近日，在 Kyligence 2024 数智论坛暨春季发布会上，Kyligence 联合创始人兼 CTO 李扬发表了题为《以 AI + 指标平台构建数智竞争力暨 Kyligence AI 解决方案发布》的演讲，宣布正式发布全新的企业级 AI 解决方案，基于服务金融、零售、制造、医药等行业领先客户的落地实践，Kyligence 将为企业提供准确、可靠、智能的 AI + 指标平台一站式解决方案，以行业领先的技术和稳定可靠的产品助力更多客户在数智化浪潮中掌握先机。

大家好，我是 Kyligence 的联合创始人兼 CTO 李扬，今天我们将聚焦讨论指标和 AI 对数据决策的重要性，以及我们在这个方向上所取得的进展和实践经验。

重新思考 “智能数据决策”

我们观察到，AI 在解决实际问题方面发挥着越来越重要的作用，尽管数据决策、智能决策的部分主要是由人来完成的，但我们相信在不久的将来，AI 将参与整个过程并逐步替代人力，实现决策自动化。很多企业都看好这个方向，因为人工智能在文本、音频、视频甚至代码的生成表现都已经很不错，并且可以代替部分人力工作了。那么，AI 在决策方面表现如何呢？我们一起先来看看人工智能是怎么来积累知识的。

最典型的文本学习和生成就是通过大量的语言和文本来描绘这个知识给到 AI，所以它是以语言为基本单位的。比如下图的 Sora，它的基本单位叫做影像的 Patches，就是在小的粒度单位上面来做知识的积累。

那我们回到最初的问题，数据决策的知识积累过程是什么样的？我们可以看下左图，ChatGPT 在对话过程中在一步步的“引导”下，学会了 1+1=3 的“数学事实”。以目前人工智能的学习方式来看，它其实不太适合数据决策的，其得出的结论准确度存疑。

数据决策的知识在哪里？我们认为指标是一个关键因素。就像前面说到语言是知识积累的开始，那么对于数据而言，统一的数据语言就是指标。具体到某个行业体系，综合考虑生产经营、销售这些模块，客单净利润的定义可能就是一连串精确的公式定义出来的。我们可以认为，要想做智能决策的积累，就要先积累指标这一标准的数据语言。

2023 年 Kyligence 产品全面集成 AI 能力，推出了智能一站式指标平台 Kyligence Zen 和 AI 数智助理 Kyligence Copilot，我们的产品已经在金融、零售、制造、医药等客户的真实场景中落地。

基于技术沉淀、创新产品和实践经验，Kyligence 正式发布了 AI 解决方案，将为企业级客户提供准确、可靠的 Data + AI 落地应用，通过对接企业已有的数据源，智能一站式指标平台将帮助企业实现统一的数据语言和目标管理，以及服务型的数据治理；其配备的 AI 数智助理将进一步降低业务用户使用数据的门槛，助力业务人员进行快速、准确的决策，为业务创新提供数据支持；此外，Kyligence 独具技术优势的企业级 OLAP 平台更将为企业大规模使用数据、推广 AI 应用提供坚实的技术底座。

具体来看，我们会帮助企业实现服务型的数据治理，这通常也是许多企业数据建设的第一步，即建立基础的数据服务。到目前为止，大多数企业可能已经完成了这一阶段。接下来，我们将推进到统一的数据语言阶段，利用指标这种简单且标准的语言来表达复杂的业务逻辑，类似于数据里的普通话，从而实现指标系统作为统一数据语言的功能。

接下来，企业可以进行统一的目标管理。设定指标后，即确定了目标：如销售目标、季度完成额，进一步对各个产品类别或市场进行具体的分解。基于统一的语言和目标，我们引入了 AI 数智助理来辅助用户解决问题，例如分析哪些指标与既定目标存在较大偏差，分析其背后的原因，并利用指标的血缘关系和深入分析功能来辅助找出解决方案。

一开始，决策大部分依靠人的辅助来形成一个决策的闭环，随着不断积累，我们可以沉淀出数字决策知识库，并随着知识的积累逐渐发展出 AI 的决策智能，这是我们设想的发展路径，我们的两款主要产品也将沿着这条路径推进。现在，企业可以通过 Kyligence 指标平台赋能各级用户：用户既可以使用 BI 工具或 Excel 进行数据分析，也可以通过简单的聊天交互来获取数据洞察，从而逐步建立起数据文化。

