2025年AI数字人才报告：思维方式-实践思路-场景梳理.pdf

第 1 页帆软|研究院经验分享AI数字人才思维方式，实践思路，场景梳理第 2 页帆软|研究院经验分享主要主要目标目标实践1:ai快速生成海报实践2:ai形成短视频营销实践3:ai协助项目管理实践4:ai进行电销提效实践5:ai助力舆情分析实践6:ai提升seo实践7:ai在LTC全链路的改进实践8:ai在私域运营的应用实践9:ai的内容营销实践10:ai的获客智能体实践1：deepseek出数据分析报告实践2：在企业级数据里，有哪些帮助呢？实践3：如何进行数据问答实践4：一键生成分析报告实践5：一键生成仪表盘实践6：业务导向的探索分析实践7：数据导向的探索分析实践8：如何用ai进行数据课题研究实践1：客户投诉分析实践2：ai知识库应用实践3：ai提取会议待办实践4：危险物品入库，填错咋办实践5：手工登记信息麻烦实践6：人为填报效率低实践7：隐患上报要快实践8：AI助力销售日报实践9：AI助力简历评估实践10：AI辅助商机根进01ai数据数据分析分析02AI应用应用搭建搭建03ai业务业务探索探索第 3 页帆软|研究院经验分享欢迎大家欢迎大家多提问多提问010203一次培训一次操作一次交流01第 5 页帆软|研究院经验分享问题问题1：AI对数字化工作有什么影响？第 6 页帆软|研究院经验分享趋势趋势1：交付：交付结果结果第 7 页帆软|研究院经验分享趋势趋势2：技术：技术平权平权第 8 页帆软|研究院经验分享一个特殊的例子：从一个特殊的例子：从工具到工具到员工员工第 9 页帆软|研究院经验分享趋势趋势3：agent推进人机协同推进人机协同第 10 页帆软|研究院经验分享人机协同的人机协同的思考思考第 11 页帆软|研究院经验分享趋势趋势4：信息化跃：信息化跃迁迁第 12 页帆软|研究院经验分享清晰可衡量的指标定义清晰可衡量的指标定义你看 applovin 保障的下载量是明确可被定义的指标，清晰，无歧义，是共识。指标能被实时监测指标能被实时监测你说结果好，口说无凭，要不仅可监控，更要实时，下载量也满足这个条件。要能明确的归因要能明确的归因从下载量而言，哪些人爱下载，在哪里下载这些因素是可以被明确出来的。实时收集用户行为数据实时收集用户行为数据用户下载后有没有注册，注册了有没有付费是可以被实时监控的，也就能对哪些环节，用户没做进行改进。Raas的限制的限制条件条件第 13 页帆软|研究院经验分享认识信息化发展的认识信息化发展的水平水平02第 15 页帆软|研究院经验分享问题问题2:从数据分析出发，AI应用的第一步是什么？第 16 页帆软|研究院经验分享1，梳理业务，梳理业务流程流程数据数据处理处理确定业务问题明晰分析期望定义问题定义问题数据分析数据分析决策应用决策应用智能生成SQL智能SQL解释智能数据编辑智能生成公式智能生成图表智能美化布局智能洞察关键指标结论的分析文档第 17 页帆软|研究院经验分享问题问题3:如何把AI应用到数据分析第 18 页帆软|研究院经验分享实践实践1：deepseek出数据分析出数据分析报告报告1.数据搜集外部数据分析：可在巨潮资讯网、新浪财经、同花顺等网站下载收集需要分析的上市公司财务数据；内部数据分析：在内部财务系统下载自己公司内部的财务报表数据。2.财务分析看板生成将第一步收集的财务数据输入模型，自动生成财务分析看板。(1)输入各年度财务数据(2)生成财务分析看板第 19 页帆软|研究院经验分享贵州茅台的利润表贵州茅台的利润表分析分析第 20 页帆软|研究院经验分享当前 AI 模型的分析能力主要依赖于公开数据源及用户提供的结构化数据，在涉及业务场景深度融合与企业内部数据穿透分析方面存在局限性。