Искусственный интеллект (ИИ) в программных технологиях становится неудержимой силой, способствующей инновациям. В июне 2023 года Microsoft объявила о внедрении Copilot в Power BI, что ознаменовало начало новой эры "AI + BI". Это побудило других поставщиков BI представить планы по интеграции крупных моделей ИИ в свои продукты, что привело к появлению таких функций, как "ChatBI" и "BI Copilot".
Хотя исследования в области ИИ для BI велись и до появления ChatGPT, настоящих прорывов не было. Теперь, когда мы вступили в эру ИИ, возникает ключевой вопрос: могут ли эти мощные модели ИИ действительно раскрыть ценность для BI? Как должно выглядеть взаимодействие между ИИ и BI? В этой статье мы рассмотрим эти вопросы.
Чтобы понять будущее, важно оглянуться на прошлое. Инструменты BI развивались на протяжении десятилетий, чтобы снизить барьеры для анализа данных и содействовать принятию решений, основанных на данных.
Технологии: SQL, OLAP, визуализация данных.
Особенности: Мощные возможности анализа данных, но требующие от пользователей глубоких технических знаний, включая написание SQL-запросов, моделирование данных и понимание бизнеса.
Результат: BI использовался в основном IT-специалистами и инженерами данных. Проникновение среди пользователей составляло менее 1% из-за высоких барьеров и раннего этапа цифровизации предприятий.
Технологии: Появление VizQL, что позволило пользователям анализировать данные без написания SQL.
Особенности: Аналитики и бизнес-профессионалы с базовыми знаниями OLAP и бизнес-мышлением могли самостоятельно работать с данными.
Результат: Проникновение среди пользователей выросло до 10%.
Технологии: Интеграция машинного обучения и глубокого обучения в BI.
Особенности: Поисковые и диалоговые BI-продукты снизили барьеры для пользователей, но незначительно.
Результат: Проникновение среди пользователей увеличилось до 15%. Основной проблемой оставалось отсутствие аналитического мышления у бизнес-пользователей.
Технологии: Генеративные модели ИИ, такие как большие языковые модели (LLM).
Особенности: LLM обладают знаниями в области анализа данных и могут быть адаптированы для решения специфических задач. Это позволяет пользователям с базовым пониманием бизнеса получать ответы на свои вопросы из данных.
Результат: Новые возможности для снижения барьеров и повышения доступности BI.
До появления ChatGPT, FineBI уже исследовал возможности Chat BI. Однако ранние версии сталкивались с рядом проблем:
С появлением больших моделей ИИ, таких как ChatGPT, открылись новые возможности для создания зрелых и эффективных Chat BI. ИИ не заменит BI, а дополнит его. Основная цель BI — преобразование данных в знания для поддержки принятия решений, а ИИ — достижение более точных результатов с помощью умных алгоритмов.
FineChatBI — это диалоговый BI, который включает:
В начале февраля 2025 года продукт FineChatBI завершил подключение к DeepSeek-V3 и R1. FanRuan продолжает тестировать эффективность применения каждой модели DeepSeek в области анализа данных и на основе этих моделей тонко настраивает целевые задачи, чтобы исследовать наиболее экономически эффективные схемы развертывания FineLLM для клиентов разных индустрий.
Ранее FanRuan завершила интеграцию основных моделей в рамках протокола OpenAI. Ожидается, что FineLLM 2.0 принесет новые приложения и преимущества для клиентов.
ИИ открывает новые горизонты для BI, делая анализ данных более доступным и эффективным. FineChatBI — это шаг к будущему, где каждый бизнес-пользователь сможет легко работать с данными и принимать обоснованные решения.
Автор
Lewis
Ведущий аналитик данных в компании FanRuan
Похожие статьи
RPA роботизация бизнес процессов: 7 способов объединить OCR и AI для автоматизации документов и заявок
Когда в компании растет поток документов, писем, анкет и заявок, ручная обработка быстро становится узким местом: сотрудники тратят часы на сортировку, перепроверку полей, перенос данных между системами и маршрутизацию о
Yida Yin
2026 июнь 11
Precision, Recall и F1 простыми словами: как не путать метрики и выбрать нужную
Если вы оцениваете модель классификации и видите в отчёте только «точность 95%», этого почти никогда недостаточно для решения бизнеса. Для IT руководителя, аналитика или product owner важен не общий красивый процент, а т
Yida Yin
2026 июнь 11
F1 score что это и как улучшить: 10 рабочих способов поднять F1-Score модели
Когда команда внедряет модель классификации в антифрод, скоринг лидов, прогноз оттока или медицинский триаж, ошибка в выборе метрики быстро превращается в бизнес проблему. Модель может показывать «красивую» accuracy, но проваливаться там,где для бизнеса критично не пропускать важные события и не засорять процесс ложными срабатываниями.
Yida Yin
2026 июнь 03
