導(dǎo)讀：在商業(yè)智能（BI）走向成熟的今天，大模型技術(shù)的融入正在引發(fā)技術(shù)革新，為企業(yè)決策賦能。近日，阿里云智能集團(tuán)瓴羊高級(jí)技術(shù)專(zhuān)家王璟堯，在DataFun舉辦的技術(shù)沙龍直播中，分享了BI與AI技術(shù)融合及其實(shí)踐——BI+AI技術(shù)爆炸下的發(fā)展趨勢(shì)、BI領(lǐng)域大模型在Quick BI的應(yīng)用實(shí)踐，以及面向AI的技術(shù)架構(gòu)設(shè)計(jì)和實(shí)現(xiàn)。

BI+AI技術(shù)爆炸下的發(fā)展趨勢(shì)

1、BI 市場(chǎng)演進(jìn)趨勢(shì)

商業(yè)智能（BI）技術(shù)的演進(jìn)從傳統(tǒng)BI到敏捷BI，再邁入當(dāng)前的智能化BI時(shí)期，歷經(jīng)多重轉(zhuǎn)變。Quick BI作為中國(guó)領(lǐng)先的BI產(chǎn)品，已連續(xù)四年躋身Gartner魔力象限，顯著地代表了這一趨勢(shì)。敏捷BI時(shí)代要求用戶(hù)通過(guò)直觀的交互如點(diǎn)擊和拖拽進(jìn)行操作，而智能BI旨在進(jìn)一步簡(jiǎn)化操作，通過(guò)引入類(lèi)似智能助手的工具，以降低操作難度，提升用戶(hù)體驗(yàn)。

（BI分析市場(chǎng)演進(jìn)趨勢(shì)）

智能BI的發(fā)展正在被自然語(yǔ)言查詢(xún)（NLQ）、自然語(yǔ)言生成（NLG）、生成式分析和可解釋的人工智能等技術(shù)所驅(qū)動(dòng)，預(yù)計(jì)在接下來(lái)的2-5年中，這些技術(shù)將成熟并加速智能BI的發(fā)展。特別是大模型技術(shù)在理解、歸納和生成自然語(yǔ)言方面的進(jìn)展為BI引入了革新性的生成式分析體驗(yàn)。正如Gartner所預(yù)測(cè)，到2025年，由于消費(fèi)者體驗(yàn)的改進(jìn)，ABI的市場(chǎng)采用率有望首次突破50%，從而在更廣泛的業(yè)務(wù)流程和決策中起到?jīng)Q定性影響。

2、大模型發(fā)展現(xiàn)狀

過(guò)去一年多，大模型技術(shù)廣受業(yè)界關(guān)注，并展現(xiàn)了顯著的三大特點(diǎn)：更高的可控性、更廣的應(yīng)用場(chǎng)景以及模型數(shù)量和質(zhì)量的迅猛增長(zhǎng)。

如ChatGPT之類(lèi)，不僅改變了人們與機(jī)器的交互方式，還通過(guò)向量化數(shù)據(jù)、代碼和語(yǔ)言，重新定義了產(chǎn)品的使用和計(jì)算形態(tài)，使用戶(hù)能夠采用自然語(yǔ)言或代碼與產(chǎn)品進(jìn)行交互，減少對(duì)傳統(tǒng)鼠標(biāo)操作的依賴(lài)。這些大模型的使用目的超越了簡(jiǎn)單的文本生成，關(guān)鍵在于利用這些模型推動(dòng)BI基礎(chǔ)設(shè)施的根本重構(gòu)。

然而，大模型技術(shù)也不是無(wú)所不能，它們具有一定的局限性，比如未經(jīng)訓(xùn)練的大模型缺乏適應(yīng)性，無(wú)法深層次理解業(yè)務(wù)邏輯變化，更不用說(shuō)代替人類(lèi)在業(yè)務(wù)理解和風(fēng)險(xiǎn)控制方面的復(fù)雜作用。

此外，大模型難免存在著一定的幻覺(jué)和惡意行為誘導(dǎo)風(fēng)險(xiǎn)。因此，當(dāng)將大模型應(yīng)用于BI領(lǐng)域時(shí)，特別需要關(guān)注模型在行業(yè)知識(shí)和產(chǎn)品知識(shí)方面的訓(xùn)練，確保模型能夠基于特定客戶(hù)的行業(yè)場(chǎng)景語(yǔ)料數(shù)據(jù)加強(qiáng)對(duì)行業(yè)的理解，并與BI產(chǎn)品深度融合，如在報(bào)表配置、操作控件的選擇、數(shù)據(jù)的選擇等方面。

