数据治理与大模型一体化实践

引言:

大模型落地到当前这个阶段，核心关注点还是领域大模型，而领域大模型落地的前提在于两点：需求端，对当前应用的降本增效以及新应用的探索；供给端，训练技术已经有较高的成熟度。

专家介绍：

柏海峰

滴普科技 Deepexi产品线总裁

负责企业大模型产品的规划、技术架构设计和应用解决方案的全体系打造，承担公司基础产品核心竞争力及创新力的构建。拥有丰富的企业数字化转型咨询与实施和产品研发管理经验，曾任华为技术研发经理、微软中国顾问、IBM（GBS）咨询总监以及营销云SaaS产品创业经验，服务过中移动、华润、工商银行等多个世界500强企业。

降本增效方面，以机器学习团队的构成为例，滴普科技Deepexi产品线总裁柏海峰介绍道：“传统机器学习或者说小模型的技术落地，对人才的要求很高，但企业往往没有意识到这个问题。具体来说，一般需要构建一个综合性的团队即数据科学团队，团队中需要数据开发工程师、BI工程师、商业分析师、数据科学家、算法工程师等岗位，人力成本很高，除了互联网、金融行业的大型企业，传统企业或中小型企业很难组建这样的团队。”

人才要求高的原因在于，不同岗位的技能差异非常大，相关工具和技术栈也比较分散，比如在某个具体应用领域的AI模型也是采用不同的算法，数据处理层面的pipeline，很多时候自动化的实现也不够完善。总之，不同的钉子只能用不同的锤子，而每一把锤子都不便宜。

因此，尽管小模型对算力、数据要求没有那么高，但要调出好的效果，复杂度还是很高的。除了技术因素，在团队协作和业务适配方面，也还有很多难题。

“大模型带来的首要好处就是，它一下子把技术门槛拉低了，把整个技术栈从输入到输出的链条变得很短，原本需要很多人的数据科学团队，变成只需要一个人加多个Copilot就可以完成，这个人甚至可以是业务部门的，这是非常有想象力的。”

训练技术方面，大模型一般都是先进行self supervised learning，构建通用大模型，然后经过supervised fine-tuning训练，针对特定任务，构建领域大模型初版，最后通过RLHF训练，对齐人类价值，完成类似于人类学习成长的解题、实习、社会工作三步曲。

其中后两步是大模型微调并构建领域大模型的主要步骤，可以把训练前回答问题很散漫的通用大模型Llama 2 13B，训练成专业性很强的chatbot——Llama 2 13B-chat。

微调可以减少大模型的幻觉，增加模型输出的一致性、专业性，并且只需要通用模型训练的千分之一或者万分之一的数据量。

需求端和供给端条件具备，商业模式就有了雏形，那么，企业要发挥的作用就是，效能建设。

▼01.效能建设：数据为道、模型为术

效能建设的核心变量，在于数据治理。但这个“数据”，和大数据时代的“数据”，内涵又有很大不同。

传统的数据治理，针对数据分析场景，主要面向结构化数据，包括主动元数据、AI增强治理等技术，已成比较成熟的体系。

而数据治理的新内涵，面向大模型训练常见的非结构化数据。

非结构化数据治理的首要难题是，高质量的领域数据获取的成本。

大模型微调的典型方法是instruction fine tuning，也就是指令微调，ChatGPT和Llama 2都是指令微调的产物。指令微调采用的数据，就是prompt加上response的问答对，要么由更强大的大模型比如GPT-4生成，要么由人工生成。

进一步的微调强化还可以采用Explanation Tuning——解释微调，这是一种数据增强技术，主要是通过成熟的大模型将对prompt的回答进行step by step的拆解，从而获得更容易理解的数据。这主要是基于这样的经验，即提示大模型一步一步拆解问题并解答，可以显著提高准确率。此外，还存在像Neftune这种通过将数据经过模型添加噪声之后再进行训练，就能显著增加推理准确率的魔法一般的数据增强技术。

