Data+AI下一代數(shù)智平臺建設(shè)指南03

企業(yè)構(gòu)建Data+AI平臺需要具備哪些關(guān)鍵能力06目錄Data與AI技術(shù)的可組裝性/07端到端的Data+AI全生命周期開發(fā)與業(yè)務(wù)集成/07多模態(tài)數(shù)據(jù)（結(jié)構(gòu)化非結(jié)構(gòu)化數(shù)據(jù)）的處理與增強(qiáng)/07統(tǒng)一元數(shù)據(jù)驅(qū)動的治理與合規(guī)/07自主代理分析（Agentic

Analytics）/07云原生彈性架構(gòu)與多云部署/0802驅(qū)動企業(yè)構(gòu)建Data+AI平臺的核心要素

04主動選擇：主要是針對頭部企業(yè)在構(gòu)建面對AI賦能的大數(shù)據(jù)平臺時，需要突破現(xiàn)有的能力范疇，構(gòu)建新的AI應(yīng)用場景/05被動應(yīng)對：主要是針對現(xiàn)有的數(shù)據(jù)資產(chǎn)通過AI賦能進(jìn)行優(yōu)化，以解決現(xiàn)有的問題，通過AI提升團(tuán)隊對數(shù)據(jù)資產(chǎn)的管理能力，降低整體成本/05傳統(tǒng)數(shù)據(jù)平臺在應(yīng)對生成式AI帶來的新型數(shù)據(jù)需求時，正面臨嚴(yán)峻挑戰(zhàn)/020

1

生成式AI時代的數(shù)據(jù)挑戰(zhàn)：企業(yè)轉(zhuǎn)型的核心瓶頸01Data+AI未來發(fā)展065805

Data+AI典型行業(yè)應(yīng)用場景56騰訊云數(shù)據(jù)分析智能體（TCDataAgent）（即將上線）/14騰訊云BI智能助手ChatBI/17WeData

Notebook

/

19WeData

DataOps

/

20WeData

MLOps

/

22WeData

Unity

Semantics/

24Oceanus流批增量一體化/27數(shù)據(jù)湖計算DLC/28AI數(shù)據(jù)湖服務(wù)TCLake（即將上線）/29ES向量搜索/31TBDS多模態(tài)數(shù)據(jù)湖倉/32騰訊云數(shù)據(jù)庫AI服務(wù)/36騰訊云向量數(shù)據(jù)庫/38TDSQL-C/

39騰訊云智能體開發(fā)平臺TCADP/42騰訊云TI平臺/43Data

Platform數(shù)據(jù)平臺解決方案/44Data

Engine數(shù)據(jù)樞紐解決方案/46數(shù)據(jù)萬象MetaInsight/48日志服務(wù)CLS/50騰訊云數(shù)據(jù)和智能安全/5204

騰訊云Data+AI產(chǎn)品方案及優(yōu)勢09WeDataAgent

/

11大數(shù)據(jù)智能管家TCInsight/34生成式AI時代的數(shù)據(jù)挑戰(zhàn)：企業(yè)轉(zhuǎn)型的核心瓶頸0101

-數(shù)據(jù)是數(shù)字化時代企業(yè)的核心戰(zhàn)略資產(chǎn)。生成式AI（GenAI）與大語言模型（LLM）的崛起，正深刻重構(gòu)企業(yè)的生產(chǎn)力范式、協(xié)作模式、業(yè)務(wù)流程與組織架構(gòu)。它推動企業(yè)從“部門割裂”走向“跨職能協(xié)同”，從“層級管控”邁向“網(wǎng)狀協(xié)作”。在LLM日益商品化與生態(tài)多極化的背景下，提升數(shù)據(jù)管理能力以賦能業(yè)務(wù)價值，已成為企業(yè)唯一可持續(xù)的競爭差異點。DeepSeek

R1等模型的開放與低推理成本加速了這一趨勢，競爭焦點正從“模型競爭”轉(zhuǎn)向“高價值數(shù)據(jù)資產(chǎn)競爭”——AI發(fā)展的核心瓶頸日益凸顯于數(shù)據(jù)質(zhì)量而非算法本身，企業(yè)亟需構(gòu)建系統(tǒng)性數(shù)據(jù)工程能力，通過持續(xù)迭代優(yōu)化數(shù)據(jù)（而非頻繁調(diào)整模型）來釋放AI潛能。Gartner表示，企業(yè)組織數(shù)據(jù)的關(guān)鍵差異不在于擁有多少數(shù)據(jù)，而在于擁有多少高價值數(shù)據(jù)，而這些數(shù)據(jù)是其他公司難以復(fù)制的。一家擁有寶貴數(shù)據(jù)卻未能將其應(yīng)用于人工智能和分析計劃的公司，本質(zhì)上是在迎接顛覆。然而，傳統(tǒng)數(shù)據(jù)平臺在應(yīng)對生成式AI帶來的新型數(shù)據(jù)需求時，正面臨嚴(yán)峻挑戰(zhàn)：如何激活沉睡的數(shù)據(jù)資產(chǎn)，釋放非結(jié)構(gòu)化數(shù)據(jù)價值Gartner研究表明，非結(jié)構(gòu)化數(shù)據(jù)占當(dāng)今組織數(shù)據(jù)的70%至90%。受生成式人工智能（Generic

AI）計劃、多模態(tài)數(shù)據(jù)處理需求的爆炸式增長以及合規(guī)性壓力的推動，企業(yè)對非結(jié)構(gòu)化數(shù)據(jù)管理的需求急劇增長。因此，非結(jié)構(gòu)化數(shù)據(jù)處理支出在數(shù)據(jù)管理總支出中所占的份額將越來越大。Gartner預(yù)測到2027年，專注于多結(jié)構(gòu)化數(shù)據(jù)管理的IT支出將占數(shù)據(jù)管理技術(shù)和服務(wù)總IT支出的40%。傳統(tǒng)數(shù)據(jù)處理工具在元數(shù)據(jù)提取、智能分塊、摘要生成和高效向量化存儲等方面能力不足，難以滿足GenAI應(yīng)用的復(fù)雜要求。升級工具鏈與方法論，是釋放海量非結(jié)構(gòu)化數(shù)據(jù)價值的先決條件。騰訊基于以上挑戰(zhàn)，推出了開放、統(tǒng)一數(shù)據(jù)湖服務(wù)TCLake，混合搜索的ES；而應(yīng)對私有化場景的海量非結(jié)構(gòu)化、多模態(tài)數(shù)據(jù)挑戰(zhàn)，騰訊也推出了TBDS多模態(tài)數(shù)據(jù)湖倉服務(wù)。如何打破壁壘，實現(xiàn)數(shù)據(jù)到智能的高效轉(zhuǎn)化AI的真正價值在于將企業(yè)蘊藏的龐大數(shù)據(jù)資產(chǎn)轉(zhuǎn)化為可行動的智能。然而，調(diào)研顯示企業(yè)AI項目平均落地周期長達(dá)數(shù)周甚至數(shù)月，遠(yuǎn)落后于業(yè)務(wù)需求的快速迭代節(jié)奏。其核心瓶頸在于傳統(tǒng)模式下，數(shù)據(jù)管理與AI開發(fā)嚴(yán)重割裂——數(shù)據(jù)團(tuán)隊的工作臺與AI工程師的訓(xùn)練/部署平臺互不相通，形成巨大的協(xié)作斷層。導(dǎo)致：時效性差：從數(shù)據(jù)到分析預(yù)測涉及多系統(tǒng)、多團(tuán)隊、多流程，響應(yīng)遲鈍（如零售銷售預(yù)測因周期長導(dǎo)致庫存問題）。重復(fù)投入成本高：數(shù)據(jù)工程師大量精力耗費在跨平臺數(shù)據(jù)搬運、格式轉(zhuǎn)換與系統(tǒng)對接上，而非創(chuàng)造差異化AI應(yīng)用。騰訊基于以上挑戰(zhàn)，推出了Data+AI一體化解決方案：DLC+WeDataDataOps+WeData

MLOps，將大數(shù)據(jù)與AI、機(jī)器學(xué)習(xí)等功能集成于一體，實現(xiàn)更好體驗和更低成本。如何駕馭數(shù)據(jù)洪流，應(yīng)對海量數(shù)據(jù)高并發(fā)協(xié)作、實時數(shù)據(jù)處理的新挑戰(zhàn)隨著生成式AI在企業(yè)業(yè)務(wù)中加速滲透，海量、實時、動態(tài)的數(shù)據(jù)處理需求不斷涌現(xiàn)：無論是客戶服務(wù)中的對話生成、金融風(fēng)控場景（譬如信用卡盜刷、秒級放貸），還是供應(yīng)鏈中的動態(tài)預(yù)警，都對系統(tǒng)的吞吐能力、實時性和橫向擴(kuò)展性提出了挑戰(zhàn)。-

02效果不穩(wěn)定：實驗室里表現(xiàn)優(yōu)異的模型，到了真實業(yè)務(wù)場景中常?！八敛环保ㄒ驗閿?shù)據(jù)環(huán)境變了卻難以及時更新），影響決策質(zhì)量；然而傳統(tǒng)數(shù)據(jù)架構(gòu)為批處理而生，難以支持流式數(shù)據(jù)的秒級響應(yīng)與動態(tài)查詢；數(shù)據(jù)與AI的交互過程更進(jìn)一步拉高了對數(shù)據(jù)讀寫和加工時效性的要求。騰訊基于以上挑戰(zhàn)，推出了Oceanus深度融合流處理和AI，保障業(yè)務(wù)實時性。如何構(gòu)建可信的數(shù)據(jù)治理與安全體系在生成式AI應(yīng)用場景中，數(shù)據(jù)質(zhì)量、合規(guī)性和安全保障成為企業(yè)面臨的核心難題。一方面，企業(yè)面臨數(shù)據(jù)源激增、數(shù)據(jù)孤島嚴(yán)重的挑戰(zhàn)（據(jù)統(tǒng)計企業(yè)平均管理400+異構(gòu)數(shù)據(jù)源）；另一方面，企業(yè)需打造動態(tài)、可追溯的數(shù)據(jù)治理體系，避免“幻覺輸出”與隱私風(fēng)險。根據(jù)2023年Gartner分析和人工智能采用調(diào)查，解決風(fēng)險和治理問題以及對發(fā)現(xiàn)的分析/指標(biāo)缺乏信任是自助服務(wù)分析開發(fā)人員面臨的最大挑戰(zhàn)。根據(jù)2024年Gartner數(shù)據(jù)和分析治理調(diào)查，近一半的受訪者認(rèn)為“難以在不同部門/業(yè)務(wù)單位之間標(biāo)準(zhǔn)化數(shù)據(jù)”是其組織面臨的最大D&A治理相關(guān)挑戰(zhàn)之一。同時，在上述2024年網(wǎng)絡(luò)研討會上，當(dāng)受訪者被問及不在ABI平臺內(nèi)利用GenAI的原因時，28%的受訪者強(qiáng)調(diào)GenAI功能未得到內(nèi)部安全/法律/合規(guī)團(tuán)隊（內(nèi)部政策）的批準(zhǔn)，另有20%的受訪者提到對數(shù)據(jù)質(zhì)量缺乏信心。然而，傳統(tǒng)數(shù)據(jù)平臺在數(shù)據(jù)治理上還有很多不足：缺乏統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)和業(yè)務(wù)口徑；依賴靜態(tài)規(guī)則，難以靈活應(yīng)對生成式AI場景下動態(tài)多變的數(shù)據(jù)訪問需求（如基于上下文的敏感信息實時脫敏）；治理流程自動化程度低、效率差。企業(yè)需要更智能、更動態(tài)的數(shù)據(jù)治理和隱私保護(hù)機(jī)制。騰訊基于以上挑戰(zhàn)，推出了WeData

