在一间明亮的会议室里，一位企业决策者正紧张地准备着即将到来的季度业绩汇报。他打开了公司最近采购的对话式BI工具，希望能快速获取一些关键的业务指标分析。他问道：“今年第二季度的净利润比去年同期增长了多少？”工具迅速回应，但给出的答案却让他皱起了眉头。不仅数字与他的预期大相径庭，而且缺乏足够的解释来支持这一结果。这种准确率不高和解释性不强的问题，让他对这项新技术的实际价值产生了怀疑。

这种场景在许多企业中并不罕见，对话式BI工具虽然便捷，但在处理复杂数据分析时常常力不从心。然而，随着Kyligence最新发布的企业级AI解决方案的问世，这一局面有望得到根本性的改变。4月11日，Kyligence 2024 数智论坛暨春季发布会成功召开。Kyligence 正式发布全新的企业级 AI 解决方案，在准确率和可解释性两个方面实现了重要突破。那么，Kyligence是怎么做到的呢？

准确率与可解释性，是对话式BI的两大难题

在当今数据驱动的商业环境中，基于大模型的对话式数据分析工具，极大地促进了企业决策的效率和质量。然而，随着这些工具的广泛应用，它们的两大核心挑战——准确率和可解释性——逐渐浮现成为行业发展的瓶颈。

准确率的重要性与难点

准确率对于企业决策的影响不言而喻，一个准确的数据分析结果能够为企业带来清晰的市场洞察、有效的战略规划和精确的执行方案。然而，当决策者依赖于不准确的数据时，可能会导致资源的浪费、战略失误甚至企业声誉的损害。在对话式数据分析工具中，准确率的问题尤为突出。

当前大模型在对话式数据分析中准确率不高的原因多种多样，其中，自然语言的歧义性是一个主要障碍。用户的问题可能存在多种解释，而模型可能无法准确捕捉到用户的真正意图。数据质量问题也不容忽视，如果输入模型的数据存在错误或不一致，那么输出的分析结果自然也会受到影响。此外，模型本身的限制也是一个因素。许多模型在训练时使用的是通用数据集，这可能导致它们在特定行业或领域的应用中表现不佳。

可解释性的重要性与难点

可解释性在提升用户对AI系统的信任和提高决策透明度方面，发挥着关键作用。当用户能够理解AI提供的分析结果背后的逻辑和数据来源时，他们更有可能接受并基于这些结果做出决策。可解释性还有助于识别和纠正模型的错误，从而提高整体的决策质量。

然而，现有技术在提供可解释性方面面临着显著的局限性。许多先进的AI大模型，常被批评为“黑箱”模型，因为它们的决策过程对用户来说是不透明的。这种不透明性使得用户难以验证AI的输出，也难以根据输出进行进一步的探索或提出改进建议。此外，即使某些模型提供了一定程度的可解释性，这些解释往往过于技术化，非技术背景的决策者可能难以理解。

在对话式数据分析工具中，这些挑战变得更加突出。用户通常期望通过自然语言交互获得直观、易于理解的分析结果和建议。然而，当模型无法提供清晰的解释或者解释过于复杂时，用户的信任和满意度就会受到影响。这不仅限制了AI工具的实用性，也阻碍了企业从数据中获取最大价值的能力。

Kyligence的“药方”是什么？

解决这些难题需要技术创新、数据质量管理以及用户界面设计的共同努力。那么，Kyligence号称可以实现 AI 对话准确率 95% ，100% 可解释，是怎么做到的呢？

具体来看，Kyligence在以下几个方面的探索值得借鉴：

1、多智能体架构（Multi-Agent Architecture）

Kyligence的多智能体架构是其AI解决方案的核心，该架构通过将用户的自然语言查询转换为具体的指标查询，再基于这些指标生成SQL查询，从而确保了AI在处理业务用户查询时的专注性和准确性。这种转换过程不仅提高了查询的准确率，而且通过减少对非相关数据的处理，提升了整体的数据处理效率。正如Kyligence CTO李扬在2024年的发布会上所强调的，这种架构使得AI能够更好地理解和执行与指标相关的任务，为用户提供更加精确的数据支持。

