如何选择大模型

随着人工智能的不断发展，大模型的应用逐渐渗透到各个行业。那么，如何选择适合企业的大模型？考虑大模的类型：目前，大模型主要分为两类：通用型和定制型。通用型大模型适用于各种应用场景，但在性能上可能不如定制型。而定制型大模型可根据具体需求进行优化，但需要大量的时间和资源进行开发。因此，企业在选择时要综合考虑使用场景、资源投入等因素。考虑大模型的基础和领域能力：大模型的基础能力包括语言理解、图像识别等方面，领域能力则是指在某个特定领域内的表现。企业在选择大模型时需要根据自身需求考虑这两方面的能力，以确保大模型能够符合自身的业务需求。提示工程和微调：提示工程是指为大模型提供足够的数据量进行训练，确保其准确性和鲁棒性。而微调则是指根据需求进行适当的调整，以满足特定应用场景的需求。企业在选择大模型时需要考虑这两个因素，以确保大模型能够在实际应用中表现出佳的效果。大模型生态：大模型生态包括大模型的社区支持、开发者文档、模型更新周期等方面。企业在选择大模型时需要考虑这些因素，以便在使用时能够得到充分的支持和帮助。对于企业来说，选择适合的大模型要综合考虑大模型的类型、基础和领域能力、提示工程、微调以及大

图数据库用于生产如何选择？在当今数据驱动的时代，图数据库因其处理复杂关系数据的独特能力而日益受到关注。当企业考虑将图数据库投入生产环境时，如何选择合适的解决方案成为关键问题。本文将从多个维度探讨生产环境中图数据库的选择标准。理解图数据库的核心特性图数据库与传统关系型数据库的根本区别在于其数据模型。图数据库以节点、边和属性为基础构建数据，节点代表实体，边表示实体间关系，属性则描述这些元素的特征需求选择图数据库前，必须明确生产环境的具体需求。数据规模是首要考量因素，包括节点和边的预期数量，以及未来增长趋势。不同图数据库对大规模图数据的处理能力差异显著。查询模式同样重要。需要分析生产环境中常见的查询语言各有特点，有的更接近SQL便于学习，有的则提供更丰富的图操作功能。应考虑团队技术栈和长期维护成本。分布式能力对大规横生产环境至关重要。需要考察数据库是否支持水平扩展，如何处理分区和复制，以及在网上各不相同。技术特性比较存储引擎是图数据库的核心组件。原生图存储针对图结构优化，通常性能更佳；而基于其他存储引擎构建的图数据库可能在集成现有基础设施方面更具优势。查询语言的选择影响开发效率。主流的图

大模型的训练过程是一个复杂且计算密集型的任务，以下是一般的训练步骤：数据收集与预处理收集海量数据：从各种渠道收集大量的数据，如互联网上的文本、图像、音频等。这些数据应具有多样性和代表性，以涵盖不同的为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中评估模型的性能，调整超参数，防止过拟合，测试集则用于最终评估模型在未见过数据上的泛化能力。选择合适的模型架构无监督预训练使用大量无，用于衡量模型预测的单词分布与真实单词分布之间的差异。通过最小化目标函数，模型不断调整参数，以提高对数据的拟合能力。采用大规模计算资源：无监督预训练需要大量的计算资源来处理海量的数据和复杂的模型架构任务的层或修改一些顶层的参数，以避免破坏预训练模型中已经学习到的通用特征和知识，同时使模型能够更好地拟合特定任务的数据。选择合适的微调策略：根据任务的特点和数据的分布，选择合适的微调策略，如不同的学习率、优化算法、训练轮次等。通过在验证集上评估模型的性能，选择最优的微调策略，以提高模型在特定任务上的性能。模型评估与优化使用评估指标评估模型：在训练过程中，使用各种评估指标来衡量模型的性能，如准确率