Unity

Semantics和WeData

DataOps，破解數(shù)據(jù)孤島、業(yè)務(wù)技術(shù)鴻溝和治理難題。如何讓數(shù)據(jù)智能賦能全員，加速組織效率生成式AI時代要求企業(yè)從數(shù)據(jù)中提升效率、獲取洞察的速度大幅提升——例如產(chǎn)品銷售型企業(yè)需要更實時地解讀客戶反饋，供應(yīng)鏈型企業(yè)要能更及時地預(yù)測物流風(fēng)險。這要求三類人群快速提升數(shù)據(jù)能力：數(shù)據(jù)工程人員需要提升效率：傳統(tǒng)的編碼方法需要手動拼接SQL和Python工具鏈，單個數(shù)據(jù)分析管道的部署通常需要數(shù)天時間。未來，AI增強(qiáng)的數(shù)據(jù)集成工具將使管道設(shè)計、錯誤修復(fù)和數(shù)據(jù)映射方面的人工工作量大幅減少。運維人員需提效：過往大企業(yè)需要多個5年以上經(jīng)驗的運維團(tuán)隊。但如果通過工具提效，運維團(tuán)隊需要的人數(shù)、所需經(jīng)驗都可大幅下降。業(yè)務(wù)人員需零門檻獲得洞察：一線人員因無法用自然語言直接提取數(shù)據(jù)（如“請列出上月退貨率＞5%的產(chǎn)品”），被迫依賴

IT團(tuán)隊中轉(zhuǎn)，延誤業(yè)務(wù)決策時機(jī)。自然語言將成為數(shù)據(jù)生態(tài)系統(tǒng)交互的標(biāo)準(zhǔn)接口，利用語義抽象來掩蓋底層技術(shù)復(fù)雜性，從而顯著提升業(yè)務(wù)用戶的數(shù)據(jù)消費效率。然而，當(dāng)前傳統(tǒng)平臺依然使得開發(fā)者陷入低效重復(fù)工程，業(yè)務(wù)人員的數(shù)據(jù)需求響應(yīng)周期長達(dá)數(shù)周。導(dǎo)致組織難以挖掘數(shù)據(jù)價值、對于市場響應(yīng)遲滯于競爭對手。為了讓數(shù)據(jù)智能賦能全員，騰訊云推出了一系列智能產(chǎn)品，其中WeDataAgent服務(wù)數(shù)據(jù)工程&數(shù)據(jù)科學(xué)人員；TCInsight服務(wù)運維人員；針對業(yè)務(wù)人員、管理者如何能更高效獲得洞察，騰訊推出了專注于解析數(shù)據(jù)的ChatBI，和強(qiáng)調(diào)探索分析的TCDataAgent，真正促進(jìn)組織轉(zhuǎn)型。由此可見，生成式AI時代的數(shù)據(jù)挑戰(zhàn)核心在于：挖掘非結(jié)構(gòu)化數(shù)據(jù)的價值、打通數(shù)據(jù)到智能的轉(zhuǎn)化壁壘、駕馭海量實時數(shù)據(jù)洪流的處理需求、構(gòu)建可信的數(shù)據(jù)治理與防護(hù)體系，以及實現(xiàn)數(shù)據(jù)能力的全員普惠。03

-02驅(qū)動企業(yè)構(gòu)建

Data+AI平臺的核心要素-

04數(shù)據(jù)資產(chǎn)是AI時代的“新石油”，而Data+AI平臺則是驅(qū)動數(shù)據(jù)價值轉(zhuǎn)化的“精煉引擎”。高質(zhì)量訓(xùn)練數(shù)據(jù)決定LLM模型性能的上限，企業(yè)要在這場AI浪潮中勝出，必須構(gòu)建Data+AI雙輪驅(qū)動的一體化平臺——這是企業(yè)智能決策與業(yè)務(wù)創(chuàng)新的核心基石。通常來說，驅(qū)動企業(yè)構(gòu)建Data+AI平臺主要分為主動選擇以及被動應(yīng)對兩個方面的因素：主動選擇：主要是針對頭部企業(yè)在構(gòu)建面對AI賦能的大數(shù)據(jù)平臺時，

需要突破現(xiàn)有的能力范疇，構(gòu)建新的AI應(yīng)用場景，包括以下兩個部分：被動應(yīng)對：主要是針對現(xiàn)有的數(shù)據(jù)資產(chǎn)通過AI賦能進(jìn)行優(yōu)化，以解決現(xiàn)有的問題，通過AI提升團(tuán)隊對數(shù)據(jù)資產(chǎn)的管理能力，降低整體成本，包括下面三個部分：針對統(tǒng)一平臺與數(shù)據(jù)基座降低“非必要成本”大模型微調(diào)、多模態(tài)數(shù)據(jù)處理、提示工程等能力需要高度專業(yè)化人才；AI價值需通過人才實現(xiàn)從“技術(shù)可用性”到“業(yè)務(wù)適配性”的轉(zhuǎn)化（例如將通用大模型改造為行業(yè)專屬模型）。而統(tǒng)一Data+AI平臺能夠減少重復(fù)性投入：通過企業(yè)級Data+AI平臺統(tǒng)一技術(shù)棧，避免各部門重復(fù)搭建數(shù)據(jù)管道、訓(xùn)練基礎(chǔ)模型；破除單一數(shù)據(jù)源的協(xié)作壁壘，減少因數(shù)據(jù)孤島產(chǎn)生的內(nèi)耗，降低跨部門數(shù)據(jù)對齊的溝通成本；可視化低代碼工具讓業(yè)務(wù)人員自主完成80%的常規(guī)分析，釋放技術(shù)人才聚焦高價值任務(wù)。構(gòu)建數(shù)據(jù)和AI在統(tǒng)一平臺高效聯(lián)動提高快速應(yīng)對業(yè)務(wù)復(fù)雜性的能力Data+AI能夠讓數(shù)據(jù)和AI團(tuán)隊在一個平臺上進(jìn)行協(xié)作，端到端的完成AI開發(fā)，數(shù)據(jù)管理為AI應(yīng)用提供高效數(shù)據(jù)支撐，而AI又能反向增強(qiáng)數(shù)據(jù)管理的智能化水平（例如基于LLM構(gòu)建Copilot等），進(jìn)而形成Data和AI相互促進(jìn)相互提升的良性循環(huán)。需要提升數(shù)據(jù)治理的質(zhì)量，以便保護(hù)已有的數(shù)據(jù)資產(chǎn)Data+AI能夠提供更高效治理的數(shù)據(jù)（包括非結(jié)構(gòu)化數(shù)據(jù)），讓企業(yè)在AI實際落地的場景中去規(guī)避數(shù)據(jù)安全隱私的問題，減少AI的幻覺，增強(qiáng)用戶使用AI所帶來的用戶體驗和正反饋。需要提升業(yè)務(wù)敏捷與控制創(chuàng)新浪費高層對于Gen

AI等新技術(shù)對業(yè)務(wù)落地有緊迫性。而另一方面，市場上GPU資源非常難采購且非常昂貴。導(dǎo)致數(shù)據(jù)團(tuán)隊負(fù)責(zé)人需要在

Data+AI部署時既要兼顧業(yè)務(wù)價值敏捷迭代又要兼顧投資費用。自動化數(shù)據(jù)流程提升效率生成式AI（GenAI）與主動元數(shù)據(jù)管理結(jié)合，可自動化數(shù)據(jù)攝取、清洗及轉(zhuǎn)換等繁瑣流程，減少人工干預(yù)。通過統(tǒng)一數(shù)據(jù)生態(tài)系統(tǒng)整合分散的數(shù)據(jù)管理組件，減少多平臺維護(hù)復(fù)雜度。05

-03企業(yè)構(gòu)建Data+AI平臺需要具備哪些關(guān)鍵能力-

0607

-Data與AI技術(shù)的可組裝性在技術(shù)高速迭代的時代，Data與AI技術(shù)的可組裝性（Composability）已成為企業(yè)構(gòu)建數(shù)智平臺的核心挑戰(zhàn)。當(dāng)前技術(shù)迭代速度飛快，技術(shù)生命周期縮短，關(guān)鍵組件的有效性窗口期急劇壓縮。例如，AI領(lǐng)域的大語言模型平均每3-5個月即出現(xiàn)代際升級（如從GPT-3到GPT-4），數(shù)據(jù)管理領(lǐng)域的向量檢索、湖倉一體架構(gòu)等技術(shù)也在快速演進(jìn)，半年前的技術(shù)方案可能在短期內(nèi)被顛覆。單一技術(shù)很難長期占據(jù)核心地位。以數(shù)據(jù)平臺為例，當(dāng)前向量數(shù)據(jù)庫因支持AI語義理解而成為關(guān)鍵能力，但隨著圖計算、神經(jīng)符號系統(tǒng)等技術(shù)的發(fā)展，其地位可能被新型存儲計算范式取代。在這種背景下，企業(yè)需要構(gòu)建“可插拔式Data+AI平臺”，通過模塊化架構(gòu)實現(xiàn)三大能力：靈活替換將數(shù)據(jù)存儲、計算引擎、模型服務(wù)等組件解耦為標(biāo)準(zhǔn)化模塊，支持隨技術(shù)迭代快速更換。動態(tài)擴(kuò)展通過API網(wǎng)關(guān)和微服務(wù)架構(gòu)，無縫集成新興技術(shù)（如量子計算加速器、新型多模態(tài)模型）。成本可控避免因技術(shù)過時導(dǎo)致的“架構(gòu)推倒重來”，僅需局部升級即可適應(yīng)變化。端到端的Data+AI全生命周期開發(fā)與業(yè)務(wù)集成Data+AI開發(fā)包括數(shù)據(jù)處理、模型構(gòu)建及大模型訓(xùn)練等環(huán)節(jié)。平臺需提供全面的開發(fā)工具，并實現(xiàn)從數(shù)據(jù)到AI模型的全流程管理，以確保數(shù)據(jù)與AI的深度融合。同時不同團(tuán)隊能在統(tǒng)一平臺上高效協(xié)作，有效降低管理成本，提升開發(fā)效率。通過構(gòu)建Data+AI一體化平臺，顯著縮短數(shù)據(jù)到AI的交付周期（從數(shù)月縮短至數(shù)周甚至更短），提升數(shù)據(jù)工程效率50%+。如：在金融行業(yè)，在新的監(jiān)管政策下，需要快速實現(xiàn)合規(guī)報送，否則面臨處罰，客戶通過平臺實時數(shù)據(jù)管道整合交易、征信等多源數(shù)據(jù)，實現(xiàn)風(fēng)險模型的快速迭代和動態(tài)調(diào)優(yōu)，快速滿足合規(guī)要求。多模態(tài)數(shù)據(jù)（結(jié)構(gòu)化非結(jié)構(gòu)化數(shù)據(jù)）的處理與增強(qiáng)AI應(yīng)用通常會涉及到結(jié)構(gòu)化及非結(jié)構(gòu)化的數(shù)據(jù)使用，因此Data+AI平臺需要具備多模數(shù)據(jù)管理能力，方便企業(yè)在Data+AI開發(fā)過程中高效利用各種類型的數(shù)據(jù)，將多模態(tài)數(shù)據(jù)轉(zhuǎn)化為機(jī)器可理解、業(yè)務(wù)可操作的“智能燃料”（Intelligent

Fuel），驅(qū)動企業(yè)從“數(shù)據(jù)存儲”邁向“數(shù)據(jù)驅(qū)動”。統(tǒng)一元數(shù)據(jù)驅(qū)動的治理與合規(guī)為確保AI應(yīng)用的高效產(chǎn)出，平臺必須兼顧數(shù)據(jù)的準(zhǔn)確性、可用性和安全性，同時注重模型的質(zhì)量和應(yīng)用的實際效果。因此，平臺需要涵蓋Data+AI的元數(shù)據(jù)管理、數(shù)據(jù)質(zhì)量、安全性等治理能力。通過構(gòu)建一個治理框架統(tǒng)一數(shù)據(jù)語義，讓企業(yè)區(qū)分?jǐn)?shù)據(jù)責(zé)任人，數(shù)據(jù)使用者之間的關(guān)系，讓數(shù)據(jù)使用的責(zé)任權(quán)利對等，對Data+AI落地過程中業(yè)務(wù)對數(shù)據(jù)使用的顧慮進(jìn)行前期的管理。該平臺應(yīng)通過統(tǒng)一的治理方案，實現(xiàn)數(shù)據(jù)和AI的全面管理，以提升AI應(yīng)用的整體性能和可靠性。自主代理分析（Agentic

Analytics）在Data+AI平臺中，Agentic

Analytics（自主分析）通過智能化的數(shù)據(jù)管理、自動化決策和主動式分析能力，顯著提升了數(shù)據(jù)驅(qū)動業(yè)務(wù)的價值。例如自動化數(shù)據(jù)清洗：通過AI代理識別臟數(shù)據(jù)（如缺失值、異常值），并主動執(zhí)行修復(fù)（如填充、插值）；動態(tài)數(shù)據(jù)血緣追蹤：自主記錄數(shù)據(jù)來源、轉(zhuǎn)換路徑和使用記錄，確保合規(guī)性與可追溯性。-