Kyligence技术方案：LLM-指标查询-SQL查询

在多智能体架构中，每个智能体都承担着特定的角色和任务。主要的智能体负责解析用户的自然语言输入，并将其映射到预定义的指标查询上。这一过程涉及到复杂的自然语言处理技术，包括语义理解、意图识别和实体抽取。一旦用户的查询被转换为指标查询，这些查询就会进一步转化为SQL语句，以便在后端数据库上执行。这种两步转换过程确保了查询的精确性和可解释性，因为用户可以清晰地看到他们的自然语言问题是如何被转换为具体的指标查询的。

2、指标系统作为统一数据语言

Kyligence的统一指标系统是其解决方案的另一个关键组成部分，该系统为企业提供了一个标准化的数据表达方式，确保了数据的一致性和准确性。通过这种方式，不同的业务部门和团队可以使用相同的数据术语进行沟通，从而减少了沟通成本和误解的可能性。统一的指标系统使得AI能够更好地理解和响应用户的查询，因为AI可以依赖于一组明确定义的指标来构建其响应。

指标系统的建立涉及到对企业数据的深入理解和精心设计，Kyligence的解决方案总监甘甜在演讲中提到，通过指标平台，企业可以将业务知识资产和数据资产进行有效的整合。这意味着，企业可以将其业务逻辑和规则编码到指标定义中，从而使AI能够在回答问题时考虑到这些业务逻辑。例如，如果用户询问销售额的增长情况，AI可以利用指标系统中定义的销售指标来提供一个准确的答案，而不是依赖于模糊或不相关的数据。

统一指标系统还为AI提供了一种机制，使其能够在不同的业务场景中复用已有的数据资产。这种复用性不仅提高了AI的效率，而且确保了数据的一致性和可比性。当AI需要回答跨部门或跨业务线的问题时，它可以依赖于统一的指标系统来提供一个全面而准确的视图。

3、安全驾驶模式（Safe Driving Mode）

安全驾驶模式是Kyligence AI解决方案的一个重要组成部分，旨在确保AI在提供数据分析时的准确性和可靠性。在这种模式下，AI的对话被严格限制在一个特定的分析主题上下文中。这意味着AI的响应和查询都是基于这个预定义的上下文生成的，从而减少了潜在的错误和误解。

这种限制不仅提高了AI在特定领域的专业性，而且通过匹配系统中的指标语义来生成指标查询，确保了数据查询的准确性。例如，如果用户询问关于销售增长的问题，AI将仅在销售相关的指标和数据范围内进行查询，避免了无关数据的干扰，从而提供了更加精确的分析结果。

此外，安全驾驶模式还有助于保护企业数据的安全性。通过限制AI的查询范围，企业可以确保敏感信息不会被泄露或滥用。这种模式下的操作符合企业的数据治理政策，并确保了数据的合规使用。

4、AI智能归因和对话式数据分析

Kyligence的AI解决方案还具备智能归因的能力，它能够快速识别和定位业务痛点，为用户提供针对性的分析和建议。通过对话式的数据分析，AI与用户进行互动，根据用户的具体问题，提供定制化的分析结果和解决方案。

这种互动方式不仅提高了AI回答的准确率，而且通过清晰、直观的对话，用户能够更好地理解AI提供的答案和建议。用户可以通过自然语言与AI进行交流，而AI则能够根据用户的意图和上下文提供相关的数据分析，这种双向沟通极大地增强了用户体验。

Kyligence的AI系统还具备持续学习和自我提升的能力，通过用户的反馈和监督，AI能够不断优化其性能。每当用户对AI的回答进行纠正或补充时，系统都会学习这些反馈，并在未来的对话中应用这些学习成果，从而逐步提高对话的准确率和可解释性。