如何选择数据集成方案在当今数据驱动的商业环境中，企业面临着来自不同系统、平台和来源的海量数据。如何有效地整合这些分散的数据资源，使其转化为有价值的商业洞察，成为许多组织面临的关键挑战。选择合适的数据集成方案不仅关系到数据管理的效率，更直接影响企业的决策质量和运营效果。理解数据集成的核心需求在选择数据集成方案前，首先需要明确企业的具体需求。不同规模、不同行业的企业对数据集成的需求差异显著。小型企业可能只需要简单的数据同步工具，而大型跨国企业则可能需要复杂的多系统集成平台。评估数据量是关键一步。日均产生的数据量、数据增长速度以及数据类型（结构化、半结构化或非结构化）都会影响方案选择。同时，考虑、应用程序和云服务。现代数据集成方案通常提供多种连接器和适配器，以简化与常见系统的集成过程。云集成能力在当今混合IT环境中尤为重要。评估方案是否支持公有云、私有云以及本地部署之间的数据流动，以及如何处理不同云等功能。同时，了解方案如何记录和监控数据访问行为，以及在发生安全事件时的应对机制。对于跨国企业，还需特别注意方案是否符合GDPR、CCPA等主要数据保护法规的要求。某些行业如医疗和金融还有额外的合规标准

训练大模型是一个复杂的过程，涉及多个步骤和技术。以下是训练大模型的一般步骤和关键技术：数据收集与预处理：首先需要收集大量的无标签数据，这些数据可以来自互联网上的文本资源，如网页、新闻、博客、社交媒体等。然后对这些数据进行预处理，包括分词、去除停用词、标准化等操作，以便于模型更好地理解和处理。模型选择：根据具体任务和数据特点，选择合适的预训练模型。预训练：使用无标签数据对模型进行预训练。在这能够更好地适应特定任务的文本数据，从而提高在任务上的性能。并行策略：在大模型训练的过程中，通常会使用数据并行、张量并行和流水线并行等并行策略，以提高训练效率和扩展性。有监督学习（SFT）、奖励模型训练（RW）与强化学习（PPO）：大模型的训练过程通常包括有监督学习、奖励模型训练和强化学习三个阶段。有监督学习阶段包括无监督学习和有监督训练，以训练出语言模型的基座和对话能力。使用开源工具和框架：可以使用开源的大模型训练工具，它支持对主流的大模型进行预训练、指令微调和DPO。训练参数配置：配置训练参数，如批处理大小、学习率、优化器、学习率调度器等，以优化模型训练过程。模型保存与测试：训练完成后，保存

AI大模型部署涉及选择合适的部署策略、硬件和软件环境、监控维护、自动化流程、性能优化和安全设置，以确保模型的高效、稳定和安全运行。部署策略：在模型训练和优化完成后，企业需要考虑私有化部署策略，包括提高部署效率并减少人为错误的关键。硬件选择：强大的计算能力是运行AI大模型的关键，建议选择配备高性能CPU和足够内存的计算机。如果条件允许，还可以考虑添加GPU以加速模型推理和训练。软件环境：选择一个文件。为了简化流程，可以选择使用开源的AI大模型项目。为了方便应用程序访问AI大模型，需要创建API和服务。这通常涉及编写一些代码来封装模型推理的逻辑，并使其可以通过HTTP请求进行访问。性能优化：确保稳定且支持AI大模型运行的操作系统，如Windows、Linux或macOS，并安装Python等编程语言环境以及相关的深度学习框架和工具。模型获取：可以从多个来源获取AI大模型的权重文件和模型结构基础设施的准备和配置，如服务器设置、网络环境和安全措施的建立。云部署与本地部署：企业面临的主要选择是云部署和本地部署。云部署提供了更高的灵活性和可扩展性，适合需要快速扩展服务规模的企业。而本地部署则

搭建一个大模型（LargeLanguageModel，LLM）是一个复杂的过程，涉及到硬件选择、框架搭建、数据准备、模型训练、评估和部署等多个步骤。以下是搭建大模型的一般流程：需求分析：确定大模型的目标任务和应用场景，分析所需的性能指标和资源需求。硬件选择：选择合适的硬件平台，以提供足够的计算能力。考虑分布式训练的可能性以扩展计算资源。框架搭建：选择一个适合大模型训练的深度学习框架，以及分布式训练框架等。数据准备：收集和处理大量的训练数据。这可能包括数据清洗、预处理、分词、构建词汇表等步骤。模型设计：设计模型架构，选择合适的模型类型，并确定模型的规模，包括层数和隐藏单元数。预训练：使用大量无标签数据进行预训练，以学习语言的通用表示。常见的预训练任务包括语言模型预训练、掩码语言模型（MLM）和下一句预测（NSP）。微调：在特定任务的数据集上对预训练模型进行微调，以适应特定的应用场景。模型评估：使用验证集评估模型的性能，调整超参数以优化模型。模型优化：应用模型压缩和加速技术，如量化、剪枝、知识蒸馏等，以提高模型的推理效率。部署：将训练好的模型部署到生产环境中，可能涉及到模型转换、服务封装等步骤。监控与维护：在模型部署后，持续监控模型性能，定期更新模型以适应新的数据和场景。