08云原生彈性架構(gòu)與多云部署企業(yè)采用解耦的云服務(wù)架構(gòu)（如邏輯數(shù)據(jù)倉庫、數(shù)據(jù)湖），結(jié)合FinOps工具優(yōu)化資源使用，實現(xiàn)跨云數(shù)據(jù)合規(guī)與成本可控。而收斂的數(shù)據(jù)管理平臺進(jìn)一步減少獨立系統(tǒng)采購，企業(yè)通過多家戰(zhàn)略供應(yīng)商的集成套件構(gòu)建統(tǒng)一的AI就緒架構(gòu)，使采購復(fù)雜度和運營開銷得以降低。企業(yè)構(gòu)建新一代Data+AI一體化平臺需通過技術(shù)融合（如數(shù)據(jù)編織、RAG）、架構(gòu)優(yōu)化（多云解耦）及組織變革（技能升級），助力企業(yè)實現(xiàn)數(shù)據(jù)資產(chǎn)最大化利用、敏捷響應(yīng)市場變化，并構(gòu)建基于AI的持續(xù)創(chuàng)新能力。這不僅是技術(shù)升級，更是提升核心競爭力和業(yè)務(wù)價值的關(guān)鍵戰(zhàn)略。騰訊云Data+AI產(chǎn)品方案及優(yōu)勢0409

-面對生成式AI時代的機(jī)遇與挑戰(zhàn)，騰訊云致力于通過Data+AI技術(shù)的深度融合與創(chuàng)新，為企業(yè)構(gòu)建高效、智能的企業(yè)級Data+AI基礎(chǔ)設(shè)施，加速企業(yè)的數(shù)智化轉(zhuǎn)型與效率變革。騰訊云Data+AI平臺以數(shù)據(jù)管理為核心，整合AI算力、數(shù)據(jù)存儲分析、數(shù)據(jù)治理、安全管理以及AI模型訓(xùn)練與實時決策等產(chǎn)品服務(wù)，提供從數(shù)據(jù)接入到智能應(yīng)用的端到端解決方案。-

10騰訊云Data+AI產(chǎn)品全景

數(shù)據(jù)探索/數(shù)據(jù)工程/開發(fā)/科學(xué)數(shù)據(jù)探索數(shù)據(jù)工程/開發(fā)/科學(xué)騰訊云數(shù)據(jù)和智能安全LLM-WAFAI-SPM天御大模型安全網(wǎng)關(guān)數(shù)據(jù)安全網(wǎng)關(guān)

KMSCloudHSMData

AgentTCDataAgent

WeDataAgentBI

Telemetry

Data

Insight騰訊云BI

ChatBI

日志服務(wù)CLSNotebookWeData

Notebook平臺層DataOps數(shù)據(jù)集成/開發(fā)/編排/治理

WeDataMLOps模型訓(xùn)練/精調(diào)/推理/MCP/Agent工具

WeData騰訊云TI平臺TCADPUnity

Semantics統(tǒng)一語義層/數(shù)據(jù)模型/數(shù)據(jù)治理

WeData騰訊云智能體開發(fā)平臺TCADP引擎服務(wù)層統(tǒng)一元數(shù)據(jù)TCCatalog數(shù)倉TCHouse數(shù)據(jù)湖EMR

DLC流計算Oceanus智能管家TCInsight多模態(tài)

數(shù)據(jù)湖倉

TBDS搜索服務(wù)ES云原生數(shù)據(jù)庫TDSQL-C向量數(shù)據(jù)庫VectorDBAI數(shù)據(jù)湖服務(wù)TCLake存儲服務(wù)層數(shù)據(jù)存儲對象存儲COS數(shù)據(jù)檢索MetaInsight數(shù)據(jù)處理數(shù)據(jù)萬象CI數(shù)據(jù)加速GooseFS高性能存儲CFS

Turbo智算存儲NitroFS云硬盤CBS數(shù)據(jù)理解成本高數(shù)據(jù)業(yè)務(wù)含義不清，大量的復(fù)雜數(shù)據(jù)難以被業(yè)務(wù)人員直觀理解，更難被AI理解。數(shù)據(jù)分析效率低數(shù)據(jù)的查詢、報表的制作高度依賴IT支持或?qū)I(yè)數(shù)據(jù)分析師團(tuán)隊，這不僅拉長了響應(yīng)周期，難以適應(yīng)瞬息萬變的業(yè)務(wù)需求，也使得數(shù)據(jù)洞察的提取效率低下。缺乏統(tǒng)一治理與高效協(xié)作機(jī)制數(shù)據(jù)質(zhì)量是數(shù)據(jù)分析與決策的生命線，企業(yè)普遍缺少靈活友好的治理協(xié)作工具，在數(shù)據(jù)應(yīng)用中不斷牽引數(shù)據(jù)治理的長效落地。WeDataAgent通過“Data+AI”雙引擎構(gòu)建了全鏈路數(shù)據(jù)智能解決方案。在Data層面，以指標(biāo)平臺和治理中心為落腳點打造統(tǒng)一語義層，實現(xiàn)維度建模、指標(biāo)口徑定義和元數(shù)據(jù)管理標(biāo)準(zhǔn)化，解決企業(yè)因數(shù)據(jù)標(biāo)準(zhǔn)不一、口徑混亂導(dǎo)致的數(shù)據(jù)解讀偏差和溝通障礙，顯著提升數(shù)據(jù)資產(chǎn)的可管理性和業(yè)務(wù)含義的清晰度，極大降低數(shù)據(jù)理解成本。依托騰訊云大數(shù)據(jù)和大模型的基礎(chǔ)建設(shè)和技術(shù)積累與開放的架構(gòu)，WeDataAgent可幫助用戶快速構(gòu)建基于自然語言交互的數(shù)據(jù)智能系統(tǒng)，IT部門直接被賦能AI，從而專注打造服務(wù)企業(yè)業(yè)務(wù)的專屬智能應(yīng)用，業(yè)務(wù)人員無需專業(yè)SQL知識即可洞察數(shù)據(jù)，快速產(chǎn)出結(jié)果報表。數(shù)據(jù)團(tuán)隊從“數(shù)據(jù)提取服務(wù)商”升級為企業(yè)數(shù)據(jù)智能引擎的設(shè)計師和建造者，顯著提升團(tuán)隊影響力和價值，加速數(shù)據(jù)驅(qū)動和AI應(yīng)用的規(guī)模化落地。應(yīng)對方案WeDataAgent基于多智能體協(xié)作的超級智能體，具備數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、數(shù)據(jù)分析等專家能力數(shù)據(jù)工程專家 數(shù)據(jù)治理專家 數(shù)據(jù)科學(xué)專家數(shù)字營銷專家數(shù)據(jù)分析專家自定義專家智能notebook智能模型開發(fā)訓(xùn)練調(diào)優(yōu)數(shù)據(jù)集智能洞察自定義知識自定義插件自定義prompt數(shù)據(jù)分析智能模型開發(fā)元數(shù)據(jù)增強(qiáng)廣告投放策略生成智能盤點智能分類分級元數(shù)據(jù)增強(qiáng)質(zhì)量洞察敏感識別智能問數(shù)圖表繪制結(jié)論總結(jié)聯(lián)網(wǎng)數(shù)據(jù)分析報告撰寫文檔生成智能建表代碼生成任務(wù)配置參數(shù)調(diào)優(yōu)智能建模智能編排智能運維WeDataAgent在席卷全球的數(shù)字化浪潮之下，數(shù)據(jù)已不再僅僅是信息技術(shù)的副產(chǎn)品，而是驅(qū)動業(yè)務(wù)創(chuàng)新、優(yōu)化決策流程、構(gòu)筑核心競爭壁壘的關(guān)鍵戰(zhàn)略資產(chǎn)。然而，絕大多數(shù)企業(yè)在嘗試從海量數(shù)據(jù)中汲取洞察、實現(xiàn)價值變現(xiàn)的征途上，普遍遭遇如下挑戰(zhàn)：企業(yè)痛點11

-數(shù)據(jù)理解與洞察能力搭建語言用戶界面(LUI)，通過自然語言交互支持代碼生成、數(shù)據(jù)問答和指標(biāo)分析，讓業(yè)務(wù)人員無需SQL知識即可"對話"獲取數(shù)據(jù)洞察，真正實現(xiàn)數(shù)據(jù)民主化。智能規(guī)劃與執(zhí)行能力具備環(huán)境感知、意圖識別和自動糾錯功能，能理解復(fù)雜數(shù)據(jù)需求并規(guī)劃最優(yōu)執(zhí)行路徑，通過多工具調(diào)用能力將抽象需求轉(zhuǎn)化為具體行動。系統(tǒng)集成與擴(kuò)展能力支持MCP以及A2A協(xié)議，通過插件、API/SDK等形態(tài)，使得Agent更便捷被集成到客戶業(yè)務(wù)系統(tǒng)、客戶自建Agent系統(tǒng)中，極大的為業(yè)務(wù)系統(tǒng)中。在AI層面，通過如下核心功能提升數(shù)據(jù)分析效率并牽引治理落地逐步提升數(shù)據(jù)質(zhì)量：全域數(shù)據(jù)資產(chǎn)分散在不同系統(tǒng)的技術(shù)性數(shù)據(jù)結(jié)構(gòu)，難以直接應(yīng)用于業(yè)務(wù)決策數(shù)據(jù)語義層連接底層數(shù)據(jù)與業(yè)務(wù)用戶的橋梁，將技術(shù)數(shù)據(jù)轉(zhuǎn)化為易于理解的業(yè)務(wù)概念WeDataAgent基于多智能體協(xié)作的超級智能體，具備數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、數(shù)據(jù)分析等專家能力WeData

GUI輔助 LUI獨立入口作為WeData助手，幫助用 以自然語言的交互形式，幫戶在數(shù)據(jù)集成、開發(fā)、運維、 助用戶完成任務(wù)治理等環(huán)節(jié)進(jìn)行智能輔助SDK生態(tài)嵌入以SDK、插件方式，可被集成在office、瀏覽器，客戶系統(tǒng)中A2A協(xié)議以API形式，可被客戶集成到自己的智能應(yīng)用中WeDataAgent基于多智能體協(xié)作的超級智能體，具備數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、數(shù)據(jù)分析等專家能力協(xié)同價值全域數(shù)據(jù)資產(chǎn)打破數(shù)據(jù)孤島，實現(xiàn)數(shù)據(jù)的互聯(lián)互通和高效共享數(shù)據(jù)語義層為DataAgent提供可靠的知識基礎(chǔ)和操作接口DataAgent賦予數(shù)據(jù)語義層更強(qiáng)的交互能力和智能分析能力通過豐富的生態(tài)對接能力，和客戶共同構(gòu)建智能、高效的企業(yè)數(shù)據(jù)分析生態(tài)系統(tǒng)-

