在 2024 年 12 月 7 日的 StarRocks Summit 2024 上，腾讯游戏数据团队孵化打造的数据品牌“Deltaverse”正式亮相，并发布了品牌旗下首个数据产品 —— 大数据时代的智能数据助手“UData”。在峰会现场，腾讯游戏数据的技术负责人、资深专家工程师刘岩发表了主题为《AI 时代的湖仓数据体系建设》的演讲，分享了腾讯游戏在「AI + 湖仓」上的实践经验，以及 UData 如何帮助腾讯游戏业务提升数据工作效率。
腾讯游戏数据负责人刘岩在 StarRocks Summit 发表主题演讲
作为一款问答式智能 AI 数据助手，UData 基于大语言模型技术和湖仓一体架构打造，以新一代 AI 数据资产体系为支撑，资产能被 AI 理解和使用，能够提升业务需求到数据交付的准确率，为用户提供自然语言交互方式查询、探索、分析和可视化数据的便捷体验。
据刘岩介绍，UData 已被应用于腾讯游戏内部超过 80 个业务，SQL 代码编写效率提高了 300%。在人们最关心的交付准确率方面，UData 的一次性准确率达到 89%，已满足实际业务场景需求。
UData 产品界面
“腾讯游戏现存业务每年有数万个数据挖掘和数据提取类需求，相比 BI 场景，数据挖掘需要面对数万甚至数十万张表，这些表能够让 AI 理解，并且做到人类水平的准确率，才能满足实际业务场景需求。”刘岩表示：“我们一直在探索如何更好地让 AI 能力为数据工作赋能，让 AI 真正被应用到实际业务场景中，让 Data+AI 成为企业的核心竞争力。UData 是腾讯游戏数据团队内部的最佳实践，解决了构建 "Data+AI" 体系的关键问题。”
提升 AI 交付准确率的关键：需求构造和资产建设
腾讯游戏数据团队在大量的实践和研究分析中发现，在企业实际业务场景中 AI 写 SQL 的准确率之所以不高，往往并不是大模型能力不足，而是因为两方面的原因：第一是 AI 对数据需求的理解有歧义；第二是 AI 对数据资产的理解有歧义，大模型没有获得完备的信息。
针对这两个痛点，UData 的技术路线重点就放在了需求构造和资产建设这两个方向上，通过工程化的方式来提升 AI 的准确率。
在需求构造上，首先定义 AI 和人都能理解的需求标准，基于定义好的需求标准，匹配需求案例和行业知识，将人提出来的需求改写成标准的需求格式，消除 AI 理解需求的歧义。此外，当数据需求较为复杂时，需求 Agent 能把复杂需求分解成简单的子需求，降低 AI 生成难度，通过工程化方式组合成最终结果，确保稳定可控的交付质量。
UData 需求构造流程
举例来说，当用户提出需求：统计游戏内各个玩法、按照每天的参与率排名 + 次日留存排名 + 七日留存排名，算一个总排名。UData 会去查询相应的游戏领域知识，将这个复杂需求分拆为 4 个子需求，分别计算并生成参与率、活跃用户、玩法参与率、次日和七留的 SQL，最后将 4 个数据包 SQL 结果合并，生成一个最终的 SQL。
在资产建设方面，为了让 AI 能够更好的理解和使用资产，UData 打造了基于“AI 驱动的数据资产体系”。传统资产体系存在缺乏非结构化标准、建设滞后于业务需求、治理成本高等问题，不能支持大语言模型实现快速准确的交付数据需求。所以基于“新一代 AI 数据资产”，以让 AI 能够理解并且正确的交付 SQL 实现自助交付为目标，定义语义层建模规范，包括：行业知识、指标、维度、特征、元数据等。AI 通过理解语意资产，对不同的需求采用不同的资产使用策略；对于已经有指标、维度资产的需求，通过推荐已有看板满足；对于新的指标、新的维度的需求，通过特征资产让 AI 生成指标、维度来满足；对于缺少语意资产的需求，AI 能够感知并预警，补充特征等语意资产后，实现 AI 资产交付。
传统数据中台到新一代 AI 数据资产的升级
“新一代 AI 数据资产”能建立从业务需求、行业知识、数据结构之间的资产纽带，通过领域模型进行沉淀和推荐，确保资产能被 AI 理解和使用。
“稳定可控的需求构造和 AI 可理解的资产体系，是 UData 提升 AI 交付准确率的关键，也是 UData 相较于行业其他产品的差异化优势。”腾讯游戏数据技术负责人刘岩表示：“从目前腾讯游戏内部的应用情况来看，准确率已经能够稳定在 89%，我们坚信这个方向是靠谱的。”
基于湖仓一体能力，实现智能动态的计算加速
为了能够支持对实时的明细数据进行探索和分析，仅仅把 SQL 写对是不够的，传统的数仓架构（例如：Lambda）大量计算是 T+1 离线进行的，不能支持对所有的数据进行实时快速查询。为此，UData 对数据底座进行了升级，采用湖仓一体的架构，通过数据实时接入、虚拟数仓、冷热分层等技术实现对实时明细数据的高效查询。同时，UData 建设了一个成本效率优化引擎，围绕资产热度、执行速度、数据量级三个方向快速定位需要优化加速的资产，通过资产整合、物化视图等方式，能够让数据低成本、高效率的使用。
基于大模型能力，建设可持续优化的运营平台
以新一代 AI 数据资产为基础，通过通用大模型、领域模型、Agent 多智体架构，AI 能力得到了更好的释放。
目前，UData 能够适配包括 GPT、混元在内的多种行业通用大模型。此外，针对各行各业的行业 Know-How、企业知识，UData 引入了“领域模型”，通过知识图谱、语义理解、检索、排序等技术，帮助大模型更好地理解数据资产。
UData 系统架构
在平台应用流程方面，UData 使用 Agent 多智能体架构，打造了一个人与 AI 高度协同工作、可持续优化的运营平台。将一个 Job（工作）分解成若干的 Task（任务），在某些 Task 上由 AI 完成，某些 Task 人与 AI 协同完成（需求协同、验收协同），覆盖从业务需求到数据交付的全链路，各节点 Agent 可与用户实时交互，及时感知问题并进行干预和修正，确保系统的可持续优化。
AI 多智能体架构
让 AI 重构数据工作的各个领域
UData 已被应用于腾讯游戏内部超过 80 个业务，针对 MOBA、MMORPG、战术竞技等不同品类的游戏，UData 会基于具体的业务个性化需求，进行产品的持续迭代升级。
除了游戏业务之外，UData 产品能力也可被用在其他行业，诸如餐饮、金融、教育等，助力传统企业实现 AI 数字化转型，提升数据工作效率，并通过新一代 AI 数据资产提升数据治理 ROI，帮助企业降本增效。
AI 技术在数据工作上的应用仍有巨大的潜力，腾讯游戏数据团队 Deltaverse 也在不断地探索，除了通过 AI 生成 SQL 以提升数据获取效率之外，我们还在进一步尝试将“AI + 湖仓一体”的能力与更多工具和系统做集成，进一步探索挖掘 AI 的潜力，实现用 AI 来重构数据工作的各个领域。
对腾讯游戏数据团队 Deltaverse、UData 以及数据技术感兴趣的企业与合作伙伴，可以登录 Deltaverse 官网 www.deltaverse.net 查看更多信息，免费申请产品试用。