大模型的微调是一个关键步骤，用于将预训练模型适应于特定任务或领域。这一过程通常涉及以下步骤：准备阶段选择合适的预训练模型：需综合考量模型的架构、参数量以及与目标任务的适配性等因素。准备训练数据集模型参数更新，包括只更新一部分参数或通过对参数进行结构化约束，如稀疏化或低秩近似来降低微调的参数数量。提示微调、指令微调、有监督微调：指令微调是通过在由（指令，输出）对组成的数据集上进一步训练大语言出文本的情感倾向。数据预处理：对数据进行清洗，去除噪声、重复数据以及无关信息；进行文本标准化、编码等操作，将数据转换为模型可接受的格式。搭建环境与安装工具：安装深度学习框架，并根据需要配置GPU环境以加速训练过程。微调实施阶段数据集划分：通常将数据集按照一定比例划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中调整模型的参数和评估模型的性能，测试集则用于最终评估模型的泛化能力。设定微调目标与参数调整：明确微调的具体目标，如提高模型在某一特定任务上的准确率、召回率等。同时，确定要调整的参数，包括学习率、优化器、正则化参数等。执行微调：在训练循环中依次进行前向传播、计算损失

大模型可以帮助企业实现更高级的数据分析，并更深入地理解业务。这些模型通常被称为深度学习模型，大模型使用大量的数据进行训练，并通过自然语言处理、图像识别等技术理解和解释现实世界的数据。大型模型如何帮助企业实现智能化数据分析？数据分类和聚类:大模型可以自动对大量数据进行分类和聚类。例如，一个电子商务网站可以使用这些技术来理解其用户群体的不同类型，并根据其购买行为和偏好进行市场细分。预测分析:大模型可以通过监督学习进行训练，以根据历史数据预测未来结果。例如，一个零售商可以使用这种技术来预测销售额，从而更好地规划生产和库存管理。自然语言处理:大模型可以理解和生成自然语言。企业可以更容易地自动解析和理解大量的文本数据，例如客户反馈、社交媒体帖子或产品评论。图像和视频分析:大模型也可以处理图像和视频数据。这使得企业可以对产品照片、卫星图像、医疗扫描等进行分析。例如，可以帮助企业更准确地识别产品缺陷、预测天气变化或改进医疗诊断。个性化体验:通过理解用户的行为和偏好，大模型可以帮助企业提供更个性化的服务。例如，推荐系统可以使用深度学习模型来理解用户的历史购买行为，并为其提供更准确的商品推荐。风险和

大模型推理优化在人工智能领域，大型语言模型（LLM）已成为研究和应用的热点。这些模型在文本生成、问答系统、代码补全等任务上表现出色，但其庞大的参数量也带来了显著的推理成本。如何优化大模型的推理过程，使其在保持性能的同时更加有效，成为当前研究的重要方向。推理优化的必要性大模型的推理过程涉及大量矩阵运算和参数访问，对计算资源和内存带宽要求很高。例如1750亿参数在推理时需占用数百GB内存，单次推理可能消耗数秒甚至更长时间。这种高延迟和高成本限制了模型在实际场景中的应用，特别是在边缘设备或实时系统中。因此，推理优化不仅是技术挑战，也具有显著的经济价值。主要优化技术模型压缩是常见的优化手段。通过量化技术，将模型参数从32位浮点数转换为8位或4位整数，可大幅减少内存占用和计算量，而精度损失通常控制在可接受范围内。知识蒸馏则是训练一个小型"学生模型"来模仿大型"教师模型"的行为，保留关键知识的同时减少参数量。计算图优化通过分析模型的计算流程，消除冗余操作，融合连续层，优化内存访问模式。例如，将多个矩阵乘法合并为一个操作，可以减少中间结果的存储和传输开销。算子融合技术特别适合GPU等并行计算设备