12用數(shù)與治數(shù)雙重驅(qū)動可迭代進(jìn)化的數(shù)據(jù)智能體，支持用戶問答的反饋、標(biāo)注與協(xié)同治理，制推動數(shù)據(jù)質(zhì)量的持續(xù)提升，有效反哺Agent分析的準(zhǔn)確度，形成數(shù)據(jù)優(yōu)化與分析能力提升的良性循環(huán)。數(shù)據(jù)語義層連接底層數(shù)據(jù)與業(yè)務(wù)用戶的橋梁，將技術(shù)數(shù)據(jù)轉(zhuǎn)化為易于理解的業(yè)務(wù)概念可靠的數(shù)據(jù)和知識持續(xù)的反饋進(jìn)化用戶數(shù)據(jù)工程師WeDataAgent基于多智能體協(xié)作的超級智能體，具備數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、數(shù)據(jù)分析等專家能力使用場景及案例場景一：營銷作戰(zhàn)室的“智能參謀”營銷策劃人員可以通過Agent的自然語言界面直接提問：“請分析上個月參與A產(chǎn)品推廣活動的核心用戶群體畫像，包括年齡分布、地域特征和主要興趣點”，WeDataAgent依托統(tǒng)一語義層定義的營銷相關(guān)指標(biāo)，自動整合來自CRM、用戶行為日志、交易系統(tǒng)等多源數(shù)據(jù)，快速生成多維度、可視化的用戶畫像報告。場景二：業(yè)務(wù)人員的“敏捷分析小助手”產(chǎn)品運營人員在發(fā)現(xiàn)某項用戶指標(biāo)異常波動后，可以向Agent提問：“幫我分析近期App日活躍用戶數(shù)下降可能的主要原因，并對比不同用戶分群（如新老用戶、不同設(shè)備類型用戶）在流失率上的差異”，Agent通過任務(wù)規(guī)劃，可能調(diào)用預(yù)設(shè)的指標(biāo)模型或進(jìn)行多維度的數(shù)據(jù)鉆取，給出初步的歸因分析線索和數(shù)據(jù)洞察。場景三：數(shù)據(jù)治理的“智能管家”業(yè)務(wù)用戶或數(shù)據(jù)分析師在對某個數(shù)據(jù)指標(biāo)產(chǎn)生疑問時，可以通過Agent進(jìn)行查詢：“指標(biāo)月度復(fù)購率”的具體計算公式是什么？它依賴哪些原始數(shù)據(jù)表和中間處理過程？”，Agent能夠基于其掌握的元數(shù)據(jù)信息和數(shù)據(jù)血緣關(guān)系進(jìn)行追溯，并以清晰易懂的方式向用戶解釋該指標(biāo)的來龍去脈。獨特優(yōu)勢全鏈路解決方案不只是簡單的AI問答工具，而是基于統(tǒng)一語義層的完整數(shù)據(jù)智能平臺，實現(xiàn)從數(shù)據(jù)治理到智能分析的全流程覆蓋，雙向驅(qū)動。開放協(xié)同的生態(tài)構(gòu)建潛力采用模塊化組件設(shè)計，通過提供開放API、SDK等方式，有望與企業(yè)現(xiàn)有的各類信息系統(tǒng)（如BI系統(tǒng)、CRM、ERP、OA及各類行業(yè)特定應(yīng)用）實現(xiàn)更深層次的融合與聯(lián)動，讓數(shù)據(jù)價值滲透到業(yè)務(wù)的方方面面。大模型與大數(shù)據(jù)專業(yè)技術(shù)雙重加持騰訊在大模型與企業(yè)級大數(shù)據(jù)處理領(lǐng)域的技術(shù)積累共同支撐，確保理解準(zhǔn)確性和專業(yè)水準(zhǔn)。13

-準(zhǔn)確性在企業(yè)應(yīng)用中，對AI

Agent輸出的質(zhì)量要求很高；在財務(wù)等關(guān)鍵業(yè)務(wù)功能中，錯誤的容錯率很低；受控的數(shù)據(jù)訪問AI

Agent需要能夠訪問各種各樣的數(shù)據(jù)源，以便其能夠在業(yè)務(wù)背景下可靠地運行，這些數(shù)據(jù)源包括非結(jié)構(gòu)化（例如文本、音頻）和結(jié)構(gòu)化（例如表、視圖）數(shù)據(jù)源，它們通常分布在多個系統(tǒng)中。TCDataAgent可以正確理解用戶意圖，主動規(guī)劃任務(wù)、使用工具來執(zhí)行任務(wù)，并通過反思結(jié)果來改進(jìn)響應(yīng)。在執(zhí)行任務(wù)時，TCDataAgent會使用NL2SQL、NL2Py、AI

Search、XPark等原子能力，同時結(jié)合大語言模型（LLMs），進(jìn)行分析并生成答案。同時，TCDataAgent兼容標(biāo)準(zhǔn)MCP、A2A等協(xié)議，可以方便的被集成到第三方AI應(yīng)用。為了解決這一問題，我們在今年推出騰訊云數(shù)據(jù)分析智能體服務(wù)（TCDataAgent），旨在為企業(yè)提供一個全托管的智能體服務(wù)，用于整合、檢索和分析結(jié)構(gòu)化&非結(jié)構(gòu)化數(shù)據(jù)，幫助用戶更直觀的理解數(shù)據(jù)，并提取有價值的洞察，同時企業(yè)用戶也可以方便的基于騰訊云數(shù)據(jù)分析智能體（TCDataAgent）構(gòu)建高質(zhì)量的AI

Agent。應(yīng)對方案騰訊云數(shù)據(jù)分析智能體（TCDataAgent）（即將上線）隨著GenAI技術(shù)的不斷發(fā)展，我們相信AIAgents很快將成為企業(yè)勞動力的重要組成部分，釋放員工的寶貴時間，使其專注于業(yè)務(wù)面臨的更高價值的挑戰(zhàn)。Data

Agent是一種專門的AI

Agent類別，專注于數(shù)據(jù)分析領(lǐng)域。Data

Agent就像企業(yè)里的資深數(shù)據(jù)專家，了解企業(yè)內(nèi)各種復(fù)雜的數(shù)據(jù)結(jié)構(gòu)、行業(yè)背景知識；熟練掌握數(shù)據(jù)預(yù)處理技巧，面對雜亂的原始數(shù)據(jù)，能快速有效的完成數(shù)據(jù)整合的工作；同時，能夠深入洞察數(shù)據(jù)，預(yù)測未來發(fā)展趨勢，并依據(jù)分析結(jié)果，為企業(yè)量身定制個性化的數(shù)據(jù)分析報告和決策建議。盡管模型的質(zhì)量在不斷提高，推理成本不斷降低，我們發(fā)現(xiàn)企業(yè)在部署可信賴的AIAgent系統(tǒng)方面面臨著以下共同挑戰(zhàn)：展望未來，越來越多的企業(yè)將在關(guān)鍵決策工作流中部署代理分析，從而推動從人工驅(qū)動的洞察生成到自主的“數(shù)據(jù)到行動”循環(huán)的根本轉(zhuǎn)變。與傳統(tǒng)的商業(yè)智能(BI)系統(tǒng)相比，決策延遲將大幅降低，這意味著企業(yè)決策流程將發(fā)生根本性變革。過去，企業(yè)在Data-to-insight的過程中采用分析工具，輔助決策；未來將無需人工持續(xù)輸入，DataAgent即可主動進(jìn)行數(shù)據(jù)分析，并給出洞察結(jié)果和優(yōu)化建議。以零售行業(yè)為例，未來只需要把庫存預(yù)測的需求委托給Data

Agent，“分析最近三個月的銷售趨勢并預(yù)測下季度的庫存需求”，Agent會自動連接到銷售數(shù)據(jù)庫，調(diào)用AI模型生成預(yù)測，并以可視化圖表的形式呈現(xiàn)結(jié)果。并且，

Agent還能主動提出建議，例如“根據(jù)趨勢，建議增加A產(chǎn)品的庫存，同時減少B產(chǎn)品的采購量?！逼髽I(yè)痛點-

14騰訊云TCDataAgent技術(shù)架構(gòu)智能分析（TCAnalyst）靈活根據(jù)用戶話題發(fā)起即時問詢，直接獲取數(shù)據(jù)結(jié)果或深度分析數(shù)據(jù)工程（Data

Engineering）自動構(gòu)建數(shù)據(jù)工程Pipeline，完成項目開發(fā)、調(diào)試、調(diào)優(yōu)等工作智能搜索（AI

Search）一站式構(gòu)建基于企業(yè)知識庫并與大模型無縫集成的智能搜索應(yīng)用機(jī)器學(xué)習(xí)（AutoML）根據(jù)需求自動調(diào)用一體化平臺，自動生成機(jī)器學(xué)習(xí)

PipelineData

Agent應(yīng)用場景數(shù)據(jù)配置語義理解模型配置意圖/規(guī)劃記憶管理會話管理Data

Agent原子能力NL2SQLCode

GenRAGDocumentAI數(shù)據(jù)科學(xué)

XparkAgent服務(wù)層基礎(chǔ)能力數(shù)據(jù)工程LLM自動標(biāo)注TCCatalog語義層手動標(biāo)注 文檔理解標(biāo)簽抽取數(shù)據(jù)集管理(訓(xùn)練/評測)Al

Guardrails混元大模型DeepSeekRay

on

TKETCLake模型部署模型微調(diào)模型服務(wù)Workflow服務(wù)提示詞工具記憶意識多輪自主信息條件處理管理管理管理識別改寫規(guī)劃收集判斷回復(fù)Semantic

ModelGraphHybrid

SearchTCDataAgent應(yīng)用場景使用場景及案例典型用例一：供應(yīng)鏈預(yù)測某東南亞公司使用AI模型進(jìn)行需求預(yù)測與銷量預(yù)測，優(yōu)化庫存與供應(yīng)鏈管理。但AI算法編寫、調(diào)優(yōu)復(fù)雜，模型周期長，預(yù)測效果不佳，且銷售預(yù)測與需求預(yù)測數(shù)據(jù)協(xié)同性差，導(dǎo)致庫存積壓或短缺頻發(fā)。TCDataAgent協(xié)助用戶實現(xiàn)AutoML流程，縮短預(yù)測周期，并根據(jù)業(yè)務(wù)數(shù)據(jù)和場景持續(xù)迭代優(yōu)化預(yù)測效果。針對預(yù)測結(jié)果，有效協(xié)同銷售數(shù)據(jù)與需求數(shù)據(jù)，輸出建議支持決策，促進(jìn)企業(yè)降本增效。零售供應(yīng)鏈優(yōu)化預(yù)測模型訓(xùn)練預(yù)測分析&建議需求數(shù)據(jù)用戶數(shù)據(jù)智能數(shù)據(jù)選取特征預(yù)處理數(shù)據(jù)可視化探索多模型訓(xùn)練模型評估最優(yōu)模型選擇零售數(shù)據(jù)整合銷售數(shù)據(jù)商品數(shù)據(jù)零售業(yè)務(wù)知識特征預(yù)處理模型訓(xùn)練數(shù)據(jù)預(yù)測銷售數(shù)據(jù)預(yù)測需求數(shù)據(jù)預(yù)測15

-典型用例二：視頻智能搜索在電視臺等傳媒行業(yè)中，積累了大量的節(jié)目視頻，在移動互聯(lián)網(wǎng)下，很多人希望可以智能化地檢索往期內(nèi)容，查看相關(guān)節(jié)目視頻。TCDataAgent支持用戶構(gòu)建視頻RAG，將視頻轉(zhuǎn)換的文本存入TCDataAgent知識庫，使用TCDataAgent智能搜索能力，檢索出相關(guān)節(jié)目片段，關(guān)聯(lián)視頻智能反饋給客戶，支持交互式對話和相關(guān)推薦。典型用例三：微信讀書“AI問書”微信讀書是一個流行的在線閱讀平臺，為數(shù)億用戶提供海量的書籍、漫畫、公眾號內(nèi)容，及在線聽書等服務(wù)。ES支持書籍內(nèi)容的智能檢索，平臺可以形成對搜索詞的完整理解和認(rèn)知，來支持開放式問題回答、并支持書籍引源、猜你想問等豐富的互動能力。騰訊云大數(shù)據(jù)在數(shù)據(jù)分析領(lǐng)域經(jīng)過多年沉淀，積累了一系列可供TCDataAgent調(diào)用的高質(zhì)量數(shù)據(jù)分析工具，例如：結(jié)構(gòu)化數(shù)據(jù)處理（TCAnalyst，支持自然語言交互），非結(jié)構(gòu)化數(shù)據(jù)處理（AI

Search、Document

AI），高性能計算引擎（Meson），統(tǒng)一分布式計算框架（XPark）等。在這樣的基礎(chǔ)上，搭配統(tǒng)一的元數(shù)據(jù)服務(wù)TCCatalog和統(tǒng)一湖存儲系統(tǒng)TCLake，騰訊云TCDataAgent可以為用戶提供高質(zhì)量、高性能的數(shù)據(jù)分析智能體服務(wù)。獨特優(yōu)勢數(shù)據(jù)格式轉(zhuǎn)換

TCDataAgent

智能搜索轉(zhuǎn)換多路召回混合檢索答案總結(jié)與關(guān)聯(lián)推薦結(jié)果重排用戶問題 反問澄清多輪改寫 意圖識別知識庫讀前了解 書中解惑 進(jìn)一步提問 生成式回答 問題推薦-

16模型服務(wù)

