Sosys 利用人工智能和多源数据创建私人金融代理。

Sosys （ ），是智能商业生态系统开发的先驱。公司采用B2B企业模式，服务于众多中大型客户，这些客户分布在多个垂直行业，需要高保真分析处理能力。

Sosys 的运营核心在于提供治理、合规和交易可视性。面对复杂的宏观经济形势，以及即将到来的 税制改革 和整合财务及运营数据的需求，Sosys 面临着如何扩展其价值主张的挑战。其核心目标是从静态分析报告转型为预测性、去中心化的决策架构，从而消除对人工工作流程和耗时的客户关系数据库查询的依赖。

实际问题

在Sosys客户的传统运营模式中，信息孤岛造成的数据延迟阻碍了关键决策的制定。用于计算运营效率、现金流预测和营运资金需求的基本变量分散在多个环境中：ERP系统中的关系数据库、CRM系统中的交互日志以及分散的电子表格。

运营瓶颈和技术限制

• 分析延迟过高： 结构化管理报告的整合依赖于人工数据提取和交叉引用流程。诸如合同违约模拟或违约对现金流的影响等战略性问题的解答，需要数天的内部处理和多次技术会议。
• 碎片化和模式不一致： 由于缺乏统一的数据清理层，导致 CRM 中记录的收入与 ERP 中的会计核对之间存在指标差异。
• 合规性和欺诈风险： 人工操作人员直接处理敏感财务数据增加了欺诈和税务违规的攻击面，违反了公司治理和信息安全原则。
• 直接财务影响： 由于无法根据付款和收款条款（DSO 和 DPO）预测动态情景，导致资本配置效率低下，产生机会成本，并造成预测现金流与实际现金流不匹配。

解决方案架构

为了克服这些限制，Sosys 使用了Skyone Studio ，这是一个智能集成和 AI 平台，它将 iPaaS 工具、Lakehouse、AI 代理和对话界面与 BI 系统整合在一起。Sosys 的虚拟 CFO Nanda的架构是在 Skyone Studio 处理流程中构建的，分为五个主要层：

组件和技术栈

1. 通过 iPaaS（集成平台即服务）构建数据管道： 通过数据管道异步连接，集成 ERP、CRM 和传统市场系统的 API。自动化流程执行实时数据摄取，并标准化异构模式。
2. Lakehouse 层和数据管理：使用 Skyone Studio 管理的存储库来组织分析流程。原始数据（原始数据库）经过自动化转换和清洗流程（数据清洗器 2.0 ）后，以优化视图（预处理数据库）的形式持久化，并按客户端划分到数据集市中。
3. 智能体工作流编排： 基于私有大型语言模型（LLM）实现自主模块。该编排智能体能够理解复杂的文本目标，规划操作序列，选择工具（技能 ），并通过结构化提示在分析数据库中执行扫描。
4. 安全、治理和反欺诈层： 所有有效载荷的传输和处理均在受保护的生态系统内进行。严格的验证规则会阻止未经授权的请求，并在将数据发送到最终接口之前审核事务不一致之处。
5. 全渠道多渠道分发： Skyone Studio 与企业消息的原生集成，使智能代理功能可通过 WhatsApp Business、Microsoft Teams 和结构化私人聊天环境使用。

技术挑战

Nanda代理背后的工程设计需要在数据架构和生成式人工智能之间权衡取舍：

• 基于分词的数据清理：语言模型在严格的上下文约束下运行（1 个词元 = 4 个字符或 0.75 个单词）。直接向语言模型输入原始财务表会超出上下文范围，增加运营成本。Skyone Studio 通过在预先准备好的数据集市中直接应用结构化摘要和原生自然语言翻译（文本到 SQL ）来解决这个问题，从而优化词元消耗。
• 分析确定性的保证： 纯粹的生成模型容易产生幻觉，这对财务平衡而言是不可接受的风险。该架构实现了 RAG（检索增强生成）技术，并结合了交叉验证。人工智能仅基于解决方案内部数据湖中包含的严格结构化和验证的数据做出响应。
• 敏感数据上下文隔离： 为了防止之间，Studio 将知识库逻辑地隔离到单独的加密分区中，维护与每个用户组织 ID 关联的唯一访问密钥。