时空数据库时空数据库是一种针对时空数据处理的数据库系统。它以时间和空间为基础，整合了空间信息和时间信息，能够对时空数据进行存储、查询和分析。时空数据库广泛应用于交通运输、城市规划、GIS等领域。分布式时空数据库分布式时空数据库是一种对时空数据进行存储和处理的数据库系统，通过分布式存储和分布式计算等技术，可以实现对大规模时空数据的高效处理和分析。与传统的集中式数据库系统不同，分布式时空数据库将数据存储在多个存储节点上，并将计算任务分配给多个计算节点来完成，从而极大地提高了时空数据的处理能力和可靠性。分布式时空数据库的出现，使得处理大规模时空数据成为了可能，也更好地满足了各个领域对时空数据深度分析的需求。星环分布式时空数据库-TranswarpSpactureSpacture是星环科技自主研发的一款面向空间、时空数据的存储与管理，集计算与存储为一体的分布式数据库产品，支持大规模矢量数据、时空轨迹数据的存储与计算，具有完备的数据查询、分析和挖掘能力，可用于时空查询分析、时空模式挖掘、时空轨迹聚类等时空轨迹数据分析场景，广泛应用于交通物流、城市管理、位置服务等场景。

为解决AI落地难的问题，星环科技从用户需求端出发，研发了一款基于云原生架构的企业级AI能力运营平台SophonMLOps，助推AI模型落地。SophonMLOps是基于云原生架构构建的企业级AI能力运营平台，聚焦于机器学习模型全生命周期中的模型管理、模型部署、模型监控预警、模型评估和模型迭代等关键环节。通过统一纳管、统一运维、统一应用、统一监控、统一评估、统一解释，赋予企业客户易用、高效且安全可靠的AI能力运营服务，协助客户规模化管理日益增长的机器学习模型，提升模型使用效率，降低模型集成管理成本，控制模型生产环境风险。SophonMLOps针对企业AI运营的痛点，围绕企业AI模型接入、运营管理、持续训练的全生命周期，分别提供规模化集成管理、高效模型推理、模型监控预警、模型性能评估、隐私安全保障等功能，为企业的AI日常运营插上翅膀。SophonMLOps打通了AI的全生命周期，为企业的各类用户角色搭建了统一的AI协作平台。对于企业而言，MLOps规模化集成管理了多源异构的机器学习模型，并提供高效且保障隐私安全的模型推理、监控预警及性能评估服务；对用户而言，能感受到操作上的快捷，AI应用与...

近年来，企业数据安全问题的重要性被提上了前所未有的高度。星环科技提供了从云基础设施、数据平台、数据资源、数据应用的数据安全能力。覆盖数据生命周期的各个阶段，涉及数据的收集、存储、使用、加工以及开放流通。全方位保障企业的数据安全，支撑业务合法合规的开展。星环科技凭借全面的数据安全能力助力某支付机构构建安全防线的落地实践。该支付机构拥有大量数据资产，目前机构面临着较大的挑战，需要加强数据安全管理，为此，机构决定与星环科技合作，利用星环科技的技术来提升数据安全管理能力，共同打造一个基于隐私计算的数据服务平台DaaS。根据客户需求，星环科技在基础设施层提供了基于容器的云原生操作系统TCOS，可以为用户提供独立的数据与计算环境，减少数据对外暴露的风险。在数据平台层，星环科技大数据基础平台TDH新版本增强了安全技术，支持行列级权限控制、动态脱敏等。在数据资产层，星环科技借助两款新产品：数据安全管理平台Defensor帮助企业构建整个数据安全管理域及数据流通平台Navier：包含隐私计算平台SophonP²C和数据交易门户datamall，提供包括联邦学习和差分隐私等技术能力。该支付机构的数据管理平...