DeepSeek結(jié)構(gòu)化數(shù)據(jù)處理與僅依賴模式匹配的典型text-to-SQL系統(tǒng)不同，TCAnalyst使用語義模型將業(yè)務(wù)術(shù)語映射到底層數(shù)據(jù)。這種方式在涉及多表關(guān)聯(lián)的復(fù)雜業(yè)務(wù)場景中，有效提高了NL2SQL的準(zhǔn)確率。非結(jié)構(gòu)化數(shù)據(jù)處理ES是原生的混合檢索服務(wù)，通過關(guān)鍵詞搜索和向量搜索，能夠為非結(jié)構(gòu)化數(shù)據(jù)（例如：文本、音頻、圖片等）提供大規(guī)模、高質(zhì)量，低延遲的數(shù)據(jù)檢索服務(wù)。結(jié)合“智能搜索開發(fā)”提供的

embedding,rerank等原子服務(wù)，能夠輕松搭建RAG框架，支持創(chuàng)建智能問答應(yīng)用，同時我們也提供智能文檔處理（Document

AI）的功能，幫助用戶快速提取文檔中結(jié)構(gòu)化數(shù)據(jù)及文本內(nèi)容。高性能計算Meson是騰訊云自研的融合、開放、智能的新一代高性能計算引擎，覆蓋批處理、交互式分析、機(jī)器學(xué)習(xí)等多種場景，為TCDataAgent提供底層高性能計算保障。統(tǒng)一分布式計算框架Xpark是騰訊云自研的高性能分布式計算框架，兼容Python生態(tài)中常用DataFrame+ML接口，提供一體化的數(shù)據(jù)分析、數(shù)據(jù)預(yù)處理、模型訓(xùn)練和模型推理能力。與TCDataAgent集成，通過自然語言進(jìn)行數(shù)據(jù)分析、預(yù)測和輔助決策。對話式分析客戶直接用自然語言提問，騰訊云ChatBI產(chǎn)品基于大語言模型能力/RAG/NL2DSL等技術(shù)，能準(zhǔn)確理解客戶的語義，執(zhí)行數(shù)據(jù)分析并返回數(shù)據(jù)結(jié)論。這種產(chǎn)品能大幅降低數(shù)據(jù)分析的門檻，并且分析的耗時縮短到了秒級別。另外，客戶可以通過配置知識庫，把特定行業(yè)術(shù)語輸入大模型，讓大模型更理解行業(yè)場景，成為特定領(lǐng)域的分析專家。數(shù)據(jù)洞察報告基于大模型能力，ChatBI能對客戶數(shù)據(jù)進(jìn)行解讀，梳理整體趨勢、發(fā)現(xiàn)數(shù)據(jù)變化和原因，并且提供總結(jié)和建議；對于數(shù)據(jù)異常波動，還能進(jìn)一步拆解影響因素，給客戶提供針對性的業(yè)務(wù)優(yōu)化建議?？蛻暨€能輸入解讀模板，讓ChatBI數(shù)據(jù)解讀更契合客戶的業(yè)務(wù)場景，甚至直接輸出一份完整的圖文并茂的數(shù)據(jù)解讀報告。

BI報表制作與分析在制作BI報表的場景，AI能力支持客戶自動生成整份報表，支持對已有報表進(jìn)行分析解讀并生成完整分析報告。應(yīng)對方案騰訊云BI智能助手ChatBI企業(yè)在進(jìn)行BI數(shù)據(jù)分析時，往往需要設(shè)立專門的數(shù)據(jù)IT團(tuán)隊，通過定制化開發(fā)或者敏捷BI工具來制作報表，耗費人力、耗時較長；而且這種模式無法支持一線業(yè)務(wù)人員的數(shù)據(jù)分析訴求，因為難以有足夠數(shù)據(jù)IT人力支持，而一線人員掌握自助式BI工具有一定的使用門檻。另外，一線人員缺乏專業(yè)分析師的方法論，難以快速得到分析結(jié)論。在AI大浪潮下，企業(yè)期望通過AI技術(shù)降低門檻、提升分析效率。企業(yè)痛點17

-基于騰訊業(yè)務(wù)的最佳實踐騰訊云ChatBI脫胎于騰訊內(nèi)部真實業(yè)務(wù)應(yīng)用，覆蓋騰訊云全業(yè)務(wù)經(jīng)營分析場景，從高管到一線經(jīng)營分析員工均使用騰訊云ChatBI進(jìn)行數(shù)據(jù)分析，在效果調(diào)優(yōu)和產(chǎn)品打磨都積累了豐富的實踐經(jīng)驗。使用場景及案例獨特優(yōu)勢場景案例一：零售行業(yè)經(jīng)營分析某知名零售客戶部署了基于大模型的ChatBI產(chǎn)品，除了應(yīng)用在管理人員的財務(wù)數(shù)據(jù)分析場景外，重點是鋪開支持全國門店的一線業(yè)務(wù)人員的數(shù)據(jù)分析場景，客戶借助ChatBI大幅降低數(shù)據(jù)分析門檻，讓廣大一線人員也做到“人人都是分析師”，并且用AI技術(shù)發(fā)現(xiàn)業(yè)務(wù)問題，獲取經(jīng)營建議。場景案例二：文旅行業(yè)經(jīng)營分析某文旅央企，管理層除了查看固定報表的核心數(shù)據(jù)外，還需要每天靈活提問各種經(jīng)營數(shù)據(jù)，之前需要大量數(shù)據(jù)IT人力支持。部署ChatBI產(chǎn)品后，覆蓋了客戶幾十個業(yè)務(wù)場景，并且通過差異化的知識庫配置，滿足了不同管理人員各個角度的數(shù)據(jù)分析訴求?；贏I的洞察建議，幫助客戶提升了經(jīng)營效率。數(shù)據(jù)分析垂直場景深度優(yōu)化行業(yè)化NL2DSL\NL2SQL引擎，內(nèi)置專屬語義解析器，支持自定義行業(yè)計算模板，能直接生成復(fù)雜邏輯SQL；統(tǒng)一查詢層抽象，無縫適配MySQL、Hive等多源異構(gòu)數(shù)據(jù)庫，自動處理字段類型差異。企業(yè)級精細(xì)顆粒度的權(quán)限體系采用RBAC+ABAC混合模式，實現(xiàn)多層級權(quán)限隔離，支持行列級精細(xì)控制；自動記錄查詢?nèi)溌啡罩?，滿足合規(guī)審計需求。BI原生可視化能力基于騰訊云BI能力，支持豐富精美的可視化圖表、流暢的交互式分析體驗。-

18因此，企業(yè)需探索更高效的工作流程和工具，優(yōu)化環(huán)境配置、提升數(shù)據(jù)獲取速度，并實現(xiàn)有效的資源隔離和共享，以更好地利用Jupyter

Notebook，推動數(shù)據(jù)驅(qū)動決策的進(jìn)程。為了解決上述痛點問題，WeData推出了Notebook探索功能，旨在為用戶提供一個開箱即用的交互式分析IDE。這一創(chuàng)新功能不僅簡化了數(shù)據(jù)分析的流程，還通過與WeData上下游鏈路的無縫對接，實現(xiàn)了數(shù)據(jù)處理、模型訓(xùn)練和分析流程的一體化，極大地提升了用戶的工作效率。應(yīng)對方案1.用戶常需進(jìn)行繁瑣的環(huán)境準(zhǔn)備和服務(wù)配置，這包括安裝所需的庫、配置數(shù)據(jù)連接和設(shè)置計算資源等。這一過程不僅耗時，而且容易出錯，尤其對于初學(xué)者來說，存在較高的操作門檻。2.企業(yè)通常構(gòu)建了數(shù)據(jù)湖和數(shù)據(jù)倉庫等大數(shù)據(jù)存算引擎，通過自建Jupyter

Notebook的方式進(jìn)行數(shù)據(jù)分析時，數(shù)據(jù)獲取效率較為低下，尤其在處理海量數(shù)據(jù)時，提取所需數(shù)據(jù)變得困難。3.在企業(yè)多用戶環(huán)境中，文件和資源的共享與管理變得異常復(fù)雜，需要解決團(tuán)隊協(xié)作過程中的數(shù)據(jù)沖突、版本控制、資源競爭等問題，確保團(tuán)隊工作的效率和效能。使用場景及案例快速完成環(huán)境搭建用戶在使用WeData時，無需手動安裝Python環(huán)境和配置環(huán)境依賴，可以一鍵創(chuàng)建Notebook工作空間，真正做到開箱即用。工作空間內(nèi)置Scikit-learn、Tensorflow、Pytorch等鏡像，方便用戶進(jìn)行數(shù)據(jù)預(yù)處理、機(jī)器學(xué)習(xí)模型訓(xùn)練和數(shù)據(jù)預(yù)測性分析。無縫對接大數(shù)據(jù)引擎Noteobok工作空間支持與騰訊云EMR和DLC大數(shù)據(jù)引擎進(jìn)行綁定，自動獲取集群配置信息。用戶可以直接向大數(shù)據(jù)引擎提交Notebook任務(wù)，復(fù)用引擎的計算資源，同時快速讀取引擎中的數(shù)據(jù)進(jìn)行交互式分析。完善的資源隔離和共享機(jī)制在團(tuán)隊協(xié)作場景下，WeData提供了獨享的Notebook運行環(huán)境，確保用戶之間的資源和配置互相隔離。同時支持文件級別的權(quán)限控制，用戶可以根據(jù)需要設(shè)置不同的訪問權(quán)限，從而確保敏感數(shù)據(jù)的安全性和隱私性。WeData

NotebookJupyter

Notebook作為一種交互式分析集成開發(fā)環(huán)境（IDE），在數(shù)據(jù)分析、數(shù)據(jù)科學(xué)和人工智能（AI）領(lǐng)域中已成為不可或缺的工具。它以靈活性和可視化能力幫助用戶快速探索數(shù)據(jù)和構(gòu)建模型。然而，在使用JupyterNotebook進(jìn)行數(shù)據(jù)分析時，用戶往往面臨以下痛點問題：企業(yè)痛點金融行業(yè)：風(fēng)險分析與預(yù)測某金融行業(yè)客戶，風(fēng)險管理是核心任務(wù)之一。在信貸審批過程中，利用Notebook構(gòu)建信用評分模型，以評估借款人的違約可能性，從而優(yōu)化貸款決策，降低不良貸款率。醫(yī)療行業(yè)：疾病預(yù)測與分析某醫(yī)療行業(yè)客戶，通過Notebook訓(xùn)練機(jī)器學(xué)習(xí)模型，識別糖尿病患者的早期跡象并預(yù)測患者的疾病發(fā)展，根據(jù)預(yù)測結(jié)果制定個性化的治療方案，提高患者的治療效果和生活質(zhì)量。19

-零售行業(yè)：客戶行為分析某零售行業(yè)客戶，分析客戶行為和購買模式是提升銷售的重要手段?？蛻衾肗otebook構(gòu)建推薦系統(tǒng)，向客戶推送個性化的商品推薦，從而提高轉(zhuǎn)化率和客戶滿意度。此外，通過分析客戶流失率，可以制定針對性的營銷活動，增強(qiáng)客戶忠誠度。獨特優(yōu)勢Data+AI一體化處理鏈路WeData

Notebook探索深度對接騰訊云大數(shù)據(jù)引擎，通過結(jié)合DataOps的工作流編排、調(diào)度、運維一體化流程，實現(xiàn)數(shù)據(jù)從開發(fā)到生產(chǎn)的自動化部署。無縫對接MLflow進(jìn)行實驗和模型管理，可快速實現(xiàn)從數(shù)據(jù)預(yù)處理到模型訓(xùn)練和評估的完整流程，打通了從數(shù)據(jù)開發(fā)治理到

AI開發(fā)應(yīng)用的全鏈路。智能的IDE開發(fā)體驗WeData將Notebook任務(wù)與數(shù)據(jù)集成、開發(fā)任務(wù)整合到一個平臺中，提供統(tǒng)一的集成開發(fā)環(huán)境，屏蔽底層技術(shù)架構(gòu)對用戶體驗的差異。深度集成Git版本管理系統(tǒng)，支持基于Git的協(xié)同開發(fā)和版本管理流程。支持多人在線協(xié)作，團(tuán)隊成員可以實時共享進(jìn)展和反饋，提升數(shù)據(jù)科學(xué)和開發(fā)工作的效率和質(zhì)量。豐富的AI生態(tài)對接WeData

Notebook探索提供基于DeepSeek的工作空間模板，支持用戶快速啟動DeepSeek

AI應(yīng)用開發(fā)。對接騰訊云AI引擎TI平臺，可以將Notebook文件提交至高性能平臺進(jìn)行訓(xùn)練。內(nèi)置基于騰訊云混元和DeepSeek的AI代碼助手，可以協(xié)助完成代碼編寫、代碼注釋、代碼糾錯等工作，數(shù)據(jù)開發(fā)更加高效和智能。-