3、BI 領(lǐng)域產(chǎn)品形態(tài)探索

在商業(yè)智能（BI）領(lǐng)域的新時(shí)代，Quick BI積極開(kāi)展對(duì)大模型技術(shù)的探索和 應(yīng)用，推出了創(chuàng)新性的產(chǎn)品——智能小Q。它能夠通過(guò)理解用戶(hù)通過(guò)文字形式提交的分析需求，在掌握用戶(hù)上下文的基礎(chǔ)上自動(dòng)識(shí)別意圖、分解任務(wù)并逐一執(zhí)行。

智能小Q的開(kāi)發(fā)利用了成熟的大模型技術(shù)，結(jié)合Quick BI對(duì)于BI業(yè)務(wù)的深刻理解，完成了針對(duì)BI場(chǎng)景的大模型訓(xùn)練，并將其與強(qiáng)大的產(chǎn)品功能相結(jié)合，實(shí)現(xiàn)了BI與AI技術(shù)的有效融合。此外，智能小Q通過(guò)支持多輪問(wèn)答和融入用戶(hù)反饋及企業(yè)知識(shí)庫(kù)的方式，不斷增強(qiáng)其智能化程度。

（BI領(lǐng)域產(chǎn)品形態(tài)探索）

在產(chǎn)品和技術(shù)設(shè)計(jì)上，Quick BI的創(chuàng)新體現(xiàn)在兩個(gè)主要方向。首先，面向AI的產(chǎn)品鏈路方面注重于提供自由靈活的搭建方式、基于自然語(yǔ)言的數(shù)據(jù)洞察探索和卡片式的消費(fèi)體驗(yàn)。

其次，在面向AI的技術(shù)架構(gòu)設(shè)計(jì)中，重點(diǎn)放在了開(kāi)發(fā)以Agent為中心和全面采用指令化架構(gòu)的技術(shù)體系上，這些設(shè)計(jì)不僅優(yōu)化了產(chǎn)品的操作體驗(yàn)，也極大地提高了業(yè)務(wù)流程的效率和智能化水平。通過(guò)這樣的探索和實(shí)踐，Quick BI展現(xiàn)了BI與AI結(jié)合的廣闊前景和深遠(yuǎn)影響。

BI領(lǐng)域大模型在Quick BI的應(yīng)用實(shí)踐

從應(yīng)用角度去看，Quick BI大模型應(yīng)用分為三層。

（Quick BI大模型應(yīng)用分層）

第一層是領(lǐng)域模型層，相當(dāng)于樹(shù)根。我們基于通義千問(wèn)的基礎(chǔ)模型，經(jīng)過(guò)BI專(zhuān)業(yè)知識(shí)微調(diào)，形成了自研的BI領(lǐng)域大模型。BI領(lǐng)域大模型實(shí)際上是在通用大模型的基礎(chǔ)上進(jìn)行訓(xùn)練的，從頭開(kāi)始訓(xùn)練并生成基礎(chǔ)大模型不僅需要消耗大量GPU算力資源，還需要大量通用數(shù)據(jù)，這對(duì)BI應(yīng)用場(chǎng)景來(lái)說(shuō)是不必要的，因此，Quick BI選擇基于通用千問(wèn)的版本進(jìn)行訓(xùn)練，而不是從頭開(kāi)始。在這個(gè)過(guò)程中，我們進(jìn)行了哪些訓(xùn)練，增強(qiáng)了哪些能力，將在模型架構(gòu)層進(jìn)行介紹。

第二層是Agent任務(wù)層，相當(dāng)于樹(shù)葉的大枝干。智能小Q作為用戶(hù)和BI系統(tǒng)的交互入口，用于理解和處理用戶(hù)意圖，然后分發(fā)到具體的垂直智能任務(wù)中。最常見(jiàn)的場(chǎng)景是搭建編輯報(bào)表，包括問(wèn)答、閑聊和推薦。例如，用戶(hù)詢(xún)問(wèn)2023年浙江省的簽單金額情況，系統(tǒng)可以識(shí)別出這是查詢(xún)類(lèi)任務(wù)；如果用戶(hù)要求將圖表類(lèi)型改為線圖，那么這就是報(bào)表搭建類(lèi)問(wèn)題。

