工业数据ChatBI实验：语义层与问数准确率

在制造业数据智能方向，团队近期开展了自然语言问数（ChatBI）的实验性探索，目标是让工艺、质量与生产人员通过对话直接获取结构化数据结论，降低取数门槛。实验基于某装配车间的MES与质量检验数据（约1200万行、60余张表），采用“大模型+语义层”架构：语义层统一指标口径与表间关系，大模型在其约束下生成SQL并执行校验。相比直接面对原始表结构，该方案将SQL可执行率从71%提升至94%，指标口径不一致问题明显减少。两点阶段性结论：1）语义层是准确率的关键，将指标定义、维度层级与同义词映射显式写入后，“近30天一次合格率”等模糊问法的解析正确率提升约23个百分点；2）幻觉可用执行校验兜底，所有SQL经只读账号执行并做语法与行数校验，异常时自动回退为澄清式追问。下一步将引入查询结果自动归因（如环比异常的维度下钻），并在两个试点车间扩展至能耗与设备数据域。