大模型驱动下的金融大数据构建：Data+AI一体化架构与提效路径

应对传统数据生产瓶颈与烟囱式架构挑战

在GenAI时代，数据分析方式正经历极速演进。据 Gartner 预测，至2028年，33%的企业将采用Agentic AI（智能体AI）用于分析和决策，而2024年该比例不足1%。在这一战略演进中，金融及企业级数据平台面临显著的现实瓶颈：

• 数据生产协作链路冗长： 传统数据生产涉及业务人员、建模工程师、数据管理员及数据工程师。业务需求变化快、口径对齐难，导致系统响应严重滞后，开发人员面临极大的加班压力。
• 烟囱式架构推高系统复杂度： 现有的批处理、交互式查询、流式处理、数据科学及LLM应用往往各自独立，导致数据频繁拷贝于数仓、数据湖和机器学习平台之间，开发与运维成本居高不下。
• 多模态检索与准确率达标困难： 在严肃的金融业务场景中，企业知识文档格式复杂。对多文档组合、大表格及不规则表格的检索难度极大；同时，对模型判断模糊知识及排除无关知识的准确率要求极高。

部署新一代Data+AI一体化数据智能平台

针对上述架构与协作痛点，腾讯云构建了底层统一、存算分离、融合大模型能力的新一代数据智能开发平台：

• 构建Data+AI一体化架构： 在一份数据（统一Lakehouse存储与统一元数据）的基础上，支持多元异构高性能计算引擎。通过Unified Catalog（统一数据/元数据管理视图），实现兼容HMS的多租户集中权限管控（与Ranger生态互通），有效简化系统架构。
• 实现存算独立扩展与多厂商兼容： 计算层无状态，扩容时无需数据重分布；基于对象存储原生实现分布式文件系统，不锁定组件和厂商，兼容多厂商Hadoop数据系统和对象存储（如POSIX、HDFS、S3协议），保护企业现有IT投资。
• 引入NL2SQL与一站式AI Search：
  • 采用 DeepSeek 等大模型重构查询逻辑，通过自然语言问题进行Query Rewrite、Schema Linking并生成/修正SQL，支持多轮对话与智能追问。
  • 部署 DeepSeek + RAG 方案，全链路解决复杂文档的解析、切分、向量与文本双路检索及阅读理解生成，满足企业私域数据的高精度检索需求。
• 引入智能化大数据自治系统（AIOps）： 基于传统机器学习模型与 DeepSeek+混元 双引擎，构建AI-Driven的资源管理与系统运维底座。提供智能负载感知与弹性资源规划，实现时序预测、异常检测与参数调优的“自动驾驶”。

量化大模型应用对分析效率的提升

通过将传统数据工程与AI技术融合，平台在业务端与运维端实现了显著的数据指标优化：

• 查询响应效率指数级提升： 需求响应时间从传统的月级别缩短至秒级别。
• 分析能力向基层全面释放： 用户数量从原先的个位数（老板/负责人）或10人左右（数据分析师），直接扩展至大量基层业务人员。
• 员工培训成本彻底清零： 交互方式从编写复杂SQL转变为自然语言问答（ChatBI），学习成本由“高/定制化”降至0门槛。
• 计算资源与运维成本双降： AIOps系统实现系统调优任务无需人为干预，同时通过基于AI的负载感知将资源利用率最大化，显著降低客户实际资源采购与系统运维成本。

落地ChatBI与智能业务预测分析

在业务实际应用场景中，该平台将“被动数据呈现”转化为“主动洞察与决策”。

以年度销售活动中的库存管理为例，传统流程依赖分析师手动提取数据、运行脚本并依靠个人经验判断。引入 Agentic Analytics 与 腾讯云ChatBI 后，业务人员仅需输入自然语言指令（如“分析近三个月销售趋势并预测下季度库存”），Agent 即可自动连接数据库、调用AI模型生成可视化图表。更进一步，Agent 能够自主提出业务建议（如：依据趋势增加A产品库存，减少B产品采购），真正实现业务闭环。

融合DeepSeek构建开放的数据智能生态

腾讯云大数据首席架构师宋企皋指出，数据已成为企业新时代的“石油”，而数据智能平台则是提升生产力的“炼油厂”。

平台摒弃了传统的Model-Centric（以模型为中心）路径，转向 Data-Centric AI（以数据为中心）。通过将全球领先的基础大模型（如DeepSeek、混元）深度嵌入统一的数据底座，腾讯云构建了开放、融合的新一代平台架构。这不仅解决了海量企业私域数据的清洗、标注与治理问题，更让传统数据分析和GenAI应用的开发过程变得高度轻量、快捷与易用。