最里層是垂直任務(wù)層，相當(dāng)于樹(shù)葉的枝條，是應(yīng)用層面的原子Agent任務(wù)。這些原子任務(wù)已經(jīng)涵蓋了之前QBI已經(jīng)具備的能力，如傳統(tǒng)的機(jī)器學(xué)習(xí)能力、洞察歸因、異常檢測(cè)、智能搜索，以及為適配大模型而新接入的一些任務(wù)，如生成圖表、生成報(bào)表、配置修改和樣式美化。

下面將簡(jiǎn)要介紹其中的四項(xiàng)：

1、輔助搭建

在創(chuàng)新的報(bào)表搭建實(shí)踐中，Quick BI已經(jīng)從傳統(tǒng)的鼠標(biāo)拖拽操作模式轉(zhuǎn)型為便捷的自然語(yǔ)言指令輸入模式。用戶(hù)現(xiàn)在能夠簡(jiǎn)單地通過(guò)文字輸入向系統(tǒng)下達(dá)創(chuàng)建圖表、編輯標(biāo)題、甚至添加條件格式的指令。這一進(jìn)步的驅(qū)動(dòng)力來(lái)自于三大核心技術(shù)突破：精確定義的指令集，面向AI的指令化架構(gòu)升級(jí)，以及靈活高效的agent編排。

指令集的定義為模型提供了與BI系統(tǒng)交互的明確語(yǔ)法規(guī)則，指令化架構(gòu)的改造讓開(kāi)發(fā)者得以實(shí)現(xiàn)深層次的集成，確保BI工程系統(tǒng)準(zhǔn)確解讀模型的輸出。而agent的編排則保障了算子的有序執(zhí)行，這些算子是構(gòu)建大模型應(yīng)用時(shí)的基石，涵蓋角色設(shè)定、prompt改寫(xiě)、指令解析等任務(wù)。完成這些任務(wù)后，系統(tǒng)不僅能夠確定執(zhí)行流程，還能夠基于用戶(hù)互動(dòng)提供智能化的問(wèn)題推薦。這樣的技術(shù)融合使得BI報(bào)表搭建變得更加智能化、直觀和用戶(hù)友好。

2、一鍵美化

“一鍵美化”功能致力于將報(bào)表的視覺(jué)呈現(xiàn)提升至全新水準(zhǔn)，為用戶(hù)帶來(lái)既簡(jiǎn)易又高效的視覺(jué)設(shè)計(jì)體驗(yàn)。通過(guò)對(duì)儀表板進(jìn)行巧妙的層次設(shè)計(jì)，分為負(fù)責(zé)色彩搭配的圖表層和處理背景及裝飾元素的氛圍層，使得每份報(bào)表都能在視覺(jué)上脫穎而出。

該技術(shù)能力主要包括四部分：

• 首先，智能配色系統(tǒng)能從選定圖片中抽取主色調(diào)，并運(yùn)用先進(jìn)的色彩聚類(lèi)與匹配技術(shù)以及可視化算法，為用戶(hù)量身定制多樣化的色彩方案，既提速了配色流程，又確保了視覺(jué)的吸引力；
• 其次，立足于用戶(hù)體驗(yàn)專(zhuān)家長(zhǎng)年累月的實(shí)戰(zhàn)經(jīng)驗(yàn)，Quick BI總結(jié)了一系列圖表配置的最佳實(shí)踐，幫助用戶(hù)像搭配衣服一樣自由組合各種圖形配置；
• 第三，應(yīng)用LCH色彩模型而非傳統(tǒng)HSV模型，做到在色彩轉(zhuǎn)換時(shí)更精準(zhǔn)地保持亮度和對(duì)比度，以實(shí)現(xiàn)整體配色的和諧與高質(zhì)感；
• 最后，Quick BI精準(zhǔn)解讀字段數(shù)據(jù)的語(yǔ)義含義，從而智能匹配到最合適的圖標(biāo)修飾，確保每個(gè)細(xì)節(jié)都凸顯智能化技術(shù)的精巧與細(xì)膩。

（一鍵美化技術(shù)實(shí)現(xiàn)）

3、智能問(wèn)數(shù)

