协作在 ChatBI 的落地应用

• Multi-agent NL2DSL 架构设计
• ChatBI 智能决策分析
• 多智能体协作在 ChatBI 的落地实践

3. 推理引擎构建

• NCoT 数据集生成方案
• ChatBI 基座推理模型
  • Reward function 重构（accuracy，format）
  • Rule based reward + PRM
  • 推理轻量化方案（蒸馏，量化）

4. Data centric AI

• 行业标准的无偏的 ChatBI 下游任务测试集
• 支撑 BI 全场景的 ChatBI 基座模型后训练数据集
• ChatBI 数据飞轮

5. 探索与展望

• ChatBI 世界模型
• Hybrid architecture of NL2DSL+NL2SQL+NL2Python

您认为，这样的技术在实践过程中有哪些痛点？

• 基于生成式 AI 的智能 BI 工具面对生产实践高事实一致性数据分析场景的局限性
• 企业级智能决策分析场景垂直领域知识注入的方式
• Model centric AI VS Data centric AI

演讲亮点

• ChatBI 打造多智能体协作架构辅助智能决策分析
• ChatBI 推理引擎构建，包含技术架构，算法细节，优化方案
• ChatBI 遵循以数据为中心的 AI 理念，与行业伙伴共建 BI 专属的无偏评测数据集
• 数据智能与决策分析领域的前沿探索

2016 年 AlphaGo 战胜李世石，展示了 AI 在复杂决策领域的潜力，推动其向产业纵深发展。2018 年基于 BERT 模型语义理解能力构建 Databot 数据机器人，实现自然语言到 SQL 查询自动转换。2021 年LLM大语言模型爆发，我们利用 LLM 技术构建垂直化数据智能引擎，实现从规则到意图、单一到全链路、“工具”到“智能助手”的跃迁。本次演讲主要分享数据智能发展历史、LLM 技术突破带来业务演进、大数据领域模型建设以及对未来数据分析域产品形态的演进思考。

演讲提纲

1. 背景：数据智能发展史

• 大模型数据分析产品形态，从「传统BI」到「DI = AI+BI」

2. 数据智能相关技术发展史

• 早期：搜索式 BI
• 中期：基于 Bert NLP 交互式 Databot
• 近期：LLM 技术升级下的 DataAgent 机遇&挑战

3. LLM 技术引领数据分析领域业务演进

• 端到端的数据分析全域升级
• 代码补全： 临时查询取数、数据加工任务
• SQL 工具：日常 SQL 任务开发维护（联动修改、批量更新、Bugfixed ）
• Schema 建模：智能建模(字段增强、 表达式生成、数据集摘要)
• DataAgent 智能体 ：NL2SQL 分析取数、ADA 高级分析

4. 领域模型建设 & 落地效果

• 领域知识中心 ： 资产沉淀、知识挖掘
• 知识嵌入: 数据资产召回（表、字段、 数据口径、白皮书等）
• LLM 领域模型精调 ： CT、SFT、RL

5. 总结与展望

• 技术侧：LLM 模型能力提升、多模态技术结合
• 产品侧：新交互孵化、产品能力持续迭代升级

您认为，这样的技术在实践过程中有哪些痛点？

• 在实践中，如何构建领域模型相对通用模型的优势，且需要衡量 ROI 投入产出比

演讲亮点
从 0 到 1 构建大数据领域模型，支持端到端的数据分析全域升级。不局限于智能分析取数场景，同时利用知识挖掘、生产的方式沉淀领域知识中心

听众收益

• 从传统 BI 到 DI(AI + BI) 的转变，掌握数据分析产品的未来趋势
• 了解 LLM 在引领数据分析进化的演进现状
• 掌握 LLM 在数据分析全域升级的技术架构
• 了解大数据领域模型的搭建过程