对于需要结合行业特性、企业战略及内部敏感信息的高阶分析需求，需人工进行补充完善。建议将 AI 输出作为方向性指引，重点关注其挖掘出的异常指标与潜在趋势，以此提升人工分析效率。数据质量方面，由于互联网公开信息存在碎片化、非结构化及数据质量参差不齐等特点，AI 在自动抓取上市公司财务数据时存在数据失真风险。因此建议：核心财务数据优先采用权威渠道（如交易所官网、巨潮资讯）的原始数据进行。AI数据应用的局限性数据应用的局限性第 21 页帆软|研究院经验分享AI数据应用的局限性数据应用的局限性第 22 页帆软|研究院经验分享简化操作简化操作让用户从繁琐中解放，专注于数据分析的深入思考降低门槛降低门槛大幅降低使用门槛，无需用户精通每一个功能细节智能洞察智能洞察AI助手自动提取关键信息与指标，智能输出分析文档实践实践2：在企业级数据里，有哪些帮助：在企业级数据里，有哪些帮助呢？呢？0304某能源企业应用ChatBI具备“天时、地利、人和”，位于AI成熟度模型的“自主”阶段参考：IDC中国企业AI成熟度研究报告局部推广局部推广（落地）（落地）单点实验单点实验（探索）（探索）战略战略组织组织&人才人才AB扩展复制扩展复制（自主）（自主）C运营管理运营管理（规模）（规模）D优化创新优化创新（转型）（转型）E组织对于用AI做什么以及怎么做尚未达成战略共识无清晰的AI管理和应用组织架构，也无专职角色负责AlAI对组织的价值贡献获验证，获得了一些资源投入业务、IT和数据科学等部门配合促成了AI项目成功落地Al在战略中得到明确阐述，管理层强调 AI优先文化设立了有限规模的AI团队以保障对AI技术应用的自主可控根据业务真实需求，能够识别一定数量的AI场景应用并落地Al提升了组织业务创新智能化程度，实现众多场景落地AI战略与数字化转型、创新研发、人力资源等战略高度协同实现全面业务AI化，Al是所有业务战略和技术创新的关键员工普遍具有很高AI素养，建立了统一面向AI的卓越中心（CoE）运营运营组织尚在寻找启动AI项目的应用场景和业务领域找到单个AI应用真场景，并首次跑通AI落地流程AI团队人员齐全，与业务和IT部门协作有成熟机制保障AI无缝融合到每一个业务过程、产品和服务中参考：IDC中国企业AI成熟度研究报告数据数据技术技术组织不懂哪些数据可用于AI没有规范的采集和治理机制对AI的探索和尝试主要依靠外部现成的开源技术组织尚无法正确定义AI的数据要求首次实现了不同技术的结合，但缺乏标准的架构支撑组织较好定义了AI的数据要求，建立了数据质量标准方法论组织有能力开发一些技术工具，支持自主实现AI的开发部署形成成熟的面向AI应用的数据采集、治理体系和方法论组织搭建了统一的AI技术中台面向AI的数据获取及整合的基础架构和工具实现高度自动化构建了以AI为核心，融合业务系统、IT系统，能实现自动化调度的架构AI成熟度成熟度阶段阶段天天时时地地利利人人和和地利（技术）：某能源企业依托FineBI提供的数据及规则模型，作为应用ChatBI的技术能力前提ChatBI：问答取数问答取数、分析、分析、检索、检索智能预警、分级分类 风险库设计进度工效分析项目管理风险监控生产统计分析动态费用监控分析收支失衡风险、风险国家出差等数据存储数据存储数据服务数据服务数据同步数据同步全量全量/增量增量/实时实时风险预警&处置信息 异常点 数数 据据 同同 步步 反反 哺哺 系系 统统 建建 