图数据库的应用场景非常广泛，可以应用于各个行业。以下是一些常见的应用场景：金融：在金融领域，图数据库可以帮助银行、保险公司等企业处理复杂的数据结构，支持欺诈检测、交易路由、投资组合分析等操作。社交网络：图数据库可以存储和处理社交网络中的复杂关系图谱和大量用户数据，支持好友推荐、社区发现、个性化内容推荐等操作。物流：在物流领域，图数据库可以帮助企业优化路径规划、物流运输等操作，加速发货、配送时间并提高效率。制造业：图数据库可以支持企业处理复杂的设备关系结构图，进行维修保养、设备性能分析、生产计划优化等操作。能源行业：在能源领域，图数据库可以处理复杂的电网、管道等结构图谱，并支持多种能源趋势分析和紧急事件监测等操作。电商：图数据库可以应用于电商业务中，存储和处理复杂的商品与用户之间的关系，支持个性化推荐、购物车分析、用户行为预测等操作。图数据库可以在各个领域中应用，并且在处理复杂的数据结构和大量的数据时比传统数据库具有更高的性能和效率。星环分布式图数据库StellarDB星环科技致力于打造企业级大数据基础软件，围绕数据的集成、存储、治理、建模、分析、挖掘和流通等数据全生命周期提供基础软件与...

星环科技作为一家企业级大数据基础软件开发商，在图计算领域深耕多年，有着深厚的技术积淀和丰富的实践经验。星环科技自主研发的分布式图数据库StellarDB，兼容openCypher查询语言，提供海量图数据的存储和分析能力，支持原生图存储结构，支持万亿边PB级数据存储。同时，StellarDB具备毫秒级点边查询能力，10+层的深度链路分析能力，提供近40种的图分析算法，具备数据2D和3D展示能力。StellarDB克服了海量关联图数据存储的难题，通过集群化存储和丰富算法，实现了传统数据库无法提供的低延时多层关系查询，目前已经用于金融、政府、交通等众多行业，用于反洗钱、风险控制、营销等多种场景。同时StellarDB还获得了多项行业权威认可：入选信通院2022大数据十大关键词“图计算平台”代表厂商；通过了中国信通院图数据库和图计算平台基础能力两项专项测评；入选著名咨询机构Gartner《中国数据库市场指南》、《工具：中国数据库管理系统供应商甄选》报告等，彰显了其产品技术领先性。如今，5G、物联网、AI等技术的发展应用让数据呈指数倍增长，为图数据库发展提供了更广阔的应用空间。顺势而为，乘势而上...

随着行业和技术领域的变化日新月异，从数据仓库、动态数仓，到数据湖，从新一代湖仓一体技术到可插拔数据库，概念的引入虽然简单，但如何做到更有效，更复杂的数据资产管理就考验着对生产能力和工艺过程的管理能力。星环科技认为数据中台是一种能力、是一种组织上的策略而不仅仅是一种技术架构，它是在信息化基础上建立的可编织和可复用的数据可分析能力，从而支撑企业数字化转型。星环科技的数据中台三中心、六能力、两个体系星环科技很早就在数据中台领域布局，结合星环科技全系产品的相关组件实现数据中台能力建设。星环科技把数据中台建设归纳为三中心、六能力、两个体系，这当中都会有星环科技产品作为支撑，从而保证企业能够快速实现，并搭建起数据中台，满足企业未来发展变化。数据存储、分析探索、业务赋能三中心第一，帮助企业构建存储中心，提升数据的汇聚和整合能力；第二，构建数据分析探索中心，专注于智能分析能力和实时计算能力的提升，推动智能推荐能力和全链路实时监测和保障能力；第三，构建业务赋能中心，提供统一的访问能力实现跨平台联邦，统一的访问层控制，确保数据安全可用，同时搭建统一的服务能力，面向多场景的服务应用支撑。安全和运维、数据和分...

在国产数据库产品方面，星环科技坚持自主研发与技术创新，打造了自主可控的高性能分布式数据库ArgoDB和分布式交易型数据库KunDB，以及分布式图数据库StellarDB等产品。KunDB具备较强的SQL兼容性，同时具备高可用、高并发、在线扩缩容、数据强一致性等能力，适用于操作型业务、高并发业务等场景。ArgoDB具备完整的SQL兼容性，同时具备高扩展、高可靠、多模型、存算解耦等能力，一站式满足数据仓库、实时数据仓库、数据集市、OLAP、联邦计算等场景。通过不断的打磨和对业务场景不断的落地实践，ArgoDB和KunDB已成为具有完全自主知识产权的成熟的国产数据库，能够为更多的客户提供高性能、高可靠、成熟的数据库产品服务，帮助用户应对智能数据时代海量数据的分析与探索。分布式图数据库StellarDB兼容openCypher查询语言，提供海量图数据的存储和分析能力，支持原生图存储结构，支持万亿边PB级数据存储。同时，StellarDB具备毫秒级点边查询能力，10+层的深度链路分析能力，提供近40种的图分析算法，具备数据2D和3D展示能力。星环科技StellarDB在金融、政府和社交网络等领域...