除了增强，AI模型也可以反过来帮助将杂乱的非结构化数据进行压缩提炼，提取知识。一般来说，可以在公网中使用Claude2、GPT-4、GPT-3.5（ChatGPT），以prompt的形式将数据进行信息提取，就可以把大量的文档数据变成结构化的知识。如果企业考虑到数据安全的问题，就可以在本地部署Llama 2 13B、ChatGLM2 6B等本地大模型，来处理这些文档。

也就是说，非结构化数据其实在很大程度上正在借助已有的成熟模型来处理，其中包括了小模型和大模型。

“比如说在石化行业的数据有很大部分都是多模态的，包括勘探钻井时收集的图像数据、地震探测中收集的地理数据、安全监控视频的数据、物联网IoT数据等等，非常复杂。这些数据要得到利用，就要通过小模型、大模型的技术从里面提取出显性的、隐性的知识，从而能够让被训练的大模型也能够看懂，这就是非结构化数据的治理方法。”

采用大模型、小模型来代替人力从非结构化数据中提取高质量数据，可以极大降低人力处理的成本。

业内对大模型一直有着这样的质疑声音，认为现在的大模型就是把小模型做过的事情重做一遍，“但实际上，大模型和小模型形成了层次更丰富的模型栈，各自发挥所长，才能把效率最大化。”

不同规模、不同能力的AI模型，仿佛构成了一个内部生态。在训练时，它们之间使用数据进行交流，增强终端大模型的能力。在推理时，大模型又成了决策枢纽，通过prompt的交流来规划任务。

▼02.数据集的平衡：准确率 vs 多样性

数据集质量的评估是多维度的，需要平衡几项因素：灵活性、多样性和准确率。

其中，灵活性、多样性是指模型面对变化多样的prompt也能给出一致的回答，这在通用大模型应用中很常见。而领域数据之所以对质量要求高，也是因为对准确率要求很高。

“比如Text to SQL这样的场景，行业属性很强，对准确率要求也很高。目前行业相关应用的准确率普遍不高，ChatGPT也不到80%。而准确率不超过80%，在生产环境是不能应用的。“

此外，考虑到通用大模型的训练数据在灵活性、多样性上最高，准确率最低，小模型则相反，领域大模型其实处于两者之间，因此必须对这几项因素进行平衡。

滴普科技在实践中发现，在训练数据集中如果领域数据集占30%，通用数据集占70%，训练出来的领域大模型更能够兼顾灵活性、多样性和准确性。这个平衡又进一步降低了数据的总体获取成本。

▼03.数据类型：另一个维度

数据类型的划分，除了质量，还可以从知识表示的形式进行划分，不同形式对应不同的训练方法。

数据或任务通常包含两大类型，第一种属于重表示型，比如把对Java线程的解释进行重新表述，第二种属于知识问答型，比如如果不知道授信额度的准确定义，就无法回答一些相关知识问答。

相比之下，第二种任务对模型的要求更高，因为有知识增量，需要对模型参数进行较大的调整。

针对第一种任务，模型微调常采用高效微调的方式，比如LoRA、QLoRA、P-tuning等，保留大模型原有参数，在模型前方或后方添加新的神经网络层以改善推理，成本更低；针对第二种任务，则采用全参微调的方式，对硬件要求高，主要在于内存量，比如Llama 2 13B的全参微调至少需要一块80G内存的A800，Llama 2 7B则至少需要一块24G内存的RTX4090，才能完成训练，并且为防止过拟合，对数据集的要求也更高。

领域大模型偏重知识型任务，一般而言全参微调是必不可少的。但任务本身也分层次，底层是统计分析型，顶层是预测型。统计分析型任务更基础，对准确性要求高，比如文本分类、意图识别、实体关系提取等，预测型相比之下对准确性要求更低一些。

这在Text to SQL任务中也有体现，“统计分析是what happen，预测分析是why happen，后者的准确率一般没法达到100%。”

当然，要求是一方面，收益是另一方面，如果在高级任务中能获得更强的能力，也将成为领域大模型的技术壁垒，为此，在滴普科技的5维模型基础能力评估模型中，把理解偶一、句法分析能力等高级能力维度放到了更高的权重。

