企业要用好 LLM 离不开高质量数据。和传统机器学习模型相比，LLM 对于数据需求量更大、要求更高，尤其是非结构化数据。而传统 ETL 工具并不擅长非结构化数据的处理，因此，企业在部署 LLM 的过程中，数据科学家们往往要耗费大量的时间精力在数据处理环节。这一环节既关系到 LLM 部署的效率和质量，也对数据科学家人力的 ROI 产生影响。
作为一名CPDA数据分析师，对于快速发展的AI技术，惊讶之余更多是主动拥抱，始终相信AI技术能多维度推动数据分析行业的进步。以下是我实践使用一些AI工具并学习后的一些总结，与大家分享：
无需硬件传感器或对现有网络环境进行重大改动即可轻松部署。
一要看大模型性能，二要确保数据分析的准确性。
微软Build大会前脚刚放出一箩筐生产力革命最新进展：自定义Copilot、Team Copilot、Copilot扩展……
创意为王的营销领域被AI爆改到什么程度了？
为了能让自己以后更好地摸鱼，我上周第一次和大模型协作，完成了对一份财报的分析。
在探索人工智能领域的浪潮中，针对个人消费者C端的AI解决方案的实际落脚点，似乎依旧沿着一条较为狭窄的路径发展。
在 SaaS 和 AI 全球化发展的今天，宏大叙事已经不再是全部声音，一个小团队、甚至一个人都有机会成就一段传奇。一人公司或许会成为未来的常态。
大模型没有壁垒，结合多年深耕的场景和数据处理技术才是王道。