20WeData

DataOps在Data+AI的迅速發(fā)展的時代，企業(yè)面臨數(shù)據(jù)源激增、數(shù)據(jù)孤島嚴(yán)重、開發(fā)運維割裂等挑戰(zhàn)。據(jù)統(tǒng)計，企業(yè)平均管理400+異構(gòu)數(shù)據(jù)源。傳統(tǒng)數(shù)據(jù)管理模式存在開發(fā)周期長（平均2-3個月）、故障定位難、數(shù)據(jù)質(zhì)量無保障等問題。特別是AI時代，80%的時間耗費在數(shù)據(jù)準(zhǔn)備上，嚴(yán)重制約了企業(yè)數(shù)字化轉(zhuǎn)型和智能化升級的進(jìn)程。DataOps通過將DevOps理念引入數(shù)據(jù)領(lǐng)域，構(gòu)建了完整的數(shù)據(jù)全生命周期自動化管理體系。企業(yè)痛點DataOps應(yīng)對方案敏捷數(shù)據(jù)開發(fā)提供可視化數(shù)據(jù)流編排、智能代碼生成、自動化測試框架，顯著提升開發(fā)效率。通過豐富的數(shù)據(jù)源連接器，支持可視化開始開發(fā)、代碼開發(fā)和可視化編排，降低技術(shù)門檻。智能質(zhì)量管控基于機(jī)器學(xué)習(xí)的異常檢測引擎，實現(xiàn)數(shù)據(jù)質(zhì)量問題的主動發(fā)現(xiàn)和自動修復(fù)。構(gòu)建完整的數(shù)據(jù)質(zhì)量指標(biāo)體系和規(guī)則引擎，從源頭保障數(shù)據(jù)可信度。使用場景及案例通過上述能力的有機(jī)整合，DataOps實現(xiàn)了數(shù)據(jù)開發(fā)運維的自動化、標(biāo)準(zhǔn)化和智能化，從根本上解決了企業(yè)數(shù)據(jù)管理的效率、質(zhì)量和成本問題。AI-Native集成原生支持特征工程自動化、模型版本管理等AI開發(fā)運維能力。通過AutoML技術(shù)簡化模型開發(fā)流程，加速AI應(yīng)用的迭代創(chuàng)新。持續(xù)集成部署建立數(shù)據(jù)管道的CI/CD流水線，實現(xiàn)從開發(fā)到生產(chǎn)的自動化部署。支持代碼審批、打包發(fā)布等高級發(fā)布策略，確保變更安全性和業(yè)務(wù)連續(xù)性全鏈路可觀測提供端到端的數(shù)據(jù)血緣追蹤、實時性能監(jiān)控、智能故障診斷?；贏IOps技術(shù)實現(xiàn)預(yù)測性維護(hù)和智能調(diào)優(yōu)，大幅縮短故障恢復(fù)時間。零售電商場景在全渠道營銷中，DataOps實現(xiàn)了客戶數(shù)據(jù)的實時整合與智能分析。打通線上線下數(shù)據(jù)孤島，構(gòu)建360度客戶畫像，支撐精準(zhǔn)營銷和個性化推薦。從數(shù)據(jù)接入、數(shù)據(jù)開發(fā)、任務(wù)測試、任務(wù)提交、任務(wù)發(fā)布到業(yè)務(wù)標(biāo)簽計算到營銷觸達(dá)的端到端流程實現(xiàn)自動化，提升了營銷效率和客戶體驗。金融行業(yè)實踐在風(fēng)險管理場景中，DataOps平臺支撐了從數(shù)據(jù)采集、特征工程到模型部署的全流程自動化。通過實時數(shù)據(jù)管道整合交易、征信、行為等多源數(shù)據(jù)，實現(xiàn)風(fēng)險模型的快速迭代和動態(tài)調(diào)優(yōu)，顯著提升了風(fēng)險識別的時效性和準(zhǔn)確性。21

-獨特優(yōu)勢企業(yè)級安全合規(guī)保障針對不同行業(yè)的數(shù)據(jù)安全和合規(guī)訴求，WeData構(gòu)建了完善的安全管控體系。從租戶隔離、權(quán)限管理，每個環(huán)節(jié)都嚴(yán)格遵循數(shù)據(jù)安全最佳實踐。無論是金融行業(yè)的強(qiáng)監(jiān)管要求，還是制造業(yè)的知識產(chǎn)權(quán)保護(hù)，WeData都能提供相應(yīng)的安全策略和合規(guī)方案。多場景適配的靈活架構(gòu)WeData針對企業(yè)復(fù)雜多樣的數(shù)據(jù)管理需求，提供了全方位的DataOps解決方案。支持不同租戶賬號的跨環(huán)境發(fā)布，滿足大型企業(yè)集團(tuán)的多級管控需求；實現(xiàn)同租戶環(huán)境的跨項目發(fā)布，便于部門間的協(xié)同開發(fā)；提供單個項目內(nèi)的多引擎實例發(fā)布功能，確保開發(fā)測試生產(chǎn)環(huán)境的平滑遷移。這種多層次、多維度的發(fā)布能力，充分適配了不同企業(yè)的組織架構(gòu)和管控要求。原生開發(fā)體驗的無縫集成WeData深度集成Git版本管理系統(tǒng)，支持基于Git的協(xié)同開發(fā)和發(fā)布流程。開發(fā)人員可以沿用熟悉的開發(fā)工具和工作流，通過Git進(jìn)行代碼管理、分支合并、版本回滾等操作。這種原生集成方式不僅降低了學(xué)習(xí)成本，更重要的是保留了開發(fā)團(tuán)隊的既有工作模式，實現(xiàn)了DataOps理念的平滑落地。通過上述差異化能力，WeData不僅提供了技術(shù)先進(jìn)的DataOps平臺，更重要的是真正理解并滿足了企業(yè)在數(shù)字化轉(zhuǎn)型過程中的實際需求，幫助企業(yè)構(gòu)建適合自身特點的數(shù)據(jù)開發(fā)運維體系。-

22過程可管理，實驗可復(fù)現(xiàn)數(shù)據(jù)/特征/環(huán)境/代碼均可進(jìn)行存檔管理，并且數(shù)據(jù)/代碼/配置/模型/超參數(shù)/流水線均嚴(yán)格按照版本進(jìn)行管理，并記錄關(guān)聯(lián)關(guān)系，模型出現(xiàn)問題可快速進(jìn)行“歸零”，一步步從服務(wù)向前回溯到數(shù)據(jù)，發(fā)現(xiàn)根因并解決。模型可評估，效果可管控實現(xiàn)端到端集成測試，并支持非功能需求測試(安全性/公平性/可解釋性/負(fù)責(zé)任的AI等)，必須滿足相應(yīng)標(biāo)準(zhǔn)才可進(jìn)行上線/更新。模型可部署，服務(wù)可監(jiān)控支持云端部署，并支持服務(wù)性能指標(biāo)、模型效果指標(biāo)、數(shù)據(jù)漂移等多種監(jiān)控方式，保障服務(wù)線上效果。全流程開發(fā)自動化支持云端部署，并支持服務(wù)性能指標(biāo)、模型效果指標(biāo)、數(shù)據(jù)漂移等多種監(jiān)控方式，保障服務(wù)線上效果。依托騰訊云底座能力以及在Data和AI領(lǐng)域深厚的積累，WeData今年將在原有的數(shù)據(jù)平臺基礎(chǔ)上進(jìn)一步打造如下圖所示的AIOps功能架構(gòu)，實現(xiàn)數(shù)據(jù)管理--數(shù)據(jù)開發(fā)--模型訓(xùn)練--模型加工--服務(wù)交付的全流程貫通，達(dá)成高效和完善的AI開發(fā)全生命周期管理，并實現(xiàn)如下幾大特性，從而精準(zhǔn)解決企業(yè)業(yè)務(wù)/IT中的痛點問題。MLOps應(yīng)對方案模型投產(chǎn)消耗遠(yuǎn)超預(yù)期

Algorithmia2020：64%的企業(yè)部署一個新模型花費超過一個月的時間，55%的ML項目停留在實驗階段。模型服務(wù)不可持續(xù)模型迭代并部署上線的速度無法及時響應(yīng)業(yè)務(wù)需求的快速變更。從上線的那一刻開始模型存在降級退化風(fēng)險（數(shù)據(jù)漂移）。模型全生命周期難管理代碼、數(shù)據(jù)、算法、模型等資產(chǎn)缺乏統(tǒng)一的版本管理及可追溯能力。企業(yè)在ML/AI生產(chǎn)至應(yīng)用過程中缺乏相應(yīng)的規(guī)范?？鐖F(tuán)隊協(xié)作困難不同團(tuán)隊的工具和工作流程差異大。業(yè)務(wù)團(tuán)隊、運維團(tuán)隊和AI團(tuán)隊間的孤島效應(yīng)、溝通鴻溝無法逾越。WeData

MLOpsMLOps的核心是通過解決以下四個企業(yè)業(yè)務(wù)/IT中的痛點問題，從而實現(xiàn)企業(yè)大規(guī)模AI開發(fā)的降本增效目標(biāo)：企業(yè)痛點23

-資源管理、賬號管理、權(quán)限管理、監(jiān)控報警、儲存管理騰訊云統(tǒng)一Catalog服務(wù)/一體化Lakehouse儲存底座工作流worflow(支持創(chuàng)建自動化流水線)數(shù)據(jù)階段開發(fā)階段模型階段服務(wù)階段數(shù)據(jù)源對接、導(dǎo)入導(dǎo)出

(Embedding)Notebook開發(fā)工作區(qū)

(AutoML/AutoDL)模型管理

(注冊/導(dǎo)入導(dǎo)出/可視化)在線預(yù)測數(shù)據(jù)標(biāo)注

(人工/自動)實驗管理

(超參、模型、代碼、數(shù)據(jù)...儲存）模型評估與選擇服務(wù)/agent編排數(shù)據(jù)回流特征管理

(特征庫、特征選擇和處理、特征血緣、導(dǎo)入導(dǎo)出）模型壓縮服務(wù)監(jiān)控（指標(biāo)、漂移）數(shù)據(jù)清洗/增強(qiáng)/質(zhì)量評估開發(fā)鏡像/組件庫管理

(MLflow、ML模型、AI模型庫、LM模型庫、可視化)服務(wù)鏡像管理自動啟停/自動擴(kuò)縮容/灰度發(fā)布數(shù)據(jù)探索LM訓(xùn)練(精調(diào)、蒸餾)批量預(yù)測server(插件)市場/知識庫管理使用場景及案例騰訊云WeData的MLOps能力有如下獨特優(yōu)勢：獨特優(yōu)勢場景一：持續(xù)訓(xùn)練與模型更新問題：數(shù)據(jù)分布隨時間變化（如用戶行為、市場趨勢），模型需動態(tài)更新。案例：電商推薦系統(tǒng)中，根據(jù)用戶實時點擊和購買數(shù)據(jù)，自動觸發(fā)模型重新訓(xùn)練，保持推薦準(zhǔn)確性。場景二：監(jiān)控與漂移檢測問題：檢測模型性能下降或數(shù)據(jù)分布變化（如數(shù)據(jù)漂移、概念漂移）。案例：信用評分模型，監(jiān)控輸入特征分布變化（如收入?yún)^(qū)間偏移），觸發(fā)告警或重新訓(xùn)練。場景三：資源優(yōu)化與成本控制問題：管理訓(xùn)練/推理資源，平衡性能與成本。案例：云服務(wù)自動擴(kuò)縮容，根據(jù)推理請求量動態(tài)調(diào)整GPU實例數(shù)量。場景四：端到端AI產(chǎn)品生命周期管理問題：從數(shù)據(jù)準(zhǔn)備到模型退役的全流程管理。案例：智能客服系統(tǒng)，自動收集用戶反饋數(shù)據(jù)→清洗→重新訓(xùn)練→灰度發(fā)布→全量替換舊模型。WeData已經(jīng)建設(shè)了強(qiáng)大而完善的數(shù)據(jù)存儲、治理、開發(fā)等產(chǎn)品能力，進(jìn)一步提供MLOps能力，實現(xiàn)Data和AI的一體化，可以更好的幫助客戶貫通數(shù)據(jù)-模型-服務(wù)的全流程，更好的管理模型和數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，實現(xiàn)更強(qiáng)大的MLOps能力。依托騰訊云的強(qiáng)大底座，有充足的資源支持、穩(wěn)定的服務(wù)提供、多地域的能力支持、強(qiáng)大的產(chǎn)研開發(fā)團(tuán)隊、可靠的交付維保能力，支持客戶放心的進(jìn)行相關(guān)業(yè)務(wù)上云，實現(xiàn)數(shù)據(jù)價值的二次發(fā)現(xiàn)和利用。-