▼04.产品体系：效率、性能与体验兼顾

所以，效率是一方面，性能是另一方面。企业做产品，除了提升效率来保证落地，也要在保证效率前提下提升性能，才能最大程度上保证用户体验。

比如，Text to SQL产生的SQL语句是让大模型来执行还是让传统工具来执行，也是个问题，”现在常见的大模型演示中，人们都是上传一个数据集，让大模型去分析，但这其实跟真实场景差距太远了。真实场景面对的数据集不是一个5-30M的Excel或CSV文件，而是一个包含几万张表、几十亿条记录的数据湖，在做统计的时候，也会涉及到join这种复杂的表关联计算。真的让大模型面对这样的场景，可能直接挂机。但大模型迟早要面对这个问题，不然仍然是一个实验室的玩具。“

为解决这个问题，首先需要将大模型从GPT-4转向本地大模型，这时准确率可能急剧降低，“40%-50%都算高的。”为了克服底层逻辑的复杂性，滴普科技开发了一个分析引擎MQL（metric query language），其可以统一连接多样的数据库引擎比如MySQL、Hive、ClickHouse等等，“MQL通过灵活的选维度，生成中间的MQL代码，从而高性能地完成加速查询并毫秒级返回。所以，我们的解题思路不是Text to SQL，而是Text to MQL，因为MQL已经把不同数仓的差异性进行了统一。在这个架构下，只要对模型做一定的微调，Text to SQL的准确率是可以达到100%的，而不仅仅是保证生产环境可行。”

这些方法论最终体现在滴普科技的大模型产品规划上。

为兼顾效率、性能和体验，滴普科技规划了完善的产品体系，“我们从多个维度规划了大模型产品体系。第一个维度是算力基础，大模型的预训练、微调的算力开销很大，但客户普遍算力资源不足，同时不知道如何在硬件上部署什么样的大模型，以及如何部署。为此，我们提供的Fast5000E训推一体机，从硬件到模型完全整合到一起提供给客户，客户只需要考虑场景适配和应用就可以了。虽然算力规模不大，远低于互联网大公司的算力，但对于大部分企业而言已经足够。”

然后，在算力基础之上，为了在应用层面提升效率，降低开发门槛，滴普科技开发了FastAGI智能体平台，“可以理解成是一个Agent或智能体开发平台，该平台用于快速构建大模型工具链。我们提供了易于使用的开发工具，可以快速构建智能体能力。目前我们已经有了可以做高级数据分析的Data Agent，有处理非结构化数据的Doc Agent，还有一些用于扩展企业内部应用的Plugin Agent等等。除了这两个核心产品，滴普科技也会基于具体的业务场景帮助客户定制解决方案，比如在Data Agent之上做数据分析的Copilot、供应链智能助手等。“

这些成果体现了滴普科技顺应大模型落地趋势的认知，也反映了滴普科技在延展数据治理内涵上的努力。

数据治理的新趋势，是治理手段的技术化、工具化、一体化，“一方面，对于规模相对较小的客户，传统的自顶向下的数据治理方法，周期长、见效慢。一般来说，都需要先规划，请咨询公司帮忙把相关标准、规范、流程、制度确立，然后再进行内部运营。这种做法在大公司里没问题，但并不适合小公司。另外，大模型的数据治理还涉及非结构化数据的处理，非结构化数据和知识之间有很大的gap，专业门槛也很高。”

因此，滴普科技提倡数据治理要从传统数据治理走向敏捷数据治理。在与Gartner联合发布的《企业级数据治理体系建设指南》白皮书中，滴普科技明确提出，要将数据开发与治理一体化，在开发环节将治理动作执行到位，从根源上保证数据质量，同时在大模型时代将数据治理内涵进一步延伸至非结构化数据，持续提高数据的治理质量、广度和效率。

▼05.领域大模型的成本经济学

滴普科技在大模型落地实践中，将数据治理方法论进一步拓展，对数据质量、特性的评估建立了准确率、多样性、统计型、预测型等维度，进而用于指导领域大模型的高效低成本训练，同时追求性能和用户体验的极致，规划了系统性的产品体系。这不仅是领域大模型的成本经济学，也将成为滴普科技未来持续推进大模型落地应用的重要原则。

• End -

访谈人：柏海峰滴普科技 Deepexi 产品线总裁

与谈人：刘晓坤 DataFun

编辑：刘晓坤 DataFun