光谷 网站建设公司网站开发 平均工资

光谷 网站建设公司,网站开发 平均工资,怎么免费建公司网站,协会网站设计方案模板随着 AI 广泛应用#xff0c;企业用户期待商业智能 BI 系统也能实现 AI 式数据查询。业务人员可以在 BI 系统中输入自然语言#xff0c;比如“我要查今年广东省客户的空调订单金额”#xff0c;就能得到想要的结果#xff0c;效率一定会大幅提升#xff01; 实现 AI 式自…随着 AI 广泛应用企业用户期待商业智能 BI 系统也能实现 AI 式数据查询。业务人员可以在 BI 系统中输入自然语言比如“我要查今年广东省客户的空调订单金额”就能得到想要的结果效率一定会大幅提升实现 AI 式自然语言数据查询的现有思路并不复杂BI 调用大模型接口把自然语言转换为查询语句比如 SQL提交给数据库执行并返回结果。但是这种方案却面临一个巨大的难题。大模型技术实现自然语言数据查询的难题对于企业 BI 来说数据查询的准确性是最重要的。而大模型则存在幻觉就是常常会“一本正经的胡说八道”。大模型给出的查询语句很可能看起来符合语法执行后却会得到错误结果。尝试过大模型写代码的程序员都知道效率是能提高很多但因为无法保证 100% 正确还是需要人工确认才行。对于能看懂代码的程序员来讲这不是大问题。但是 BI 用户是业务人员绝大多数不会编程无法判断查询语句的正确性也不能纠正错误。如果是语法错误那还好办执行时就会报错但若是语义错误执行也能得到结果业务人员就无法判断了。比如输入中有“北京”字样大模型会理解成地名但也许正好有一款产品代号是“北京”倘若业务人员应用了错误的查询结果很可能给生产经营带来损失。其实无论用户输入怎样的问题大模型永远都会给出一个结果即使数据库中数据根本就无法计算这个任务目标大模型也不会拒绝不懂编程的业务用户根本没办法发现和纠正大模型的错误。现有方案难以解决大模型困难大模型写不出正确的数据查询语句有相当部分原因是缺乏企业数据查询的领域知识造成的包括大模型可以采用微调的方式来获取这些领域知识即用相关的标注数据对现有模型进行训练。不过微调的过程是“黑盒子”很难检查大模型是否真学会了这些领域知识很可能学歪了、记混了而我们几乎没办法察觉和调试。而且微调需要用大量计算资源和高质量的标注数据对大模型进行训练技术难度大资源成本高开发周期长。一旦业务规则或者数据结构发生变化模型就要重新微调非常不灵活。另一种方法是使用 RAG检索增强生成来提高大模型正确性但效果也不理想。RAG 引入外部知识库存放领域知识但知识库检索存在精度问题找不到关键领域知识的可能性很大。而且大模型常常更倾向于依赖内部参数而忽略知识库的检索结果还是会得到错误的查询语句。还有一种方法是利用“提示工程”把领域知识都放到提示词中。这种做法本质上和 RAG 区别不大也无法确保生成正确的查询语句而且还导致性能下降token 费用上升。实际上大模型的本质是概率模型它的训练目标是生成流畅、连贯的文本而不是绝对精确的查询语句。润乾报表新突破实现精确 AI 式数据查询润乾报表 NLQ 组件采用规则引擎技术通过抽象汉语规律得到规则模型可以实现精准的 AI 式数据查询。NLQ 组件预先用领域知识建立词典导入数据结构定义数据表、字段、维度、指标等专用词。词典中还包含比较词、量纲、聚合词、连接词等查询要素。这些词承载了领域知识词典则构成了领域知识的完美容器。从用户输入的自然语言词句匹配到词典中的词就是应用领域知识的过程打个比方规则引擎的领域知识是“手册”中的明文规定, 大模型的知识则是“模糊记忆”。比如用户要查“昨日存款总金额”规则引擎可以明确定义这个指标的计算公式各个币种要折合成人民币再汇总。缺乏领域知识时大模型就很可能忽略币种和汇率按照一般思路对金额求和得出错误的结果。当 NLQ 组件识别不了用户的输入时会提示无法查询请用户换一种说法再尝试。而不会像大模型那样总是给个不知对错的答案。NLQ 组件给出结果后会以用户看得懂的形式对这个语句进行解释如果有多种解释也会让用户选择比如日期可以是发货日期或者收货日期润乾报表 NLQ 搭配大模型让 AI 式自然语言数据查询锦上添花规则引擎对自然语言的规范性有一定要求不能使用太随意的词句。我们可以通过适当的培训让用户习惯用相对规范的自然语言表达就可以达到很好的使用效果。实际上用户使用大模型也常常要学习“提示工程”了解如何写提示词才能得到较好的结果。润乾报表 NLQ 组件不依赖大模型就可以工作搭配大模型后还能进一步提升用户体验可以用更为随意的自然语言来查询数据这样做一举两得易用性和正确性都能得到保证。智能 BI 要实现精准 AI 式数据查询关键在于如何准确承载并应用领域知识。大模型因其概率本质难以担此重任而润乾报表的 NLQ 组件通过规则引擎明确定义领域知识是领域知识最完美的容器从根本上确保了查询的准确性让 AI 式数据查询从概念迈向实用从而真正释放数据价值。