准确率高达99%，ChatBI如何做到？

近年来，大模型在生成式AI领域的发展势头确实很猛，但在那些专业度高、应用复杂的行业里，不少人觉得它的价格和价值之间差距太大，甚至形成了泡沫。就拿早期引入智能问答式BI的企业来说，投入成本不低，可实际应用效果却没能完全对得上预期，失望情绪自然就来了。

这些智能问答式BI产品，多半依赖NL2SQL技术，用户确实能快速搭建系统、回答简单问题，门槛也降下来了。但问题在于，面对复杂的业务需求，它根本没法灵活、准确地给出洞察。要打破这层泡沫、实现智能BI的精准洞察，关键是把训练成本降下去，同时把各种复杂业务场景下的准确性提上来。而解决准确性，智能BI厂商就得沉下心来，把卓越的BI能力和先进的AI能力真正融合到一起——这也是Smartbi AIChat白泽技术方案的核心理念。

Smartbi AIChat白泽

，

以证券行业为例，我们来看下股票分析师面对海量数据，如何借助白泽智能BI解决复杂业务场景下的精准数据洞察问题？

尽管大模型的加持确实让数据分析变得更简单，但如果只是把一堆乱七八糟的数据丢给它，指望它自动得出正确答案，这既不现实也不负责任。就像盖高楼得先打地基一样，从数据治理入手，先把统一、高质的数据基础建起来，才能让智能BI的洞察真正准起来。那么，怎样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里，管理混乱、口径不一，严重拖累了数据效率和用户信心。

Smartbi数据模型则把管理方式从“表”升级为“指标”。它具备

，不仅能解决多源异构数据整合、口径不一致等问题，还能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

，包括线上和线下的数据，甚至可以跨数据库整合。这样一来，所有查询结果都能统一口径，形成一致的数据。

它支持多种模型类型，比如

，尤其能通过维度建模生成星座模型，轻松应对各种复杂的数据结构和业务需求——多事实表关联查询就是典型场景。

数据模型还具备

，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，比如同比、环比分析、时间智能分析和TopN分析。

此外，基于数据模型，还能轻松配置数据权限，达到金融级别的数据管控，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

为了简化数据模型的构建，Smartbi可以通过指标模型，在可视化界面中用向导式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。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，甚至还可能拥有决策管理层的视角。

不过，光接入数据模型/指标模型还不够——那样的话，训练成本太高，没法通用。所以，我们引入了检索增强生成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，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，就像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，

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本身的数据分析能力，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。

Smartbi AIChat白泽不仅能精准实现诸如多轮对话、图形展示等常见场景，还能驾驭时间智能计算、多事实表查询、归因预测等多种复杂业务场景。目前，初次使用即可达到80-90%的准确度，且不会产生数据错误或权限漏洞。稍微进行RAG微调，

下面，我们演示一个多事实表关联查询的示例。

比如问句

，它涉及客户维、日期维、资产事实表、债务事实表等多个事实表和维表。

如果用NL2SQL方式，最难的就是判断表关系，它往往会强行把资产事实表和债务事实表关联起来，生成错误的SQL语句。

而白泽AI拥有数据模型，可以以维度建模的方式生成星座模型。这里我们通过共享

等维表，将等多张事实表构建为星座模型。

图：数据模型

通过一键构建AI图谱，把数据模型的指标、度量等元数据嵌入向量数据库，再结合同义词、知识库、示例等，让大模型实现自然语言与结构化信息之间的精准转换。

图：构建AI图谱

因此，面对上面那个问句，AI Agent的规划器通过全面的RAG技术，准确完成上下文语义理解与数据的映射匹配，进而制定出一个包含多项子任务的执行计划：

1、找到客户表和资产事实表及其关联关系，查询2024年1月4日现金资产超过1万的客户，形成小表。

2、找到客户表和债务事实表及其关联关系，查询2024年1月4日贷款资产超过1万的客户，形成小表。

3、查询客户事实表中的教育程度，形成小表。

4、根据实际情况，合并所有数据。

5、根据聚合粒度计算总资产和总负债。

6、选择列，输出查询结果。

在子任务中，白泽借助星座数据模型，通过

维表关联和，动态构建出三张小表，基于小表就能很轻松地在不同聚合粒度输出准确的SQL查询和结果。

Smartbi AIChat白泽凭借

，已经从一个新员工成长为具备项目经理思维的业务专家。他能有效规划和执行，又具备创新能力，通过自我反思实现持续成长。在快速变化的商业环境中，白泽AI不仅提高了决策的效率和准确性，还为企业带来了深远的洞察力，助力企业在竞争中脱颖而出。