设设外部数据集成外部数据集成智慧工地智慧工地奖金发放分析生产人员结构分析确权管理确权管理竣工进度竣工进度垫资情况垫资情况资金收付资金收付结算管理结算管理奖励兑现奖励兑现风险处置情况风险预警情况财务系统财务系统OA智慧工地智慧工地财务共享财务共享BIM设计协同设计协同报表驾驶舱中心报表驾驶舱中心动态监控动态监控、自动统计自动统计重大风险重大风险轻轻/中风险中风险整改落实整改落实情况反馈情况反馈 负现金流归因分析价格合理性分析统筹付款决策分析 费用超支归因分析数数 据据 互互 通通 流流 程程 互互 通通风险关闭其他其他IT系统系统分级 分类 模型预警 规则 模型风险处置风险处置风险 库疑点 库业务管理与数据采集业务管理与数据采集数据中心数据中心大数据平台大数据平台数数 据据 支支 撑撑 反反 哺哺 数数 据据 质质 量量大商务平台大商务平台数据数据清洗清洗数据数据管理管理资产资产/指标指标风险预警中心风险预警中心异常归因报告异常归因报告场景决策应用场景决策应用基于基于FineBI搭建了坚实的技术底座搭建了坚实的技术底座叠加叠加ChatBI形成形成企业级对话式企业级对话式BIFineChatBI对话引擎、上层应用FineBI数据源连接、数据建模与计算引擎、可视化组件等公共能力100%基于推理的大模型由于幻觉问题幻觉问题，回答精准度低回答精准度低，难以让人信任，这一问题在企业决策分析里容忍度几乎为0BI底座能够提供数据与规则模型数据与规则模型，大模型提供问答推理能力，二者结合保证精准度，是ChatBI在某能源企业广泛应用的必要技术前提技术前提人和组织&人才：某能源企业设计了适宜的组织架构，并对关键角色的重点能力进行提升，保障了ChatBI应用的顺利推行业务需求分析能力业务需求分析能力产品理解能力产品理解能力用户体验能力用户体验能力运营能力运营能力业务数据理解能力业务数据理解能力ABCDE通过有效地引导，捕获用户真实需求，总结出场景痛点，确保需求能够准确反映业务需要透彻地了解产品的现有能力以及中短期迭代方向，以便能够合理地规划已识别痛点场景的满足情况能够有效地获取用户体验信息，并且使用系统地方法研究用户的行为、需求和喜好，总结出用户使用路径，优化阻塞用户使用问题制定并实施产品推广、用户增长方案，共情用户需求，关注用户反馈，从而制定产品优化方案能够根据异常提问判断是否从底层补充数据，或者是需要跟用户沟通改变提问内容产品理解能力产品理解能力数据开发能力数据开发能力服务器运维能力服务器运维能力数据安全管理能力数据安全管理能力ABCD需要了解产品后台配置的功能逻辑以及使用方法，能够根据埋点信息判断用户问题基于底层改造或是配置的方案解决，协同产品经理找到最优解能够根据产品经理的诉求，建设对应的数据模型，并且数据的质量很大程度上影响问答精度，所以需要能够评估和优化数据治理方案，确保实施方案的有效性和合规性负责产品的部署、迭代更新操作、服务器健康度监控等负责整体数据安全方面的管理，包括权限的管控、合规、风险监控、治理等具体描述具体描述能力域能力域组织架构设计组织架构设计人才能力完善人才能力完善“大大”领导领导（业务资源调动）ChatBI 产品经理产品经理（用户群体、需求识别）ChatBI IT归口归口（数据准备、底层设计、权限分配）主题主题A负责人负责人（知识配置、数据维护）系统管理员系统管理员（产品升级、服务器运维、权限管理）主题主题B负责人负责人（知识配置、数据维护）业务代表业务代表（提问方式、试运行测试）FineBI能够覆盖某能源企业大部分职能线员工的数据需求，但其仍然存在一些使用痛点一线销售员工数据分析水平员工数据分析诉求高低低高投资分析师财务BP共享财务售后服务一线销售员工查数/取数不频繁员工查数/取数频繁某能源企业各职能员工数字化工具覆盖情况某能源企业各职能员工数字化工