• 移动端
    访问手机端
    官微
    访问官微

    搜索
    取消
    温馨提示:
    敬爱的用户,您的浏览器版本过低,会导致页面浏览异常,建议您升级浏览器版本或更换其他浏览器打开。

    阿里云:基于大模型技术的数据开发分析新范式

    来源:中国电子银行网 2024-06-18 15:07:16 数字金融创新案例征集 阿里云 大数据
         来源:中国电子银行网     2024-06-18 15:07:16

    核心提示通过智能助手(Copilot)多样化的服务能力,高效、便捷地提升数据开发分析工作效率,为业务决策提供更快速、智能的数据分析方法。

    第七届(2024)数字金融创新案例征集

    案例名称

    基于大模型技术的数据开发分析新范式

    案例简介

    金融领域业务复杂,数据处理难度大,使用数据门槛高,数据分析、临时取数、数据加工等工作量加大,需要专业数据工程人员、分析师进行数据应用加工分析。如何能提升数据加工效率,低门槛数据分析成为了促进金融业务发展的因素之一。

    随着生成式人工智能AIGC技术飞速发展,智能助手(Copilot)在数据智能开发、分析领域快速落地应用。智能数据助手(Copilot)不但能够在智能代码生成场景提供SQL生成、生成注释、问答支持、问题排查等,还在数据分析场景提供数据资产查找、智能问数、数据探索智能分析、智能报表生成,一键报告美化等能力。通过智能助手(Copilot)多样化的服务能力,高效、便捷地提升数据开发分析工作效率,为业务决策提供更快速、智能的数据分析方法。

    图1

    创新技术/模式应用

    在数据开发分析领域下,借助大模型能力不断提升生成结果的准确度,打造数据开发分析领域的AI智能助手Copilot,为数据开发与分析提效 30%+,本解决方案主要优势有以下几点:

    1)智能代码助手:自动生成、改写、注释等能力,提升开发效率:

    图2

    ●SQL生成:NL2SQL,只需要找到数据表,通过自然语言表达出我们想要的数据查询结果即可。有效提升工作效率,快速支持业务发展。

    SQL改写:只需要用自然语言表达出想要修改的内容即可,批量修改或替换SQL内容,再也不用辛苦人肉敲键盘。

    生成注释:自动生成对SQL整体或每一行SQL的注释信息,可以大大降低人力劳作成本,并有效提升SQL的业务可读性。

    SQL纠错:查找SQL中存在的错误,并自动修复,可缩短SQL找错改错的时间成本。

    2)自然语言交互作业智能调度编排:通过自然语言即可完成数据 ETL 操作和任务发布,简化产品操作复杂度,提高任务开发效率。

    图3

    3)BI智能分析助手:通过大模型能力,通过智能对话方式,就能够实现数据分析和报表展示,业务人员不需要技术背景就可以上手分析:

    智能问数:让业务人员以自然语言对话的形式从数据库查找数据,无需掌握SQL,也无需通过科技人员提数;

    图4

    智能探索:通过语言对话对数据结果进行分析挖掘,发现业务问题;

    图5

    智能搭建:通过对话生成数据主题看板、报表,调整报表展现风格,美化报表样式。

    图6

    项目效果评估

    数据在金融行业中的应用具有广泛的前景和深远的影响。通过对数据的分析和挖掘可以更好地管理风险、拓展业务、满足监管要求并提高效率。然而,随着数据的不断增长和技术的不断进步,金融机构也需要不断升级和完善其数据分析和处理能力,以更好地应对市场挑战和机遇。

    当前在数据使用过程中,面临诸多问题:

    用户想要找到自己需要的表,面对海量数据宛如大海捞针;

    数据开发代码质量层次不齐,排查问题或优化成本搞;

    数据供需失衡,⼀些临时的取数/分析诉求无法快速响应,影响公司数据决策效率;

    作业异常排查效率低,对错误信息定位慢;

    报表太多,找不到自己想看的指标数据;

    制作报表周期长,分析灵活度不够,影响业务查看数据。

    基于上述问题,借助大模型能力在数据开发分析领域下探索,同时金融行业对于AIGC的生成结果准确度要求更高,需要通过问题优化器、用户反馈、多轮问答、企业知识库等手段,不断提升大模型对用户问题的理解能力,很好的解决了代码生成的质量和数据使用分析的效率。

    某互联网保险公司——在阿里云大数据平台构建数据仓库和数据应用。dataworks copilot在分析人员增强分析方面,copilot能够根据分析人员自动生成代码,极大地提高了分析人员的工作效率。分析人员可以更快速地完成数据分析,从而更好地支持业务决策。

    其次,在代码自动注释方面,copilot能够根据数据自动生成代码注释,帮助分析人员理解和维护代码。这使得团队成员之间更容易共享和协作,减少了沟通成本和错误率,提高了代码的质量和可维护性。

    最后,在问题排查方面,copilot能够根据错误信息自动识别潜在的问题和错误,并给出修复建议。这有助于分析人员更快速地定位和解决数据分析中的问题,提高了数据分析的准确性和可靠性。

    某银行——以前,业务人员提取数据需要通过书面申请的方式提交数据提取单,待业务部门主管、科技部门管理人员层层审批后到达科技人员。科技人员依照数据提取单的描述找数、核实、编写取数代码。而科技人员通常不理解数据背后的业务含义,要与业务人员反复沟通确定取数口径,校验数据逻辑,一次取数流程耗时超过一周。

    目前,该行使用阿里云智能小Q替代人工取数操作,让业务人员通过自然语言对话的方式对常用的28个数据集进行自助取数。取数过程无需科技人员经手,业务人员也不需掌握SQL语言及编程技能。

    图片7

    通过使用大模型智能问数工具,该行减少了36%的人工取数需求,业务人员获取常用数据的时间从过去的一周压缩到平均17分钟,同时大量节省了科技人员数据抽取工作投入。

    项目牵头人

    张翅 阿里云智能集团副总裁、新金融行业总经理

    项目团队成员

    郑淼、辜敏、王桢、刘远、吴旭、张天生、温绍锦、许日、周骞、黄俊、王明、田奇铣、闫建丽、王伟、石斌、徐宁、吴士豪、郑凯、董芳英

    责任编辑:方杰

    免责声明:

    中国电子银行网发布的专栏、投稿以及征文相关文章,其文字、图片、视频均来源于作者投稿或转载自相关作品方;如涉及未经许可使用作品的问题,请您优先联系我们(联系邮箱:cebnet@cfca.com.cn,电话:400-880-9888),我们会第一时间核实,谢谢配合。

    为你推荐

    收藏成功

    确定