执行

该项目的推广实施是在统一的 Skyone 生态系统内分四个宏观结构阶段进行的。:

第一阶段：系统运营商和数据摄取（iPaaS）映射

映射所有客户交易来源（应付账款、应收账款、账单表和 CRM 日志）。通过 Skyone Studio iPaaS 管道配置预构建连接器和 API 总线，确保信息的自动化和持续摄取。

第二阶段：湖畔小屋结构和卫生设施。

将摄取的数据集中存储在数据湖层。实施逻辑数据转换流程，以清除重复数据、处理空字段，并将字符串转换为用于财务审计的标准化数值格式。

第三阶段：快速工程和代理工作流程

在 Studio 中开发智能代理的决策流程。配置特定技能，例如：现金流模拟触发器、税务合规性验证程序以及针对数据库的优化查询生成器。与选定的 LLM 集成并校准温度超参数以消除概念偏差。

第四阶段：安全验证和全渠道发布

批准集成式反欺诈层。激活多渠道发布网关，将 Nanda 直接连接到已批准客户的 WhatsApp 和 Microsoft Teams 生产环境，从而实现通过音频和文本进行实时企业互动。

可衡量的结果

Skyone Studio 将分析操作过渡到生成式 AI 辅助生态系统，已经带来了可量化的结构性改进：

• 分析响应时间缩短： 用于财务情景规划和生成结构化管理报告的复杂查询已从 几天缩短到几秒钟，并且实时运行（24/7）。
• 运营效率： 大幅减少返工，并减少手动提取企业数据库所需的技术协调会议。
• 主动降低欺诈风险： 实施自动化实时警报。如果代理商在ERP系统中发现未收到相应凭证的预定付款，系统将触发合规保护机制，从而阻止潜在的瓶颈或操作欺诈。
• 信息可用性提高： 加快执行委员会会议的战术决策，消除因缺乏已验证的宏观经济指标而造成的延误。

吸取的教训

1. 智能取决于预先构建的结构： 如果将先进的生成式人工智能模型应用于杂乱无章或损坏的数据库，则会失去运行效用。Nanda 的成功在于 Skyone Studio 能够在将数据导入 LLM 之前，在 Lakehouse 层对数据进行处理、清洗和组织。
2. 以应用层为中心的策略： 敏捷开发创新型企业解决方案并不需要企业从零开始构建基础人工智能模型。真正的企业价值在于将现有的生命周期管理（LLM）基础设施与私有的、特定于业务的数据相结合。
3. 安全是人工智能扩展的前提： 在 B2B 企业领域，只有在严格的治理框架和隔离的环境中，才能对敏感数据进行智能处理，从而确保持续的监管合规性。

常问问题

什么是具备人工智能的私人金融代理人？

这是一个基于语言模型（LLM）的智能架构，运行于封闭的企业环境中。与公共人工智能不同，该私有代理使用公司专属的内部数据（例如ERP和CRM数据），从而保证完全保密、零信任治理，并在不与外部共享信息的情况下提供高度准确的分析结果。

Skyone Studio 如何确保敏感财务数据的安全？

Skyone Studio 的工作原理是在数据流中整合多层安全、合规和反欺诈屏障。公司数据在专用的 Lakehouse 架构中进行逻辑隔离，防止交叉访问或数据泄露，同时保持完整的交易可追溯性，并符合严格的公司治理标准。

Skyone Studio 中的多源数据集成流程是如何运作的？

该平台通过集成式 iPaaS 解决方案运行，集中并协调来自 400 多个市场系统（例如 ERP、CRM 和外部数据库）的信息流。这些管道提取、清洗和标准化结构化和非结构化数据，并自动将其加载到统一的 Lakehouse 中，供 AI 代理立即使用。

在企业财务中使用生成式人工智能是否会导致报告错误？

为了避免分析错误或产生幻觉，Skyone Studio 中应用的数据架构采用了先进的 RAG（检索增强生成）。这意味着人工智能代理在技术上仅限于使用组织私有数据湖中包含的真实、干净且经过验证的数据来回答问题，从而确保答案的数学确定性。