24通過構(gòu)建統(tǒng)一語義層，打破巴別塔困境，讓財務(wù)、運營、技術(shù)等部門用同一種“語言”理解數(shù)據(jù)、分析數(shù)據(jù)。統(tǒng)一語義層并非單一的技術(shù)點，而是一套系統(tǒng)性的解決方案，它從技術(shù)架構(gòu)創(chuàng)新、業(yè)務(wù)價值重塑和生態(tài)系統(tǒng)構(gòu)建三個維度出發(fā)，為企業(yè)數(shù)據(jù)能力建設(shè)注入了新的動能，有效地破解了數(shù)據(jù)孤島、業(yè)務(wù)技術(shù)鴻溝、治理難題和效率瓶頸。應(yīng)對方案多源異構(gòu)數(shù)據(jù)可信語義層WeDataUnity

Semantics智能應(yīng)用新生態(tài)智能加速語義建模數(shù)據(jù)知識API多級緩存數(shù)據(jù)概念全城數(shù)據(jù)資SemQL智能路由邏輯模型統(tǒng)一元數(shù)據(jù)Rest

APIDAG優(yōu)化器數(shù)據(jù)標(biāo)準(zhǔn)元數(shù)據(jù)向量化SDK聯(lián)邦查詢指標(biāo)語義混合檢索嵌入式組件一致性維度Agent

&

ChatBIBI工具智能檢索文檔、office嵌入式分析MySQLDorisHiveStarrocksLakehouseClichousePostgresTr-houseWeData

Unity

Semantics企業(yè)痛點數(shù)據(jù)孤島與集成復(fù)雜性：協(xié)同分析的壁壘在多數(shù)企業(yè)中，數(shù)據(jù)往往分散在各個獨立、互不聯(lián)通的業(yè)務(wù)系統(tǒng)中。這種“煙囪式”的信息化建設(shè)模式，導(dǎo)致不同系統(tǒng)間的數(shù)據(jù)在格式、存儲方式、接口標(biāo)準(zhǔn)等方面存在巨大差異，形成了所謂的“異構(gòu)系統(tǒng)”壁壘。這使得企業(yè)難以獲得全局、統(tǒng)一的數(shù)據(jù)視圖，數(shù)據(jù)如同散落的珍珠，難以串聯(lián)成展現(xiàn)業(yè)務(wù)全貌的項鏈。數(shù)據(jù)孤島直接導(dǎo)致企業(yè)無法進(jìn)行有效的跨域數(shù)據(jù)分析和深度價值洞察。任何需要整合多個數(shù)據(jù)源的分析項目，都面臨著漫長的數(shù)據(jù)集成周期、高昂的開發(fā)成本和不可預(yù)知的風(fēng)險。業(yè)務(wù)理解與技術(shù)鴻溝：價值轉(zhuǎn)化的“最后一公里”難題數(shù)據(jù)分析的最終目的是服務(wù)于業(yè)務(wù)決策，但業(yè)務(wù)人員與數(shù)據(jù)技術(shù)團(tuán)隊之間往往存在顯著的“語言”障礙。業(yè)務(wù)人員可能難以用準(zhǔn)確的技術(shù)術(shù)語描述其復(fù)雜多變的數(shù)據(jù)需求和背后的業(yè)務(wù)邏輯，而數(shù)據(jù)分析師和工程師則可能因為缺乏對具體業(yè)務(wù)場景的深入理解，導(dǎo)致產(chǎn)出的數(shù)據(jù)分析結(jié)果與業(yè)務(wù)實際需求脫節(jié)，出現(xiàn)“供需錯配”的現(xiàn)象。業(yè)務(wù)理解與技術(shù)鴻溝直接導(dǎo)致數(shù)據(jù)分析需求響應(yīng)遲緩，分析成果難以轉(zhuǎn)化為可指導(dǎo)行動的業(yè)務(wù)洞察。IT部門常常疲于應(yīng)付不斷涌現(xiàn)的、解釋不清的臨時數(shù)據(jù)需求，而業(yè)務(wù)部門則因數(shù)據(jù)支持不到位而滿意度低下。最終，企業(yè)期望通過數(shù)據(jù)驅(qū)動決策的戰(zhàn)略目標(biāo)也因此變得遙不可及。數(shù)據(jù)治理與一致性挑戰(zhàn)：可信數(shù)據(jù)的基石不穩(wěn)，Data

Agent可靠性不足許多企業(yè)雖然積累了海量數(shù)據(jù)，但數(shù)據(jù)的質(zhì)量卻不容樂觀。缺乏統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)和業(yè)務(wù)口徑，導(dǎo)致各類數(shù)據(jù)質(zhì)量問題頻發(fā)，如數(shù)據(jù)不準(zhǔn)確、不完整、不及時、不一致等。數(shù)據(jù)治理體系的設(shè)計往往復(fù)雜，強(qiáng)調(diào)數(shù)據(jù)的全生命周期管理、標(biāo)準(zhǔn)化、一致性和可追溯性，但在傳統(tǒng)架構(gòu)下難以有效落地。不可信的數(shù)據(jù)，導(dǎo)致Data

Agent落地困難。開發(fā)效率低下與維護(hù)成本高昂：敏捷響應(yīng)的沉重枷鎖傳統(tǒng)的數(shù)據(jù)開發(fā)模式，特別是依賴大量手工編寫ETL腳本的方式，往往流程冗長，難以快速響應(yīng)業(yè)務(wù)需求的變化。數(shù)據(jù)管道復(fù)雜且脆弱，一旦某個環(huán)節(jié)出現(xiàn)故障，排查和修復(fù)過程往往耗時費力。IT資源被大量消耗在低價值的重復(fù)勞動和繁瑣的系統(tǒng)維護(hù)上，難以集中精力支持業(yè)務(wù)創(chuàng)新和快速響應(yīng)市場變化。25

-NoETL引領(lǐng)數(shù)據(jù)工程新范式NoETL（或稱Zero-ETL,ETL-less）的核心思想是通過數(shù)據(jù)虛擬化、自動化元數(shù)據(jù)管理、智能查詢優(yōu)化和聯(lián)邦查詢等技術(shù)，最大限度地減少甚至消除傳統(tǒng)數(shù)據(jù)倉庫中大規(guī)模、周期性的物理ETL過程。統(tǒng)一語義層在NoETL架構(gòu)中扮演著至關(guān)重要的角色。它定義了業(yè)務(wù)用戶視角的數(shù)據(jù)模型、業(yè)務(wù)對象及其之間的邏輯關(guān)系。NoETL技術(shù)則依據(jù)這些語義定義，動態(tài)地連接、查詢并整合位于不同物理位置的底層異構(gòu)數(shù)據(jù)源。這意味著數(shù)據(jù)可以在其原始位置被訪問和使用，實現(xiàn)了“數(shù)據(jù)不搬遷，語義在線化”。這種組合拳有效地解決了數(shù)據(jù)孤島問題，使得企業(yè)能夠快速響應(yīng)業(yè)務(wù)變化，按需獲取和分析數(shù)據(jù)，而無需等待漫長的ETL開發(fā)周期。Headless

BI實現(xiàn)語義與展現(xiàn)分離，驅(qū)動分析應(yīng)用創(chuàng)新Headless

BI的核心思想是將數(shù)據(jù)分析的“大腦”（即語義層，包含數(shù)據(jù)模型、業(yè)務(wù)邏輯、指標(biāo)定義、計算口徑等）與“面孔”（即數(shù)據(jù)可視化、報表工具等展現(xiàn)層）進(jìn)行解耦。在這種架構(gòu)下，語義層成為一個獨立、可重用的組件，能夠為多種不同的前端分析工具和應(yīng)用提供一致的、標(biāo)準(zhǔn)化的數(shù)據(jù)服務(wù)和指標(biāo)定義。其核心價值在于實現(xiàn)“指標(biāo)一次定義，全場景復(fù)用”，避免了在不同BI工具或應(yīng)用中重復(fù)定義指標(biāo)、維護(hù)多套邏輯的混亂局面。統(tǒng)一語義層正是Headless

BI架構(gòu)中的那個“大腦”。它承載了企業(yè)范圍內(nèi)標(biāo)準(zhǔn)化的業(yè)務(wù)術(shù)語、關(guān)鍵績效指標(biāo)（KPIs）的計算口徑、維度層次結(jié)構(gòu)以及數(shù)據(jù)模型。通過API等方式，這個集中的語義層可以向各種上層應(yīng)用——無論是傳統(tǒng)的BI報表工具、敏捷BI平臺、數(shù)據(jù)科學(xué)家的Jupyter

Notebook，還是新興的自然語言查詢（NLQ）應(yīng)用乃至大語言模型——提供一致、可信的數(shù)據(jù)語義接口。這不僅極大地提升了數(shù)據(jù)分析的效率和結(jié)果的一致性，還使得企業(yè)在選擇或更換前端分析工具時具有更大的靈活性。融入現(xiàn)代數(shù)據(jù)架構(gòu)（如Data

Fabric/Data

Mesh）DataFabric（數(shù)據(jù)編織）和DataMesh（數(shù)據(jù)網(wǎng)格）架構(gòu)理念中，統(tǒng)一語義層扮演著更為關(guān)鍵的角色。在DataFabric中，語義層是實現(xiàn)數(shù)據(jù)“可發(fā)現(xiàn)、可理解、可信任、可互操作”的關(guān)鍵，有助于自動化元數(shù)據(jù)管理和數(shù)據(jù)集成。在Data

Mesh中，各個業(yè)務(wù)領(lǐng)域（Domain）在自治管理其數(shù)據(jù)產(chǎn)品（Data

Product）的同時，需要通過共享的、標(biāo)準(zhǔn)化的語義層來實現(xiàn)跨領(lǐng)域的數(shù)據(jù)理解和互操作性，確保領(lǐng)域自治與全局一致的平衡。統(tǒng)一語義層為這些先進(jìn)數(shù)據(jù)架構(gòu)的落地提供了核心技術(shù)支撐。某零售企業(yè)全鏈路用戶增長分析零售電商企業(yè)通常擁有線上（APP、網(wǎng)站、小程序、第三方電商平臺）和線下（實體門店）等多個用戶觸點。統(tǒng)一語義層能夠整合這些多渠道的用戶數(shù)據(jù)，包括瀏覽、點擊、搜索、加購、下單、支付、評價、退換貨等全鏈路行為，構(gòu)建統(tǒng)一的用戶行為指標(biāo)體系（如訪客數(shù)、轉(zhuǎn)化率、客單價、復(fù)購率、流失率等）。通過這些語義化的指標(biāo)，企業(yè)可以清晰洞察用戶在整個消費旅程中的行為模式、偏好、痛點和關(guān)鍵轉(zhuǎn)化節(jié)點，進(jìn)而優(yōu)化營銷策略、改進(jìn)產(chǎn)品設(shè)計、提升用戶體驗，驅(qū)動業(yè)務(wù)增長。例如，自然堂集團(tuán)與觀遠(yuǎn)數(shù)據(jù)合作的問數(shù)GPT項目，通過大模型結(jié)合BI，利用統(tǒng)一的數(shù)據(jù)口徑，加速了數(shù)據(jù)分析需求的響應(yīng)。通過統(tǒng)一語義層構(gòu)建可靠指標(biāo)體系，釋放業(yè)務(wù)自助分析潛力，支撐企業(yè)商務(wù)智能（BI）分析。某互聯(lián)網(wǎng)科技企業(yè)敏捷A/B測試，快速基于數(shù)據(jù)驅(qū)動驗證迭代效果互聯(lián)網(wǎng)產(chǎn)品（如社交應(yīng)用、搜索引擎、內(nèi)容平臺、在線游戲等）的優(yōu)化和功能迭代高度依賴A/B測試。統(tǒng)一語義層通過對核心業(yè)務(wù)指標(biāo)（如日活躍用戶DAU、次日留存率、用戶平均使用時長、點擊率CTR、轉(zhuǎn)化率

