三、数据准备阶段

数据分析通常基于多张数据表的综合分析，有大量数据表连接、聚合的工作，在加上数据质量问题杂多，涉及到大量的边界检查与处理，大模型可以一定程度降低数据准备的工作。

1、数据集的智能整合

以行业数据模型为基础，大数据平台提供基于图搜索技术的语义查询模型，以友好的方式支撑设备管理分析。以风电机组为例，当叶片发生断裂事故后，整机制造商的运维主管想要查看并确认是否为叶片批次问题（即和当前风机使用同一叶片厂商的风机的近期机舱加速度是否正常），查询路径如图1所示。有了图语义模型的支持，应用开发者无须编写复杂的表间关联语句，将大大降低应用开发的工作量。

查询路径有两个来源，1）用户可以给定查询路径，在如下图所示的领域模型中，用户给出查询路径和初始的查询条件，两个实体间关联关系由领域模型实现，用GraphQL等图查询语言表达，2）大模型自动生成查询路径，并转化为图查询语句。

另外，大模型也可以对生成的数据集进行自动描述。从数据源抽取关键业务语义信息（例如，覆盖多少口井，数据的起止日期，有多少有效数据），并抽取关键的数据质量处理函数描述，交由大模型生成数据集的描述，以方便后续利用时更深入了解该数据集。

2、数据处理

流图和说明文档生成

在开发之前通常有数据流图设计。但在开发过程中，数据分析师通常会对数据处理逻辑做更新，造成实际的数据流图与设计图并不完全一致。过去通常在项目验收前要求数据分析师去更新实际的数据流图。

有了大模型之后，有可能结合代码注释，从函数代码提取处理步骤描述，形成一个函数的处理逻辑流程图，撰写算法文档。更宏观一层，从数据库表读写语句中分析每个分析函数的输入和输出的数据表，把多个分析函数的输入、输出和数据表关联起来形成数据流图。

四、模型建立阶段

因为存在大量丰富的机器学习算法库和各种效率工具（例如，AutoML等），模型建立在一般机器学习项目并不是瓶颈，这里不再论述。大模型有可能从类似项目代码中自动生成代码框架，也可以辅助模型试验过程管理（让探索更条理化）。

五、模型评价阶段

针对模型评价，机器学习领域有明确的评价方法、指标和工具，具体项目中通常也有明确的业务角度的评价方法，从而，研发期模型评价阶段对大模型没有特别需求。在部署后的运维阶段，大模型可以对模型的运行性能（计算时间、内存占用量等）、模型指标进行即席解读，降低运维工作量。

六、模型部署阶段

到了“模型部署”阶段，这些信息都明确了，但相对于基于历史数据的批量分析，部署阶段通常采用在线增量分析（流计算、批计算、微批计算），前后执行（以下简称为批次）间存在依赖。