第三項(xiàng)創(chuàng)新功能，智能問(wèn)數(shù)，本質(zhì)上體現(xiàn)了NL（自然語(yǔ)言）到SQL（結(jié)構(gòu)化查詢(xún)語(yǔ)言）的技術(shù)轉(zhuǎn)換。這一功能賦予系統(tǒng)以自然口語(yǔ)的方式提出問(wèn)題的能力，激發(fā)了在數(shù)據(jù)可視化、高級(jí)運(yùn)算和靈活數(shù)據(jù)挖掘方面的潛力。

該過(guò)程緊湊且高效，包括四個(gè)步驟：

• 首先是精準(zhǔn)的意圖識(shí)別，配合細(xì)致的安全過(guò)濾；
• 緊接著根據(jù)元數(shù)據(jù)及部分?jǐn)?shù)據(jù)特征對(duì)數(shù)據(jù)實(shí)體進(jìn)行提取和召回；
• 之后是知識(shí)庫(kù)信息召回和模型prompt改寫(xiě)，進(jìn)而生成領(lǐng)域特定語(yǔ)言（Domain-Specific Language, DSL）；
• 最后實(shí)現(xiàn)BI系統(tǒng)對(duì)DSL的邏輯處理及數(shù)據(jù)源SQL方言的精準(zhǔn)轉(zhuǎn)譯和圖表的動(dòng)態(tài)渲染，以此完整地實(shí)現(xiàn)從用戶(hù)查詢(xún)到數(shù)據(jù)可視化的流暢轉(zhuǎn)換。

4、數(shù)據(jù)洞察

在探尋進(jìn)一步的數(shù)據(jù)分析時(shí)，Quick BI結(jié)合了傳統(tǒng)統(tǒng)計(jì)算法和大模型來(lái)完成任務(wù)。數(shù)據(jù)洞察的真實(shí)力量在于其深度解讀圖表和補(bǔ)全信息的能力，從而揭示數(shù)據(jù)背后的故事，并最終形成有力的數(shù)據(jù)驅(qū)動(dòng)結(jié)論以指導(dǎo)實(shí)踐中的決策過(guò)程。它是一種基于歷史數(shù)據(jù)、行業(yè)內(nèi)洞見(jiàn)和一系列相關(guān)數(shù)據(jù)集為參考，專(zhuān)注于識(shí)別和解析那些最具顯著性、對(duì)業(yè)務(wù)目標(biāo)波動(dòng)最具解釋力或提供深刻洞見(jiàn)的關(guān)鍵數(shù)據(jù)變動(dòng)。

面向AI的技術(shù)架構(gòu)設(shè)計(jì)和實(shí)現(xiàn)

1、面向AI的架構(gòu)設(shè)計(jì)

系統(tǒng)架構(gòu)設(shè)計(jì)的核心在于將用戶(hù)的自然語(yǔ)言指令轉(zhuǎn)化為機(jī)器可執(zhí)行的代碼和技術(shù)邏輯，最終顯現(xiàn)為直觀的前端產(chǎn)品體驗(yàn)。隨著大模型的突破性增長(zhǎng)，自然語(yǔ)言的指令能夠無(wú)縫轉(zhuǎn)化為代碼，進(jìn)而與底層技術(shù)邏輯相連通。這整個(gè)流程的關(guān)鍵在于AI中間層的加入，它引入了一套標(biāo)準(zhǔn)化的結(jié)構(gòu)化語(yǔ)言—領(lǐng)域特定語(yǔ)言(DSL)。這項(xiàng)創(chuàng)新確保了在BI領(lǐng)域中模型應(yīng)用編程的精確性和效率。

系統(tǒng)基于Quick BI已有的產(chǎn)品能力開(kāi)發(fā)，具有許多優(yōu)勢(shì)，我們屏蔽了底層數(shù)據(jù)源的SQL方言，使得模型不需要關(guān)心三十多種語(yǔ)言的SQL類(lèi)型；同時(shí)，它本身對(duì)接的是BI已有的能力，可以快速響應(yīng)用戶(hù)的提問(wèn)，支持高級(jí)分析和BI本身的意圖表達(dá)，比如年同比、環(huán)比，分組排序等；此外，還對(duì)接了強(qiáng)大的數(shù)據(jù)可視化能力，能夠展示各種圖表類(lèi)型。