CVR、付費用戶比例等）進(jìn)行標(biāo)準(zhǔn)化定義和統(tǒng)一計算，能夠支持大規(guī)模A/B測試的高效部署、數(shù)據(jù)自動采集與科學(xué)評估。產(chǎn)品和運營團(tuán)隊可以基于一致的、可信的指標(biāo)數(shù)據(jù)快速判斷不同策略的優(yōu)劣，從而做出更明智的產(chǎn)品決策，驅(qū)動產(chǎn)品的敏捷優(yōu)化和快速迭代。使用場景及案例-

26獨特優(yōu)勢生態(tài)鏈接層：提供Restful、JDBC、gragphOL、JSSDK、PythonSDK、office文檔插件等豐富的下游生態(tài)對接能力。語義建模層：元數(shù)據(jù)管理、業(yè)務(wù)術(shù)語定義、維度建模、指標(biāo)建模、構(gòu)建統(tǒng)一的業(yè)務(wù)語義模型。自適應(yīng)加速層：基于HBO、CBO的自動物化加速配置，根據(jù)用戶query的智能數(shù)據(jù)源路由，多級緩存加速。數(shù)據(jù)源層：結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)，企業(yè)各類數(shù)據(jù)源。數(shù)據(jù)編織層：基于統(tǒng)一數(shù)據(jù)目錄，進(jìn)行數(shù)據(jù)跨源異構(gòu)數(shù)據(jù)源的組織邏輯編織，形成企業(yè)統(tǒng)一數(shù)據(jù)邏輯圖，打破數(shù)據(jù)孤島。構(gòu)建全域數(shù)據(jù)資產(chǎn)目錄：實現(xiàn)數(shù)據(jù)的可知、可懂、可用、可運營元數(shù)據(jù)管理的業(yè)務(wù)化升華：傳統(tǒng)元數(shù)據(jù)管理更多關(guān)注數(shù)據(jù)的技術(shù)屬性（如表結(jié)構(gòu)、字段類型、存儲位置等），對業(yè)務(wù)用戶而言如同天書。統(tǒng)一語義層通過將這些技術(shù)元數(shù)據(jù)與業(yè)務(wù)概念（如業(yè)務(wù)術(shù)語、業(yè)務(wù)對象、指標(biāo)定義、數(shù)據(jù)域劃分）進(jìn)行映射和關(guān)聯(lián)，將純粹的技術(shù)描述“翻譯”成業(yè)務(wù)人員能夠理解和使用的“數(shù)據(jù)語言”。這是構(gòu)建真正面向業(yè)務(wù)、服務(wù)于業(yè)務(wù)的數(shù)據(jù)資產(chǎn)目錄的核心所在。數(shù)據(jù)資產(chǎn)目錄的目標(biāo)是讓數(shù)據(jù)管理方掌握自己有哪些數(shù)據(jù)，數(shù)據(jù)的共享級別和安全等級等。提供統(tǒng)一的數(shù)據(jù)發(fā)現(xiàn)與理解門戶：基于統(tǒng)一語義層構(gòu)建的數(shù)據(jù)資產(chǎn)目錄，如同企業(yè)的“數(shù)據(jù)地圖”和“數(shù)據(jù)活字典”。用戶可以通過熟悉的業(yè)務(wù)視角（如按業(yè)務(wù)主題、業(yè)務(wù)流程、指標(biāo)名稱等）進(jìn)行搜索、瀏覽和理解數(shù)據(jù)資產(chǎn)。目錄不僅展示數(shù)據(jù)的基本信息，還應(yīng)清晰揭示數(shù)據(jù)的業(yè)務(wù)含義、計算邏輯、數(shù)據(jù)來源、更新頻率、質(zhì)量狀況、負(fù)責(zé)人、使用權(quán)限等關(guān)鍵信息，幫助用戶快速找到所需數(shù)據(jù)并準(zhǔn)確理解其內(nèi)涵。語義建模賦能大模型時代智能分析：破解語義匱乏與“幻覺”難題為大模型提供精準(zhǔn)、一致的“企業(yè)知識上下文”：統(tǒng)一語義層將企業(yè)的業(yè)務(wù)規(guī)則、指標(biāo)體系、維度層次、數(shù)據(jù)之間的邏輯關(guān)系等，以結(jié)構(gòu)化、標(biāo)準(zhǔn)化的方式定義和組織起來。這相當(dāng)于為大模型提供了一個關(guān)于該企業(yè)業(yè)務(wù)領(lǐng)域的“真理知識庫”(groundtruth)和精準(zhǔn)的“上下文環(huán)境”。當(dāng)大模型接收到用戶提問時，可以參照語義層中的定義來消解歧義、理解真實意圖，并生成更貼合業(yè)務(wù)實際的回答。連接自然語言與結(jié)構(gòu)化查詢（Text-to-SQL的“翻譯官”）：對于涉及結(jié)構(gòu)化數(shù)據(jù)的分析需求，統(tǒng)一語義層扮演了關(guān)鍵的“翻譯官”角色。它能夠幫助大模型將用戶的口語化、自然語言提問，準(zhǔn)確地映射到語義層中定義的指標(biāo)、維度和業(yè)務(wù)對象，進(jìn)而將其轉(zhuǎn)化為可執(zhí)行的后端數(shù)據(jù)查詢指令（如SQL）。這大幅提升了Text-to-SQL的準(zhǔn)確率和魯棒性，使得非技術(shù)用戶也能通過對話方式與數(shù)據(jù)進(jìn)行交互?；贜oETL理念的物化表、自適應(yīng)加速：提升開發(fā)效率基于指標(biāo)、維度生成物化表，無需創(chuàng)建ETL調(diào)度作業(yè)，提升數(shù)倉匯總表開發(fā)、維護(hù)效率，同時統(tǒng)一口徑提升數(shù)據(jù)可信度。SemQL(Semantic

Query

Language)，統(tǒng)一語義層查詢語言SemQL以類SQL語法支持指標(biāo)、維度、模型的查詢能力，并提供JDBC接口，方便下游系統(tǒng)和用戶使用，智能分析從原來的Text

to

SQL轉(zhuǎn)向Text

to

SemSQL可以降低幻覺提升準(zhǔn)確度。27

-企業(yè)在流式數(shù)據(jù)開發(fā)與運維中面臨三重挑戰(zhàn)：開發(fā)效率低下、運維成本高企、實時AI能力缺失。復(fù)雜的Flink/SQL代碼編寫依賴人工經(jīng)驗，調(diào)試與優(yōu)化耗時耗力；隨著數(shù)據(jù)任務(wù)規(guī)模擴(kuò)大，傳統(tǒng)運維手段難以精準(zhǔn)識別異常，誤報率高且日志分析效率低下；同時，傳統(tǒng)AI分析需將數(shù)據(jù)離線導(dǎo)出處理，導(dǎo)致風(fēng)控、推薦等場景響應(yīng)延遲高，無法在數(shù)據(jù)產(chǎn)生時直接調(diào)用模型，實時業(yè)務(wù)價值難以釋放。企業(yè)痛點Oceanus通過AI驅(qū)動的代碼開發(fā)與智能運維管理，結(jié)合流處理與實時AI深度融合，系統(tǒng)性解決企業(yè)痛點。在代碼開發(fā)側(cè)，AI基于Flink語法和上下文語義，智能補全流式數(shù)據(jù)處理代碼（如自動生成窗口函數(shù)邏輯），并針對

SQL執(zhí)行計劃與資源消耗提供優(yōu)化建議（如索引優(yōu)化、并行度動態(tài)調(diào)整），開發(fā)效率提升。同時，AI實時檢測語法錯誤（如算子配置錯誤）和性能瓶頸（如內(nèi)存溢出風(fēng)險），減少調(diào)試時間。在運維管理側(cè)，AI通過分析歷史數(shù)據(jù)與實時指標(biāo)（吞吐量、背壓等），預(yù)測異常趨勢（如數(shù)據(jù)積壓）并提前預(yù)警，結(jié)合任務(wù)健康評分機(jī)制優(yōu)化資源分配。AI還可精準(zhǔn)過濾無效日志，定位根因（如服務(wù)調(diào)用超時鏈路），并自動生成運維報告，將故障定位縮短。同時，F(xiàn)link

CDC

3.3原生支持在數(shù)據(jù)流處理中動態(tài)調(diào)用AI模型（如OpenAI），實時對數(shù)據(jù)庫變更數(shù)據(jù)執(zhí)行智能排序、語義分析或欺詐檢測。結(jié)合檢索增強(qiáng)生成（RAG）技術(shù)，實現(xiàn)端到端的低延遲處理，例如在用戶行為數(shù)據(jù)產(chǎn)生瞬間生成個性化推薦內(nèi)容，徹底打破離線分析的效率瓶頸。應(yīng)對方案某銀行在實時風(fēng)控場景中，通過Flink

CDC捕獲交易流水，動態(tài)調(diào)用AI模型分析交易金額、IP地址等特征，實時攔截高風(fēng)險交易，將風(fēng)險響應(yīng)速度從分鐘級壓縮至秒級，日均攔截量增加，誤判率降低。在電商領(lǐng)域，某平臺基于用戶實時瀏覽行為，利用RAG技術(shù)生成動態(tài)推薦列表并推送至前端，推薦轉(zhuǎn)化率提升，用戶停留時長增加。此外，某互聯(lián)網(wǎng)公司借助AI日志分析自動識別Flink任務(wù)內(nèi)存配置問題，優(yōu)化后任務(wù)中斷率下降，運維人力成本減少。使用場景及案例獨特優(yōu)勢Oceanus流批增量一體化全棧式流處理+AI能力實現(xiàn)FlinkCDC與AI模型原生深度集成的平臺，支持流式數(shù)據(jù)無需落盤即可調(diào)用AI服務(wù)，保障端到端極低延遲。騰訊行業(yè)級場景驗證騰訊海量高并發(fā)場景，可支撐每秒百萬級數(shù)據(jù)處理。騰訊云豐富AI生態(tài)騰訊云內(nèi)部生態(tài)豐富，如騰訊云TI平臺、OpenAI等主流模型庫，支持快速接入自定義模型，覆蓋風(fēng)控、NLP、CV等多領(lǐng)域。智能化全生命周期管理從代碼開發(fā)（AI補全）、任務(wù)運維（健康評分）到實時決策（RAG增強(qiáng)），提供閉環(huán)AI輔助工具，降低技術(shù)門檻50%以上。-

28數(shù)據(jù)湖計算DLC過去，大數(shù)據(jù)及AI計算資源不統(tǒng)一，客戶需要分別為大數(shù)據(jù)及AI購買不同的資源，兩種資源隔離，無法互相復(fù)用。此外數(shù)據(jù)需在Data和AI體系中流動，降低時效性并進(jìn)一步增加成本。企業(yè)痛點騰訊云數(shù)據(jù)湖計算DLC結(jié)合騰訊云一站式數(shù)智平臺WeData，提供DataOps+MLOps一體化平臺解決方案。具體在傳統(tǒng)成熟的數(shù)據(jù)工程鏈路上，面向企業(yè)級機(jī)器學(xué)習(xí)場景進(jìn)一步提供一體化的DataOps+MLOps能力，從而實現(xiàn)一份數(shù)據(jù)&計算資源for數(shù)據(jù)工程和ML訓(xùn)推，提供一體化、更簡便易用、性價比更優(yōu)的新一代數(shù)據(jù)平臺解決方案，實現(xiàn)數(shù)據(jù)工程、SQL、ML等功能集成于統(tǒng)一平臺，價值包括：應(yīng)對方案統(tǒng)一notebook開發(fā)界面統(tǒng)一元數(shù)據(jù)DLC一體化Lakehouse存儲底座統(tǒng)一任務(wù)編排統(tǒng)一數(shù)據(jù)資產(chǎn)治理統(tǒng)一項目空間WeData統(tǒng)一開發(fā)編排及治理界面融合DataOps+MLOps的一體化CI/CD

Pipeline數(shù)據(jù) 數(shù)據(jù) 數(shù)據(jù) 數(shù)據(jù) 數(shù)據(jù)采集 開發(fā) 編排 監(jiān)控 治理DataOps大數(shù)據(jù)編排工作流MLOps大數(shù)據(jù)編排工作流模型應(yīng)用在線推理離線推理結(jié)構(gòu)化數(shù)據(jù)Table

Catalog非結(jié)構(gòu)化數(shù)據(jù)Volume

CatalogTables

Views

FunctionsModels AI

FunctionsModel

Catalog