上图是 Kyligence Zen 中目标管理的页面，顶层目标被逐层细分，使我们能够完成设目标、追过程、要结果的全流程。这一机制助力企业构建一个可衡量、可追踪、可执行的北极星目标跟踪体系。Kyligence 的 AI 数智助理不仅可以总结目标进展，还能细化到每日的目标实现情况，以及细化到全国数千个门店的具体情况，并进一步针对各类产品，分析推广新品的策略。

在庞大的目标管理系统中，AI 数智助理能够准确汇报整体进展，提供高风险预警及相关建议，极大地提升决策效率和预见性。此外，关于系统的可靠性和安全性，Kyligence 已实现上下游的安全集成，并与各个数据开放产品进行了深度整合，确保了整个系统的稳固与可靠。这一技术发展路径上，我们已积累了一系列核心技术，为未来的发展奠定了坚实基础。

Kyligence AI 解决方案独具创新的全自动智能优化，基于企业级 OLAP 平台的一站式指标平台，融合了指标开发、治理、服务一体化的关键技术，以及前面提及能够利用 AI 进行大范围的目标管理和目标评估的关键技术。右侧的 AI 数智助理现已能够进行对话式数据分析，完成智能归因，并快速定位业务痛点。接下来，我还会分享 Kyligence 如何做到 95% 的准确性和 100% 的可解释性。此外，我们正在持续强化围绕知识库的 AI 决策能力。综合上述能力，Kyligence AI 解决方案在市面上还是具有很强大的核心竞争力。

AI 对话类数据分析的进展和实践

今天，我想分享 Kyligence 如何帮助头部金融机构解决数据方面的一系列挑战，并大幅提升数据效率。这里先简单分享一个场景，例如领导层希望能随时查看最新的目标进展并得到即时反馈。一般大家在进行向上汇报时，需要处理和汇总分散于不同系统中的大量数据，很容易遇到数据口径不统一的问题。同时，前线客户经理也需要实时的数据响应，而 IT 部门不一定能及时提供所需支持。

Kyligence 提供的 AI + 指标平台一站式解决方案能帮助企业更好地应对这些挑战。这里我们以灵活报表场景为例，如绩效分析这种具体的用数场景，Kyligence 可以通过对话式交互满足管理层、中层以及基层的各种数据需求，指标平台不仅提供很高的精确性，还确保了数据的 100% 可解释性，用户友好且高效。

准确性是 AI 能够商用需要考虑的重要条件，一般认为需要达到 95% 以上。关于准确度感兴趣的朋友可以搜索右侧的博客，主要是介绍 IBM Watson 在人工智能领域应用分析企业员工流失率的一个示例。尽管从技术角度看，这是一个 95% 准确的人工智能系统，然而从 HR 的视角看，这意味着 AI 提供的建议正确与错误各占一半，实际应用中大约有一半是误报，可以说在商业应用中达到 100% 的可解释性和可靠性是必要的。

大家可以看到，基于标准的指标体系，AI 数智助理在充分优化以后，是可以达到非常高的准确度和响应速度，目前 Kyligence 产品已经可以达到 95% 的准确率和 100% 的可解释性。这里稍微展开下，简单分享我们是如何保证用户得到的数据和结论是正确的。

总体来看，我们关注两个核心问题：语言理解的准确性和数据的安全性。在语言理解准确性方面，目前主要有两个技术路径：一是“自然语言到 SQL”（NL to SQL），二是 Kyligence 提出的“自然语言到指标查询再到 SQL”（NL to Metric Query to SQL）。这两者的关键区别在于可解释性。对于技术人员而言，NL to SQL 能显著减少编写 SQL 的时间，约节省 30%-40%的时间。然而，对于非专业用户，这种方法尚有不足，因为生成的 SQL 难以被业务用户直接理解和验证，从而无法进行必要的调整。