在工程架構(gòu)上，進(jìn)行了面向AI的指令化架構(gòu)升級(jí)，包括會(huì)話層、指令系統(tǒng)、算子拆解、API層、渲染引擎和服務(wù)層。這里復(fù)用了BI系統(tǒng)內(nèi)成熟的基座，在能力層面將大模型的意圖理解與BI系統(tǒng)底層的渲染引擎、分析引擎進(jìn)行編排和處理。

在開(kāi)放層面，我們將系統(tǒng)內(nèi)部的執(zhí)行指令、流程控制、消息模型、取數(shù)邏輯等關(guān)鍵步驟拆解成原子API，供各個(gè)引擎組合式調(diào)用。QBI定義的這套架構(gòu)標(biāo)準(zhǔn)不僅滿(mǎn)足系統(tǒng)內(nèi)部需求，未來(lái)在合適的時(shí)機(jī)也具備開(kāi)放出去的能力、被更多AI、甚至是外部系統(tǒng)調(diào)用。

（面向AI的架構(gòu)設(shè)計(jì)）

2、BI領(lǐng)域大模型架構(gòu)

在探討B(tài)I領(lǐng)域大模型架構(gòu)的過(guò)程中，我們不斷強(qiáng)調(diào)大模型的重要性。這里產(chǎn)生了一個(gè)疑問(wèn)：

為何我們必須開(kāi)發(fā)BI領(lǐng)域的大模型？當(dāng)前的通用大模型，例如GPT或通義千問(wèn)等，真的無(wú)法掌握所有零散的知識(shí)嗎？

對(duì)此，我的回答是肯定的。系統(tǒng)運(yùn)轉(zhuǎn)并非完全取決于模型本身，其效果的好壞是有一定邊界和合理性的限制。通用模型無(wú)法全面了解Quick BI內(nèi)部系統(tǒng)的實(shí)現(xiàn)邏輯，即便它們對(duì)某些通用能力有一定了解，一旦系統(tǒng)更新至新版本，它們?nèi)匀粺o(wú)法掌握新的邏輯變化。

此外，通用模型也無(wú)法了解數(shù)據(jù)流轉(zhuǎn)的具體方式，更不會(huì)掌握客戶(hù)所在行業(yè)特有的知識(shí)。例如，對(duì)于“財(cái)年”這一概念，不同公司或行業(yè)有著不同的定義。這些特定的知識(shí)是大型通用模型所不了解的。

因此，為了使我們的模型能夠快速適應(yīng)復(fù)雜的BI系統(tǒng)，并確保最佳效果，引入領(lǐng)域模型層是必要的。在針對(duì)特定場(chǎng)景執(zhí)行任務(wù)時(shí)，我們并不需要模型具備過(guò)多的泛化推理能力，而只需它以最低成本確定性地完成某一類(lèi)特定任務(wù)。這時(shí)，AI Agent的架構(gòu)應(yīng)運(yùn)而生。

這里可以將此比喻為生產(chǎn)線上的工人，他們不需要深究公司的戰(zhàn)略藍(lán)圖，而只需專(zhuān)注高效完成分配給他們的具體任務(wù)；這里的AI命令就類(lèi)似于指派任務(wù)的監(jiān)工。在實(shí)踐應(yīng)用中，我們已經(jīng)在內(nèi)部實(shí)現(xiàn)了高效且穩(wěn)定的大模型推理服務(wù)系列，并通過(guò)不斷的優(yōu)化和自動(dòng)化微調(diào)框架的構(gòu)建，極大提升了數(shù)據(jù)訓(xùn)練的效率。這種快速迭代的模式讓我們的產(chǎn)品保持領(lǐng)先，搭建意圖識(shí)別準(zhǔn)確率已達(dá)到90%左右，而在調(diào)優(yōu)之后，推理吞吐較調(diào)優(yōu)前提高了至少200%，顯著增強(qiáng)了系統(tǒng)的整體性能。

3、架構(gòu)分層和部署能力

物理部署架構(gòu)主要分為兩部分：智能服務(wù) 和 BI基礎(chǔ)服務(wù)。

這兩個(gè)服務(wù)均支持作為SaaS（軟件即服務(wù)）提供，同時(shí)還可以在阿里云的VPC（虛擬私有云）進(jìn)行獨(dú)立部署，或在本地環(huán)境單獨(dú)部署。借助這種靈活的架構(gòu)，用戶(hù)可以享受到算法訓(xùn)練的便捷性，這部分工作完全由我們內(nèi)部管理，用戶(hù)可以實(shí)現(xiàn)即開(kāi)即用的產(chǎn)品體驗(yàn)。此外，部署成本相對(duì)較低，在線推理的任務(wù)可以運(yùn)行在A10顯卡上，而基礎(chǔ)的BI服務(wù)只需使用常規(guī)的ECS（彈性計(jì)算服務(wù)）即可。