这种持续学习的过程不仅依赖于用户反馈，还包括对新数据和新趋势的适应。随着企业数据的不断积累和更新，Kyligence的AI系统能够及时调整其模型和算法，以适应新的业务需求和市场变化。

目前，Kyligence的对话式数据分析产品在多个行业实现了应用落地。例如，在金融领域，Kyligence与某头部城商行合作，通过AI自然语言交互，满足了银行在灵活报表和分析需求上的高效处理，显著提升了数据使用效率，并且AI对话的准确率达到了95%以上，为银行大规模推广AI应用奠定了坚实基础。

在零售行业，Kyligence助力一家顶流餐饮连锁企业升级了其指标平台，结合最新的生成式AI技术，使得一线人员能够轻松使用AI数智助理，降低了业务人员使用数据的门槛，提升了数据决策效能。此外，Kyligence还服务于医药行业，与一家跨国药企合作打造了精准、敏捷的商业分析平台，以AI+指标平台的形式满足业务部门复杂的分析需求，提高了商业洞察的质量和决策效率。

这些案例充分展示了Kyligence对话式数据分析产品在不同客户的实际落地场景中的有效性，不仅解决了企业级生产场景下准确性、安全性、成本和AI治理等问题，也让AI更好地服务于企业，推动了企业的数字化转型和智能化升级。

新质生产力的好帮手

对话式数据分析技术的发展不仅是人工智能领域的一次飞跃，更是驱动新质生产力发展的一股重要力量。这种技术通过结合AI大模型和大数据分析，为企业和整个社会带来了前所未有的价值。

具体来看，对话式数据分析可以在以下几个方面产生重要价值：

提升决策质量和速度

在企业运营中，决策的质量和速度往往直接关联到竞争力和市场反应能力。对话式数据分析技术使得决策者能够通过自然语言与AI系统进行交互，快速获得数据洞察和分析结果。这种即时的数据访问和分析能力，极大地缩短了从数据收集到决策执行的时间周期，提高了企业的敏捷性和适应性。例如，通过AI分析，企业可以迅速识别市场趋势，调整生产计划和营销策略，以应对消费者需求的变化。

降低数据分析门槛

传统上，数据分析被视为一项需要专业技能的工作。然而，对话式数据分析技术的普及化和易用性，使得非专业人士也能够轻松地进行数据分析。这种技术的推广有助于打破数据孤岛，让更多的员工能够参与到数据驱动的决策过程中来。这不仅提升了全员的数据素养，也为企业文化注入了数据驱动的元素，促进了组织内部的知识共享和创新。

推动个性化和智能化服务

随着AI技术的不断进步，对话式数据分析工具正变得越来越智能。通过学习和理解用户的行为模式和偏好，AI系统能够提供更加个性化的服务和建议。这种个性化不仅提升了用户体验，也使得企业能够更精准地满足客户需求，增强客户忠诚度。例如，零售企业可以通过AI分析客户的购买历史和偏好，提供个性化的产品推荐和优惠，从而提高销售额和客户满意度。

推动产品和服务创新

对话式数据分析技术，为企业提供了深入理解客户需求和市场动态的新途径。通过分析客户反馈、行为数据和市场趋势，企业可以发现新的产品机会和服务需求。这种深入的洞察有助于企业在竞争激烈的市场中保持创新，开发出满足市场需求的新产品和服务。例如，通过分析社交媒体上的消费者讨论，企业可以发现潜在的产品改进点或全新的产品创意。

促进社会数字化转型

对话式数据分析技术的广泛应用不仅限于企业，它还对社会的数字化转型产生了积极影响。在教育、医疗、交通等公共服务领域，这种技术可以帮助机构更有效地管理和分析数据，提高服务质量和效率。例如，在医疗领域，AI可以通过分析患者的医疗记录和实时监测数据，为医生提供更准确的诊断和治疗建议。

综上所述，对话式数据分析技术对于发展新质生产力具有多维度的价值。随着技术的不断进步和应用的深入，对话式数据分析技术将继续为社会带来深远的影响，推动生产力的持续发展和升级。