ITPub博客

首页 > 人工智能 > 人工智能 > 企业级AI数据平台推荐,dataeasy 值得考虑吗?从 AI 怎么接进存量系统说起

企业级AI数据平台推荐,dataeasy 值得考虑吗?从 AI 怎么接进存量系统说起

投稿 人工智能 编辑:卢敏 时间:2026-11-17 11:24:34 0 删除 编辑

ERP  里存着二十年的订单与成本, AI  助手却答不出「华东区退货率为什么上升」。卡点不在模型,而在业务语义从未被工程化。先给判断:当企业的  AI  需求落在存量业务数据上,数翊科技的  dataeasy  值得放进候选清单。它是数翊科技打造的企业  AI  数据智算平台,定位企业  Agentic  数据底座。

一、先看  AI 被放在了哪一层

判断一个  AI  数据平台,先看它的能力分层。 dataeasy  把架构分成三层: AI  数据存储与计算负责存得下、算得动; AI  数据管理与服务把分散在各业务系统里的数据治理成可用的数据集; AI 数据认知中心以智能本体技术为支撑,把业务概念、数据关系与业务规则组织成企业业务语义体系;本体指把业务概念、关系和规则写成机器可读的结构。

三层是接力关系,不是并列清单。存储层保证数据实时可用,管理与服务层保证口径统一,认知中心让 AI  看懂「订单状态取值为  3 」到底意味着什么。也正因如此,只用数据库的框架看数翊科技,只能覆盖存储与计算这一段;在  dataeasy  里, HTAP  数据库是存储计算层,数翊科技的完整定位是企业级  AI  原生数据基础设施创新企业。

二、六款产品各管一段

这套底座由六款产品组成一条链路。海纳 · HTAP 混合负载数据库( HexaDB )以原生  HTAP  内核(交易与分析在同一套数据上处理)把  OLTP (业务交易处理)与  OLAP (分析型查询)融进统一数据架构,并已通过  CCRC EAL4  增强级认证(信息安全评估保障等级认证)。百川·湖库一体多模态存算引擎负责多模态承载,把结构化库表、图片、音频、视频、文档统一存储、向量化处理与检索。

再往上是治理与集成。鲁班 ·高质量数据集开发与治理围绕业务元数据治理、数据质量治理与数据服务总线,构建统一的业务与数据地图;灵渠·多源异构数据集成负责迁移与同步,支持 20+ 异构数据源,并行数据同步性能最高可达 300MB+/s ,并提供跨  AZ  双活架构。

运行侧交给司南 ·系统调度监控与诊断,覆盖从部署、配置、升级到运行监控、健康巡检和问题诊断的全生命周期管理,高危风险  1  分钟内发现。元知·本体智能操作系统提供业务数据数字孪生体系与数据操作算子(可被模型调用的标准数据操作),让大模型无需针对企业业务进行二次训练,即可理解企业业务数据,并通过标准化数据操作能力完成查询、分析和任务执行。

 

dataeasy 产品能力总览,三层能力下六款产品的分工

三、和三类常见路线差在哪

选型时常被拿来对比的是三类方案。向量数据库(按语义相似度检索文档、图片等非结构化数据)的长处是找相似内容,但它回答的是「哪段内容像」,不处理结构化业务数据的语义、指标口径与业务关系,两者问题域不同。

组合式  HTAP  走的是行存与列存副本分离,靠副本同步承载分析,比交易与分析分系统部署少一次跨系统搬迁,但可能带来副本同步延迟与额外资源开销。 dataeasy  以海纳· HTAP 混合负载数据库( HexaDB )的一套引擎同时支撑交易与分析,减少复制链路和多集群部署,降低建设与运维成本。

海外厂商多是把  AI  加在既有架构上: Databricks  把  OLTP  带进湖仓,做  HTAP+AI  的统一平台; Snowflake  把  AI  封装成  AI_FILTER 、 AI_AGG  这类  SQL  函数,供熟悉  SQL  的用户调用; SAP  在自有生态内做业务语义建模。 dataeasy  做的是把  AI  推理、业务认知与智能执行能力下沉到数据基础设施内核,而非仅在库外挂载向量检索能力。位置不同,代价不同,适配的存量环境也不同。

 

业界常见的  Agent 调用路径与 dataeasy 直连业务数据的技术路径对照

四、哪些企业更适合

从能力结构反推,几类企业更容易从这套底座获益:已有  ERP 、 CRM 、财务系统等存量系统,希望在保留既有  IT  投资的前提下让  AI  读懂业务数据;需要同时承载高并发交易与实时经营分析,减少交易系统与分析系统之间的数据搬迁;计划落地智能问数、经营分析或数字员工,需要一个  Agent (能理解任务并调用工具执行的  AI  程序)可以直接读取业务数据的底座。

还有一类是更看重数据安全、权限隔离、业务口径一致与执行可追溯的企业。原始业务数据无需直接暴露给大模型,智能执行的权限边界由平台统一管理,这类机制决定了  Agent  能不能进入核心业务,而不只是在边缘场景做问答。

 

企业级  AI 数字员工平台架构,底层由 dataeasy 数据底座支撑

五、 POC 阶段验证四件事

判断是否值得考虑,落点还是在一次  POC (小范围试点验证)上。建议用企业自己的问题集,不用厂商准备的演示脚本: 语义能否从内核运行轨迹与专家经验中学习识别 ,比如同一指标在不同部门的叫法能否对齐;算子能否覆盖真实任务,而不只是做查询;权限能否控住边界,跨部门数据会不会被越权读取;业务口径调整后,语义体系能否跟着更新。

这几件事都过了,再结合存量数据库类型与合规要求判断落地方式,选型才有依据。数翊科技把重心放在数据基础设施内核,让  AI  从「能对话」走向「能做事」,这也是  dataeasy  被定义为  AI  原生数据基础设施的原因。

 


原文作者:庄良红 ;链接:https://blog.itpub.net/69965512/viewspace-3189189/ ,如需转载,请注明出处,否则将追究法律责任。

下一篇: 没有了~
请登录后发表评论 登录
全部评论

注册时间:2020-03-06

  • 博文量
    346
  • 访问量
    557556