具覆盖情况FineBI已覆盖已覆盖经过多期的平台建设，FineBI已能覆盖某能源企业大部分职能线的员工对于数据应用的需求挑战挑战1:数据数据“千人一面千人一面”团队数据看板仅支持通用需求，用数者找不到自己想要的数据挑战挑战3:看板看板“可看不可用可看不可用”看板信息量冗余，关键信息散落在多个报表中，且筛选条件繁琐复杂，难以使用挑战挑战2:数据数据“千金难求千金难求”用数者个性化的数据需求依赖数字化部门的供应，响应周期长，错失分析灵感挑战挑战4:工具工具“体验钝涩体验钝涩”用数者缺乏时间学习掌握BI工具的功能操作，导致数据应用体验不佳FineBI未覆盖未覆盖但是仍有部分职能线员工的数据应用需求尚未被完全覆盖，使用FineBI时仍存一些痛点传统传统BI工具使用时尚存一些痛点工具使用时尚存一些痛点数据数据供需供需不匹配不匹配业务运营尤其针对某能源企业的一线销售和业务运营，FineBI存在的使用痛点导致他们的数据需求尚未被完全满足一线销售员工数据分析水平员工数据分析诉求高低低高投资分析师财务BP共享财务业务运营售后服务一线销售员工查数/取数不频繁员工查数/取数频繁FineBI已覆盖已覆盖FineBI未覆盖未覆盖某能源企业两类员工使用某能源企业两类员工使用FineBI时的痛点时的痛点一线销售一线销售业务运营业务运营用户用户特征特征查数查数频率频率分析分析诉求诉求分析分析水平水平高高低低低低FineBI 使用使用痛点痛点1.更关心自身情况而不是团队情况，团队视角出发制作的FineBI看板太通用，太冗余2.碎片化时间很多，在出差途中、会议间歇没有办法从FineBI看板里快速地获取到自己想要的数据3.缺乏时间和意愿投入学习FineBI，使工具使用体验不佳用户用户特征特征查数查数频率频率分析分析诉求诉求分析分析水平水平高高中低中低中低中低FineBI 使用使用痛点痛点1.不定期需要做简单的业务统计报告，报告结论需要通过一系列指标维度组合得出，而FineBI看板里不包含这些组合2.想要的数据散落在各个看板里，添加筛选的过程容易出错3.领导关注某些组合指标的变化情况，需要从BI里找出相关数据再自己制作图表，费时费力经过多期的平台建设，FineBI已能覆盖某能源企业大部分职能线的员工对于数据应用的需求但是仍有部分职能线员工的数据应用需求尚未被完全覆盖，使用FineBI时仍存一些痛点某能源企业各职能员工数字化工具覆盖情况某能源企业各职能员工数字化工具覆盖情况05第 31 页帆软|研究院经验分享数据分析的场景，我们是如何分类数据分析的场景，我们是如何分类的的效率类提高数据获取效率提高数据获取效率加速业务流程加速业务流程基础类解决数据孤岛解决数据孤岛打通数据壁垒打通数据壁垒业务类提升业务价值提升业务价值降成本增效益降成本增效益管理类数据驱动管理数据驱动管理决策不再盲目决策不再盲目工具数字化项目业务变革第 32 页帆软|研究院经验分享首先，ai不是神药，是现代医疗过程，也不是拿到啥工具，用一下；其次，找到成本有限，但是业务需要增长的团队；项目项目类：如何给大家建立类：如何给大家建立AI信心？信心？第 33 页帆软|研究院经验分享服务团队：一线问题自动生成服务团队：一线问题自动生成项目背景项目背景23年的技术支持一线问题总数（包含 fr，bi，fdl 的全量）是 319254，最近几年的的问题数量也是逐年递增。“平均每天要花 30 分钟来总结和录入一线问题。”目标目标AI自动生成问题的准确率达到 90%AI 应用的稳定性要求在月度工作日中出现严重事故的天数 2000 小时/年；使用人数 60+；采集问题 1700 条/天；AI认可率 93.37%评价评价Lucy：一线同学每天都要花费二十多分钟来记录服务问题，我们的项目将这个时间缩短了 50%。