星环科技致力于打造企业级大数据基础软件，具备大数据与云基础平台、分布式关系型数据库、数据开发与智能分析工具的软件产品矩阵，多年来深耕电力领域，覆盖电力产业“发-输-变-配-用”五大环节，为推动电力行业数字化转型做出了重要贡献。在国网上海电力智能配用电大数据应用系统建设项目中，基于星环科技大数据基础平台TDH构建的智能配用电大数据应用系统汇集了浦东1210平方千米的236万户的用电数据，高负荷738万千瓦，年用电量329亿度，占上海全网四分之一。集成的内外部数据源有10个，整个数据量到现在已经接近8个T了，台账的数据总量有29.14万条。在多元数据集成及大数据平台基础之上，应用系统实现了用电查询，电力地图等基础功能及用户用电行为分析，节电用电预测网架优化和错峰调度等业务应用。基于多源异构数据的关联解析，和海量用电负荷实际数据存储、索引，实现了用电查询的基础应用，包括230万用户，26000个台区，4000余中压馈线的基本台账及用电数据的快速查询，并可以进行用户用电画像、地图定位、供电范围等数据的查询，服务响应时间在三秒以内。此前，星环科技还曾凭借《星环科技电力智慧供应链智能决策平台建设方...

双碳目标下，全国碳排放监测服务平台启动建设力争2030年前实现碳达峰、2060年前实现碳中和，我国明确提出“双碳”目标，充分彰显了在构建人类命运共同体进程中的大国担当。国家电网公司主动担当重要使命，提出“实现双碳目标，能源是主战场，电力是主力军，电网是排头兵”的战略部署，率先行动，发布《全国碳排放监测服务平台建设工作方案》。“双碳”目标的实现离不开科技支撑。《全国碳排放监测服务平台建设工作方案》指出，全国碳排放监测服务平台建设的总体目标是以电网数字化赋能和助力国家碳达峰碳中和，实现“电力看双碳”，“双碳看经济”，为国家碳排放统计核算体系建设、宏观调控政策制定、经济社会全面绿色转型发展等工作提供决策支持。平台建设需要解决以下问题：以数字化平台技术解决各省的地市、区县、重点行业碳排放数据维度不全面、核算方法不完善、碳核算体系不统一等方面的问题；强化数据应用，发挥好决策支撑作用，深挖电力大数据价值，开展“电力看环保”“电力看经济”等大数据应用。积极响应号召，星环科技打造碳排放监测服务平台解决方案星环科技作为大数据基础软件领域的代表性企业，有着高度的责任感和使命感，为响应“全国碳排放监测服务平...

作为一家企业级大数据基础软件开发商，星环科技很早就在数据中台领域布局，结合星环科技全系产品的相关组件实现数据中台能力建设。星环科技把数据中台建设归纳为三中心、六能力、两个体系，这当中都会有星环科技产品作为支撑，从而保证企业能够快速实现，并搭建起数据中台，满足企业未来发展变化。其中，三中心分别是存储中心、分析探索中心、业务赋能中心；六能力包括数据汇聚能力、数据整合能力、智能分析能力、实时计算能力、统一访问能力、统一服务能力；两个体系则是安全和运维保障体系与数据和分析支撑体系。三中心、六能力、两个保障体系都构建在一个云底座之上，满足企业私有化或者混合云多云的部署形态，同时灵活组件式的可插拔式部署形态，能够帮助企业更迅速的起步，按规划分步完善数据中台建设。除了提供基础组件和相应的工具帮助客户快速构建数据中台之外，星环科技还提供咨询实施服务，可以为企业提供量身定制的“数据云基础设施+咨询服务的端到端产品+服务”的综合解决方案。在星环科技的咨询服务产品体系中，包括为企业构建中台的架构规划、应用规划，以及帮助企业实施建设数据底座、数据中台、数据仓库，以及数据治理服务，也包括了数据的分析、业务分析、...