在調(diào)用鏈路過(guò)程中，系統(tǒng)首先會(huì)對(duì)用戶(hù)的問(wèn)題進(jìn)行內(nèi)容安全審查和過(guò)濾（該服務(wù)目前僅限于公共云環(huán)境，若為獨(dú)立部署則需要用戶(hù)自行管理）。在大模型完成意圖識(shí)別、問(wèn)題拆解和關(guān)鍵信息召回等幾個(gè)關(guān)鍵步驟后，通過(guò)規(guī)劃路由到不同的Agent任務(wù)。以問(wèn)數(shù)為例，路由至NL2DSL鏈路后，系統(tǒng)會(huì)對(duì)維度值、知識(shí)庫(kù)、元數(shù)據(jù)等數(shù)據(jù)召回，通過(guò)子agent生成DSL后解析成對(duì)應(yīng)數(shù)據(jù)邏輯和渲染配置。

上面最重要的步驟是將用戶(hù)的語(yǔ)言通過(guò)BI領(lǐng)域模型，轉(zhuǎn)化成Quick BI分析服務(wù)可以理解的邏輯語(yǔ)言，并由分析引擎翻譯成對(duì)應(yīng)的SQL方言和內(nèi)置高級(jí)計(jì)算的算子執(zhí)行，結(jié)果返回后將通過(guò)多種圖表類(lèi)型和豐富的配置展示，與使用BI工具的傳統(tǒng)拖拽操作無(wú)異。

內(nèi)置的向量存儲(chǔ)系統(tǒng)會(huì)作為意圖理解的重要輔助會(huì)緩存必要關(guān)鍵信息，包括知識(shí)庫(kù)設(shè)置、報(bào)表配置信息、數(shù)據(jù)集元數(shù)據(jù)、關(guān)鍵維度枚舉值抽樣及操作上下文信息等。舉個(gè)例子來(lái)說(shuō)明使用上下文信息的場(chǎng)景：例如在修改報(bào)表時(shí)，若用戶(hù)意圖將“銷(xiāo)售金額”字段修改為“全年銷(xiāo)售金額”，系統(tǒng)會(huì)先在用戶(hù)正在操作的圖表內(nèi)尋找對(duì)應(yīng)的字段進(jìn)行修改。若定位不明，范圍可能擴(kuò)大至整個(gè)畫(huà)布。存儲(chǔ)用戶(hù)上下文信息有助于在整個(gè)指令解析過(guò)程中提高準(zhǔn)確度，尤其是當(dāng)某字段含有枚舉值時(shí)。如果大模型對(duì)這些枚舉值不熟悉，那么在處理相關(guān)查詢(xún)時(shí)，準(zhǔn)確率將受到影響，例如用戶(hù)詢(xún)問(wèn)“圓珠筆的銷(xiāo)量”，如果模型不清楚“圓珠筆”屬于“產(chǎn)品”字段中的一個(gè)枚舉值，則會(huì)對(duì)結(jié)果準(zhǔn)確性產(chǎn)生負(fù)面影響。

寫(xiě)在最后

引入AI和大模型技術(shù)到BI領(lǐng)域并非盲目跟風(fēng)，而是經(jīng)過(guò)深思熟慮的策略。目前，瓴羊Quick BI成功將自然語(yǔ)言處理融入數(shù)據(jù)分析的全過(guò)程，提高了數(shù)據(jù)處理的智能化水平，使企業(yè)能夠以更低的成本和更高的效率獲得有價(jià)值的洞察，從而作出更加精準(zhǔn)的業(yè)務(wù)決策。當(dāng)我們繼續(xù)在這條智能化的道路上前進(jìn)時(shí)，期待未來(lái)能夠解鎖更多的可能性，為用戶(hù)帶來(lái)更多創(chuàng)新的解決方案和服務(wù)，最終實(shí)現(xiàn)數(shù)據(jù)的最大價(jià)值轉(zhuǎn)化。

來(lái)源：QuickBI