第 34 页帆软|研究院经验分享帮助文档小帮助文档小助手助手项目背景项目背景客户经常就一些产品使用问题来查询帮助文档，但是传统的关键词搜索有一些限制和不足（通过AI增强帮助文档的搜索体验），需要通过别的方案解决。目标目标完成帆软文档知识库（小助手）正式版的上线。服务用户数能够达到 600 人/日，问题数达到 4000 个/天成果成果投入：周期60天，开发成本 53.78 人天，软硬件 5w 元/年产出：提效 5000 小时/年；覆盖客户数 14400+；对话 3.5k 次/天，搜索 10k 次/天。评价评价susie-：文档小助手可以帮助用户快速找到所需的产品知识，减少翻阅文档的时间。它还会横向对比不同的文档片段，给出更全面更关键的答案。第 35 页帆软|研究院经验分享战略战略类：舆情分析类：舆情分析&友友商监控商监控基于【业务需求+外部数据+AI分析】的思路将洞察能力产品化通过自动化、标准化、常态化地高效提供高价值的信息，满足业务方的洞察需求。自动化、常态化地提供目标客户的实时舆情，让销售团队及时掌握客户舆情/动态结合需求通过AI分析提炼舆情关键信息输出潜在机会，补足舆情方向的商机缺口训练分析模型产出明确商机，支撑转化可执行的销售线索；第 36 页帆软|研究院经验分享核心思路：看核心思路：看 5 年，想年，想 3 年，认认真真做年，认认真真做 1 年年TAM长期理论市场SAM中期机会市场SOM短期核心市场TAM Total Available Market理论全量市场SAM Serviceable Available Market努力可渗透市场SOM Serviceable Obtainable Market核心可获取市场看看 5 年年评估中长期市场上行潜力想想 3 年年评估中短期市场机会潜力认认真真做认认真真做1年年短期要拿下的机会份额第 37 页帆软|研究院经验分享总结总结一下一下如何驾驭好AI？第 38 页帆软|研究院经验分享总结总结一下一下痛点痛点-企业现状企业现状价值价值-研究院可以提供什么？研究院可以提供什么？场景研讨场景研讨-参与流程参与流程实践实践-助力企业助力企业AI场景落地场景落地AI概念满天飞概念满天飞，企业该企业该如何与业务精准结合如何与业务精准结合？担心投入巨大效果未知，担心投入巨大效果未知，如何进行低风险规划？如何进行低风险规划？有数据、有工具，但有数据、有工具，但AIAI落落地的第一步该迈向何方地的第一步该迈向何方?团队缺少团队缺少AIAI经验，希望经验，希望获得外部专家指导和启获得外部专家指导和启发发第 39 页帆软|研究院经验分享我们提供的，不止一场分享会我们提供的，不止一场分享会痛点痛点-企业现状企业现状价值价值-研究院可以提供什么？研究院可以提供什么？场景研讨场景研讨-参与流程参与流程实践实践-助力企业助力企业AI场景落地场景落地一份共创研讨的一份共创研讨的“AIAI应用地图应用地图”一次与帆软专家的一次与帆软专家的“深度链接深度链接”一个高价值的一个高价值的“AIAI实践者圈子实践者圈子”活动强调与来自不同行业的活动强调与来自不同行业的“AIAI实实践圈子践圈子”中的决策者和实践者深入中的决策者和实践者深入交流，帮助参与者了解交流，帮助参与者了解AIAI技术应用技术应用的最新趋势、动态，高效拓展本地的最新趋势、动态，高效拓展本地人脉资源。人脉资源。我们会要在我们会要在AIAI场景应用实操方面经验丰富的专家及场景应用实操方面经验丰富的专家及嘉宾，通过实际案例分享与方法论的解析，为参与嘉宾，通过实际案例分享与方法论的解析，为参与者提供深具启发性的实践经验。