Data+AI下一代数智平台建设指南.pptxVIP

Data+AI

下一代数智平台建设指南;

01生成式AI时代的数据挑战：企业转型的核心瓶颈01

传统数据平台在应对生成式AI带来的新型数据需求时，正面临严峻挑战/02

02·驱动企业构建Data+AI平台的核心要素04

主动选择：主要是针对头部企业在构建面对AI赋能的大数据平台时，需要突破现有的能力范畴，构建新的AI应用场景/05

被动应对：主要是针对现有的数据资产通过AI赋能进行优化，以解决现有的问题，通过AI提升团队对数据资产的管理能力，降低整体成本/05

03·企业构建Data+AI平台需要具备哪些关键能力06

Data与AI技术的可组装性/07

端到端的Data+AI全生命周期开发与业务集成/07

多模态数据（结构化非结构化数据）的处理与增强/07

统一元数据驱动的治理与合规/07

自主代理分析（AgenticAnalytics）/07

云原生弹性架构与多云部署/08;

如何激活沉睡的数据资产，释放非结构化数据价值

Gartner研究表明，非结构化数据占当今组织数据的70%至90%。受生成式人工智能（GenericAI）计划、多模态数据处理需求的爆炸式增长以及合规性压力的推动，企业对非结构化数据管理的需求急剧增长。因此，非结构化数据处理支出在数据管理总支出中所占的份额将越来越大。Gartner预测到2027年，专注于多结构化数据管理的IT支出将占数据管理技术和服务总IT支出的40%。

传统数据处理工具在元数据提取、智能分块、摘要生成和高效向量化存储等方面能力不足，难以满足GenAI应用的复杂要求。升级工具链与方法论，是释放海量非结构化数据价值的先决条件。

腾讯基于以上挑战，推出了开放、统一数据湖服务TCLake，混合搜索的ES；而应对私有化场景的海量非结构化、多模态数据挑战，腾讯也推出了TBDS多模态数据湖仓服务。

如何打破壁垒，实现数据到智能的高效转化

AI的真正价值在于将企业蕴藏的庞大数据资产转化为可行动的智能。然而，调研显示企业AI项目平均落地周期长达数周甚至数月，远落后于业务需求的快速迭代节奏。其核心瓶颈在于传统模式下，数据管理与AI开发严重割裂——数据团队的工作台与AI工程师的训练/部署平台互不相通，形成巨大的协作断层。导致：

时效性差：从数据到分析预测涉及多系统、多团队、多流程，响应迟钝（如零售销售预测因周期长导致库存问题）。

效果不稳定：实验室里表现优异的模型，到了真实业务场景中常常“水土不服”（因为数据环境变了却难以及时更新），影响决策质量；

重复投入成本高：数据工程师大量精力耗费在跨平台数据搬运、格式转换与系统对接上，而非创造差异化AI应用。

腾讯基于以上挑战，推出了Data+AI一体化解决方案：DLC+WeDataDataOps+WeDataMLOps，将大数据与AI、机器学习等功能集成于一体，实现更好体验和更低成本。

如何驾驭数据洪流，应对海量数据高并发协作、实时数据处理的新挑战

随着生成式AI在企业业务中加速渗透，海量、实时、动态的数据处理需求不断涌现：无论是客户服务中的对话生成、金融风控场景（譬如信用卡盗刷、秒级放贷），还是供应链中的动态预警，都对系统的吞吐能力、实时性和横向扩展性提出了挑战。

-02;

然而传统数据架构为批处理而生，难以支持流式数据的秒级响应与动态查询；数据与AI的交互过程更进一步拉高了对数据读写和加工时效性的要求。

腾讯基于以上挑战，推出了Oceanus深度融合流处理和AI，保障业务实时性。

如何构建可信的数据治理与安全体系

在生成式AI应用场景中，数据质量、合规性和安全保障成为企业面临的核心难题。一方面，企业面临数据源激增、数据孤岛严重的挑战（据统计企业平均管理400+异构数据源）；另一方面，企业需打造动态、可追溯的数据治理体系，避免“幻觉输出”与隐私风险。

根据2023年Gartner分析和人工智能采用调查，解决风险和治理问题以及对发现的分析/指标缺乏信任是自助服务分析开发人员面临的最大挑战。根据2024年Gartner数据和分析治理调查，近一半的受访者认为“难以在不同部门/业务单位之间标准化数据”是其组织面临的最大DA治理相关挑战之一。

同时，在上述2024年网络研讨会上，当受访者被问及不在ABI平台内利用GenAI的原因时，28%的受访者强调GenAI功能未得到内部安全/法律/合规团队（内部政策）的批准，另有20%的受访者提到对数据质量缺乏信心。

然而，传统数据平台在数据治理上还有很多不足：缺乏统一的数据标准和业务口径；依赖静态规则，难以灵活应对生成式AI场景下动态多