我们采用的方案是先将自然语言转化为指标查询，然后转化为 SQL。这种方式的查询结果是可解释且易于理解的，确保了每个普通用户都能完全理解过程，实现了 100% 的可解释性。关于理解的准确性，我们知道大模型或其他人工智能模型的复杂度和可靠性之间存在一定的关系。复杂度越高，需要的训练数据就越多，以达到模型的预期性能，但同时其可解释性会下降，在 AI 技术发展中我们始终要权衡这一点。

因此从这个角度看，使用 SQL 作为模型训练的目标并不是最理想的选择。SQL 表达力和灵活性都太强了，这也就导致了其可解释性的降低，因为复杂的 SQL 语句可能只有非常专业的技术人员才能正确解读和评估其准确性。同时，这种方法对训练数据的需求也非常大。因此，我们更倾向于在性能和复杂度的权衡中寻找一个较为理想的点。这就是为什么我们认为将自然语言转换为指标查询可能是基于当前技术背景下更优的选择。

右侧截图来自 OpenAI，它也提示目前 SQL 的自动生成是一个高风险技术，并且在生产环境中并不完全可靠，其实在商业应用场景时，整个技术界目前都不太推荐在生产环境中直接使用 SQL 生成技术。

回到 Kyligence AI 的技术路线，我们采用的是 Multi-agent 多智能体架构，主要路径是将自然语言转换成指标，然后再转换为 SQL 查询。这种方式符合企业对数据安全和可靠性的首要需求。同时，我们还辅以代码生成和 SQL 生成，主要是为了应对未来技术的发展，并为技术型用户提供效率提升的可能性。虽然我们的路线支持多智能体并行发展，但主推的还是以指标查询为主的“安全驾驶模式”。

在这种模式中，用户能够充分使用 AI 数智助理。在特定分析主题的上下文中，尽管 AI 数智助理的能力一定程度上受限，但足以回答各种业务问题，并确保高准确率，这也是 Kyligence 能保证 95% 准确率和 100% 可解释性的重要原因。

我们简单统计了下，当前技术在处理问答时对推理计算的需求可以优化到小于 2000 个 Token，并配备了持续增强机制。同时，用户可以通过反馈告知 AI 数智助理理解错误的地方，并指导其学习正确的意图，从而不断提升其理解能力，让 AI 持续提升和增强理解能力。

数据安全性对于企业级用户尤为重要。企业将数据导入大模型时存在很多顾虑，如数据是否能存储在公司外网或云上，以及数据权限和控制问题。例如，需要防止未授权人员访问敏感数据，以及数据背后所包含的业务沉淀和知识等。

在 Kyligence AI 解决方案中，我们采用指标平台确保数据安全，大模型不直接访问或查询企业的全部数据。Kyligence 通过将自然语言转换为指标查询，并在指标平台系统内完成所有操作，从而确保数据的准确性和可靠性，以及企业级的安全管控，如角色和行级数据访问控制。这些控制措施均通过指标平台配置实现，确保每个人仅能访问其业务线相关的数据。通过这种方式，指标和 AI 结合的系统不仅安全，还能形成一个强大而有效的解决方案。

小结

我们看到，结合指标和 AI 的决策智能将是未来趋势，我们相信 AI 将具备支持人类做出更复杂决策的能力。当然，万事开头难，就像使用语言文本训练当今的大型语言模型一样，我们需要用高质量的数据来培养我们的决策智能系统。高质量的数据来自指标体系，指标是数据的统一语言，就像数据里的普通话，确保每个人对销售额和成本的理解是一致的，这样积累的数据和决策知识才是高质量的，而只有高质量的数据才能训练出高质量的人工智能。

就 AI 在当前的应用而言，Kyligence 的 AI 数智助理已经能在目标评估、分析管理和对话式数据分析等方面显著提升人类的工作效率，并带来快速的价值实现和闭环反馈。Kyligence AI 解决方案已经达到了商业应用的标准，能实现 95% 的准确率和 100% 的可解释性。万事开头难，但是跨出这第一步，就要开始做一系列知识积累，对话的解读以及决策知识的闭环，才能把这一个长期的人工智能的工程给它做下去。

SaaS 当年推出的时候，有一句话叫软件在吞噬世界；而今天，我们看到 AI 在吞噬软件，Kyligence 则是在这个浪潮中顺势而为迈出的一小步，希望今天的方案和分享对大家有启发，谢谢。