您可以与专家面对者提供深具启发性的实践经验。您可以与专家面对面对谈，获得面对谈，获得AIAI应用方面专业的解答和建议。应用方面专业的解答和建议。帆软专家作为引导者，与您和同行一起，围绕真实业务需求，帆软专家作为引导者，与您和同行一起，围绕真实业务需求，聚焦于解决企业聚焦于解决企业AIAI应用业务痛点，携手共同绘制出可行的、应用业务痛点，携手共同绘制出可行的、适合企业发展的适合企业发展的AIAI应用场景蓝图。应用场景蓝图。第 40 页帆软|研究院经验分享灵感碰撞灵感碰撞-参与流程一览参与流程一览痛点痛点-企业现状企业现状价值价值-研究院可以提供什么？研究院可以提供什么？场景研讨场景研讨-参与流程参与流程实践实践-助力企业助力企业AI场景落地场景落地持续时长：半天参与者:XXX议程与内容时间示例内容08:30-08:40开场破冰08:40-09:40帆软专家-AI 思维+场景分享09:40-11:10帆软专家&业务团队讨论11:10-11:40团队分享11:40-12:00进行总结议程安排议程安排 企业企业AIAI场景落地实施路径场景落地实施路径第三阶段第三阶段第一阶段第一阶段第二阶段第二阶段AIAI应用全景图应用全景图场景优先级排场景优先级排序序场景目标制定场景目标制定实施计划实施计划设计与交付设计与交付AIAI诊断诊断开展及普及核心流程负负责人责人AIAI知识知识，以运营为痛点出发，挖掘运营流运营流程程痛点及AIAI提升方向提升方向。输出输出流程图、痛点提升方向结合运营痛点与AI技术潜力，明确价值流提升提升机会机会与所需AIAI应用场景应用场景。输出输出AI应用场景全景图评估场景业务价值和技术可行性，筛选重点场景。结合贡献价值、运贡献价值、运营痛点营痛点及整体效益确定场景优先级排序。输出输出应用场景优先级排序结合公司战略及业务目标，明确AI的核心价值与目标（短期、中期、长期）与基础设施建设支撑需求。输出输出AI发展路径及目标规划短、中、长期阶段性部署方案，关键节点及里程碑。制定分阶段落地计划。输出输出AI落地规划、里程碑、效益设计实施方案，包括硬件基础设施、接口规范、应用指导等。实现应用昌吉的成功交付及落地。输出输出语段、验收标准、效果跟踪帆软研究院帆软研究院-AI Workshop助力助力帆软专家提供建议帆软专家提供建议+部分场景交付落地部分场景交付落地第 41 页帆软|研究院经验分享真实案例真实案例-从业务蓝图到从业务蓝图到AI应用：我们如何与应用：我们如何与XX企业共创价值企业共创价值痛点痛点-企业现状企业现状价值价值-研究院可以提供什么？研究院可以提供什么？场景研讨场景研讨-参与流程参与流程实践实践-助力企业助力企业AI场景落地场景落地质量管理环节质量管理环节维美德维美德具体具体AIAI可落地场景可落地场景某传统某传统制造外企制造外企具体具体AIAI可落地场景可落地场景具体具体AIAI可落地场景可落地场景 有系统 有在线数据 有预算 有管理压力：离线检测 报告工序 报告需求值 关键点干预：确认环节过程 人员能力信息录入 自动化报告：云端/存档 供应商零部件营销 预防：在线传感器 缺料 物料检验等 生成采购需求 物料采购业务具体流程业务具体流程业务具体流程业务具体流程生产计划环节生产计划环节第 42 页帆软|研究院经验分享智能需求预测智能需求预测 与与 智能质量归因与诊断智能质量归因与诊断在线试用：生产计划分解至采购计划，可以通过生产计划分解至采购计划，可以通过AiAi混合预测模型，预测未来采购需求混合预测模型，预测未来采购需求“3分钟精准预测需求，50+算法自动择优，零样本启动需求预测，助力企业提升预测准确率20%、降低存货成本20%。”