课程简介

了解ChatBI的概念、价值和应用场景。
掌握使用自然语言进行数据查询、可视化和分析的技能。
学习将AI技术（如机器学习、自然语言处理、LLM等）应用于数据分析，实现更深层次的洞察。
掌握主流ChatBI平台的使用方法和最佳实践。
能够构建自己的ChatBI原型系统，并集成智能化Agent。
深入理解NL2SQL技术，并能应用于实际场景。

目标收益

培训对象

数据分析师、BI工程师、业务人员、产品经理，以及对使用自然语言进行数据分析和智能化应用感兴趣的人。

课程内容

第一天：ChatBI基础与实践
模块 1：ChatBI概述 (上午)
o什么是ChatBI？概念、历史、发展趋势
oChatBI的价值与优势：提升数据分析效率、降低数据分析门槛、增强用户体验
oChatBI的应用场景：自助式分析、实时监控、决策支持、智能报告
oChatBI的架构与核心组件：自然语言理解(NLU)、数据查询引擎、可视化引擎、LLM集成模块、Agent调度模块
o主流ChatBI平台介绍：Tableau CRM (Einstein Discovery)、ThoughtSpot、Power BI Q&A、微搭等
模块 2：自然语言理解(NLU)基础与LLM应用 (上午)
oNLU的核心任务：意图识别、实体提取、语义理解、关系抽取
oNLU的常用技术：词向量、循环神经网络(RNN)、Transformer、LLM微调
oNLU的评估指标：准确率、召回率、F1值
o使用NLU工具构建简单的意图识别模型：Rasa, Dialogflow, LUIS等
o利用LLM进行意图识别和实体提取：Prompt工程、Few-shot learning
o动手实践：使用在线NLU平台和LLM API构建一个更强大的查询意图识别模型
模块 3：使用ChatBI进行数据探索 (下午)
o使用自然语言进行数据查询：指定指标、维度、过滤条件、复杂逻辑
oChatBI平台的查询语法与最佳实践：如何编写清晰、有效的查询语句，如何利用LLM生成更智能的查询建议
oChatBI平台支持的可视化类型：柱状图、折线图、饼图、地图等
o使用自然语言生成可视化报告：自动选择合适的图表类型、添加标题和说明，利用LLM生成报告摘要和关键发现
o动手实践：使用Tableau CRM或ThoughtSpot等平台，连接数据源，使用自然语言进行更复杂的数据查询和可视化，并生成智能报告
模块 4：ChatBI高级应用与Agent集成 (下午)
o创建自定义词汇表和知识图谱：提升NLU的准确率，扩充领域知识
o构建多轮对话：实现更复杂的分析场景，利用LLM管理对话状态
o集成第三方API：扩展ChatBI的功能，与外部数据源、应用服务连接
oChatBI平台的权限管理和安全设置
oAgent框架介绍：LangChain, AutoGPT等
o构建简单的Agent：连接LLM、工具、内存，实现自动化分析任务
o动手实践：为ChatBI平台添加行业特定词汇，利用Agent实现自动化的数据清洗和预处理任务
第二天：智能数据分析与NL2SQL
模块 5：机器学习基础与智能化分析 (上午)
o机器学习概述：监督学习、非监督学习、强化学习
o常用的机器学习算法：线性回归、逻辑回归、决策树、支持向量机(SVM)、K均值聚类
o机器学习模型的评估指标：准确率、召回率、F1值、AUC
o使用Python和Scikit-learn构建简单的机器学习模型
o智能化分析技术：异常检测、聚类、预测、关联分析
o动手实践：使用Scikit-learn构建一个智能化的客户流失预测模型
模块 6：NL2SQL技术 (上午)
o什么是NL2SQL？定义、挑战、应用场景
oNL2SQL的常用方法：基于规则、基于语义解析、基于深度学习
oNL2SQL的评估指标：准确率、召回率、执行成功率
o开源NL2SQL工具：SQLCoder, Google's TAPAS, Bridge2SQL
o使用LLM进行NL2SQL：Prompt工程、Few-shot learning
o动手实践：使用LLM API和开源工具将自然语言查询转换为SQL语句
模块 7：将AI模型与NL2SQL集成到ChatBI (下午)
o将机器学习模型部署为API服务：使用Flask或FastAPI
oChatBI平台调用API服务：实现自动异常检测、智能预测等功能
o在ChatBI中展示AI分析结果：使用图表、表格等可视化组件，使用自然语言解释分析结果
o利用NL2SQL从数据库中提取数据，进行更灵活的AI分析
o用户与AI模型交互：调整模型参数、查看模型解释
o动手实践：将智能化预测模型部署为API，使用NL2SQL从数据库中提取数据，并在ChatBI平台中调用
模块 8：ChatBI应用案例分析与未来展望 (下午)
o案例1：基于LLM和Agent的智能投顾
o案例2：基于NL2SQL的自助式数据分析
o案例3：基于异常检测的智能风控
o案例4：基于时序预测的供应链优化
o案例分析：技术架构、实施步骤、挑战与解决方案
oChatBI的未来发展趋势：多模态交互、个性化推荐、自动化智能增强
o开放讨论：学员分享实际工作中的数据分析需求，探讨如何使用ChatBI和智能数据分析技术解决问题
可选模块 (可根据客户需求调整)
LLM微调与Prompt工程高级技巧
o针对ChatBI场景的LLM微调策略
o复杂Prompt设计：Chain-of-Thought, Tree of Thoughts
oPrompt安全与注入攻击防范
Agent框架与工具高级应用
oLangChain进阶：Memory、Chains、Callbacks
oAutoGPT：自主探索与决策
o自定义Agent设计与开发
高级NL2SQL技术
o跨数据库NL2SQL
o复杂SQL语句生成与优化
o基于LLM的知识图谱构建与查询
工具与技术：
主流ChatBI平台：Tableau CRM (Einstein Discovery)、ThoughtSpot、Power BI Q&A、微搭等
NLU工具：Rasa, Dialogflow, LUIS等
机器学习库：Scikit-learn
API部署框架：Flask, FastAPI
智能数据分析平台：DataRobot, H2O.ai, Amazon SageMaker Autopilot
LLM API: OpenAI GPT系列, Google PaLM, Azure OpenAI
Agent框架：LangChain, AutoGPT
NL2SQL工具：SQLCoder, Google's TAPAS, Bridge2SQL
可选：开源工具与框架：Rasa, Streamlit, Metabase