也是增长较快的领域。公司的客户大多不是出口型企业,受贸易战影响小,有资金进行技术创新。 5、湖仓一体化架构之后,技术是否会向跨模态的统一数据存储和统一查询方向演进,业内大概什么时候会出现这种理想的数据底座? 回复:在agent 时代,我们的数据底座也会发生变化,这是一个趋势。过去企业数据分散,结构化数据放在Lakehouse 上,非结构化数据散落在各应用系统或备份文件系统中,未被有效利用。有了大模型后,我们将原来散落的文档、图片、视频、音频,用向量数据库把非结构化的数据结构化,同时保留其半结构化的部分,企业根据 Agent框架进行检索。现在做数据分析的时候,用户不需要知道数据在哪里,大模型会自动帮你查找,使得企业在应用数据的方式上面会得到很大的便利。同时,企业数据加工流程也开始用大模型实现半自动化或自动化,如数据清洗、形成数据资产等。公司推出的 Transwarp Knowledge Hub 知识平台产品,将多模态数据整理成知识为企业客户服务,实现全集团知识资产管理。 6、把企业结构化和非结构化数据整合成大模型可用的类似企业知识库的工具需要具体怎么实践? 回复:这个过程分三部分。一是大模型运营平台 LLMOps+数据开发工具 TDS,把多模态数据整理成结构化的数据。二是将这些整理后的数据存于大数据基础平台Transwarp Data Hub上,公司的大数据基础平台内置了11种数据模型的存储引擎,包括分布式向量数据库 Hippo、分布式图数据 StellarDB、分布式搜索引擎Scope、分布式文档数据库 DocStore 等,TDH的多模一体化主要用于给大模型构建知识库,尤其在 RAG召回场景中实现企业的专有数据和大模型的有效结合;三是通过知识管理平台 Transwarp Knowledge Hub 提供门户,进行企业知识资产的管理,并提供智能体开发框架,开发连接企业现有应用和数据资产的智能体,实现流程自动化或半自动化,比如银行写尽调报告和信贷流程。 7、LLMOps 这个工具是否是 agent 规模化应用的前提条件,是否会先于 agent 落地? 回复:这跟企业的建设节奏有关。市场上有两类企业,一类企业的 CIO擅长做规划,会优先建设这个工具,因为建好后才能应用产生效果;另一类企业先进行应用建设,建了多个应用后意识到要先建设基础设施,把数据和底层底座建好,这样应用开发会更快。所以慢慢大家都会意识到要建设 AI infra,有了这个底层底座,上面的应用构建会越来越快。 8、在 AI 方面公司主打的产品遇到的比较多的竞品有哪些?公司如何看待目标市场的竞争格局?公司相对于竞争对手的优势是什么? 回复: 在 AI平台方面,陆续有大厂和创业公司入局,这些公司最早是在 AI 硬件infra、模型训练上发力,Deepseek 出现后,大模型必将变成寡头格局,部分公司会往上做工具,更多的是做应用场景。目前 AI搜索较多,应用高度碎片化,企业需求也高度定制化。公司切入赛道做的大模型管理工具和知识平台相对更产品化、通用化,依靠现有大数据平台客户群体,客户开发应用需与公司大数据基础平台对接,对公司产品粘性强,会优先获取客户数据整理的需求并得到相关业务机会。 9、2025 年一季度人员变化情况如何?如何看待 AI 业务增量和费控之间的平衡? 回复:公司在人员上做了结构化调整,目前整体人员规模约 950人,更聚焦主营的数据产品和 AI产品研发。在平衡 AI业务增量和费控方面,公司使用大模型或自研开发工具提升内部运营效率。如用 AI 编撰各类材料、编写程序,未来还会开发系列agent 帮助员工和客户提升效率。lg...
北美站