了解质量缺陷产生原因，通过了解质量缺陷产生原因，通过AiAi归因算法精准定位并提供诊断归因算法精准定位并提供诊断“通过Ai归因技术，了解质量故障发生的原因，并基于在线故障归因，生成维修解决方案以提升维修效率。”痛点痛点-企业现状企业现状价值价值-研究院可以提供什么？研究院可以提供什么？场景研讨场景研讨-参与流程参与流程实践实践-助力企业助力企业AI场景落地场景落地第 43 页帆软|研究院经验分享问题问题4:你啥都做了，我到底干嘛？第 44 页帆软|研究院经验分享消除数据偏见消除数据偏见偏见缓解策略采用数据清洗和预处理技术，减少训练数据中的偏见。开发偏见检测和缓解算法，对模型输出进行实时监控和调整。偏见数据导致不公平LLMs从大量数据中学习，训练数据若有偏见，模型可能在输出中重现甚至放大这些偏见。例如，2021年一项研究显示，GPT-3在处理争议性政治话题时，生成的文本中有19%存在偏见。偏见影响企业声誉数据偏见可能导致不公平或歧视性结果，如客户画像或市场分析偏差，损害公司声誉。例如，在招聘场景中，偏见可能导致对某些群体的不公平筛选。第 45 页帆软|研究院经验分享建立透明和问责机制建立透明和问责机制在金融、医疗等关键领域，模型决策缺乏明确的依据和问责机制。示例：若模型决策导致患者误诊或金融交易损失，责任归属难以界定（如开发者、部署者或使用者？）。责任模糊可能引发法律纠纷、用户信任危机，甚至阻碍AI技术的应用推广。建立信任：用户需理解模型如何决策（如医疗诊断模型的依据）。合规性：确保决策过程符合伦理规范（如公平性、无歧视）和法律法规（如欧盟AI法案）可解释性技术：使用特征重要性分析、决策树可视化等工具提升模型透明性。用户沟通：通过简明报告或交互界面向用户解释决策逻辑明确角色分工（如数据科学家、运维团队、业务部门）的责任边界。制定文档化流程（如记录模型开发、测试、部署各环节的责任人）。制定内部AI伦理准则（如禁止模型用于高风险场景的自动决策）。引入第三方审计（如定期检查模型是否符合行业标准）。第 46 页帆软|研究院经验分享控制合规风险控制合规风险数据保护机制：建立数据分类与加密机制（如对敏感数据分级存储、传输加密）。限制模型对敏感数据的访问权限（基于最小权限原则）。合规框架：制定内部数据使用政策，明确LLMs的应用边界 定期审计：通过合规性监测工具（如自动化审计系统）检查数据处理流程。专家合作：与法律顾问或第三方合规机构合作，确保模型使用符合最新法规（如GDPR、CCPA）。案例参考：某金融公司通过部署隐私计算技术（联邦学习），在BI分析中实现“数据可用不可见”，规避敏感信息泄露风险。核心挑战：在商业智能（BI）中使用大型语言模型（LLMs）时，可能涉及处理个人敏感信息或商业机密等受严格监管的数据。潜在后果：违反数据保护法规（如GDPR）可能导致企业面临法律处罚或声誉损失。第 47 页帆软|研究院经验分享权衡产出与成本问题权衡产出与成本问题训练和部署LLMs（大型语言模型）需要大量计算资源和资金投入。示例：训练GPT-3需消耗355个GPU年，成本高达数百万美元。影响：中小企业和初创企业可能因成本问题难以使用LLMs技术。运行和维护模型的持续成本对IT预算构成压力，尤其是需要频繁更新或定制的公司。示例：企业需持续投入资金优化模型性能（如硬件升级、算法调优）。云计算服务：按需使用计算资源，降低初始投资成本（如AWS、Azure的弹性算力）。模型架构优化：减少模型参数规模（如使用轻量级模型或知识蒸馏技术）。提升计算效率（如混合精度训练、硬件适配优化）。