如何基于企业数据构建和部署表格 AI 模型

表格 AI 与传统的 机器学习 (ML) 不同，它将从结构化数据中学习到的知识应用于新的预测任务。 组织无需针对每个用例分别构建、训练和维护模型，而是可以使用经过预训练、能够识别结构化数据模式的表格基础模型（TFM）。

表格基础模型分析行、列和值之间的关系，以比传统方法更少的模型开发工作量生成预测。这有助于企业降低复杂性，并加速 AI 在整个企业中的实施。

了解大语言模型、表格基础模型与传统机器学习模型之间的差异，有助于团队在将 AI 计划从实验推进到生产时选择合适的方法。

仅靠高质量的窄域 AI 或定制模型，并不能让预测性 AI 项目成功。要创造业务价值，企业必须将预测投入运营：将其与当前业务背景关联起来，使其易于理解且可治理，并在决策发生的应用和工作流中交付预测。

随着预测开始影响决策，团队需要了解哪些数据促成了某一结果、哪些因素对其产生了影响，以及随着业务状况发生变化，该预测是否依然可靠。他们还需要一种一致的方法，以便在各类用例中监控、管理和治理预测模型。

当预测结果被隔离在一个单独的工具中时，其价值有限。只有当预测洞察融入业务流程、为决策提供依据时，组织才能实现最大影响，帮助人员和 AI 智能体确定工作优先级、识别风险并及时采取行动。

大多数基于结构化数据构建的 AI 模型从未投入生产，因为成功不仅取决于模型本身。一旦预测开始影响业务决策，人们就需要理解它为何生成，以及它是否长期可靠。预测还必须出现在决策发生之处，而不是孤立在单独工具中。

许多企业正是在这里发现，仅靠模型质量并不能决定成功。预测只有在为决策提供依据时才能创造价值。业务背景有助于将预测与当前情境关联起来，治理则帮助人们理解应如何使用预测。

早期成果往往容易让人以为扩展会很顺利。一个预测模型在业务的某个领域创造价值后，其他团队很快也希望为自身流程和决策获得类似能力。如果缺乏统一方法，各项独立的 AI 计划可能不断增多，形成由模型、工具和流程组成的碎片化格局。

挑战已不再是模型能否生成有用的预测，而是组织能否在不同用例中反复交付可信预测，使其与不断变化的业务状况保持关联，并在决策点交到人员和 AI 智能体手中，同时维持对模型、预测和工作流的治理。

采用企业级表格 AI 的常见障碍包括：

每个应用场景单独建模
随着需求增长，团队会构建、训练、部署和维护更多独立模型。由此带来的生命周期工作量、基础设施和专业技能要求，可能使预测性 AI 成本高昂且难以扩展。

缺少业务背景
模型可能识别出表格中的某些模式，但可靠决策取决于当前运营状况、业务数据之间的关系以及底层流程的含义。

无法解释的预测
当组织不了解预测是如何生成的，以及哪些因素影响了输出结果时，采用速度会放缓，信任也难以建立，审计工作量还会增加。

工具和生命周期流程彼此孤立
当训练、部署、监控、治理和交付分散在不同环境中时，团队需要投入更多精力进行集成，也难以对预测生命周期实施一致的管控。

结果无法进入决策环节
预测如果停留在独立的仪表盘或工具中，价值有限。只有融入人们可据此采取行动的应用、工作流和智能体体验中，其价值才会提升。

要扩大企业级 AI的应用规模，企业需要采用可重复的方法，将数据与业务上下文相连接，管理和治理预测结果，并在整个预测生命周期内交付这些结果。

成功的表格 AI 战略始于已在驱动业务流程的结构化数据，而不是为每个新模型单独开展数据准备项目。目标是将结构化数据和业务背景作为可复用能力提供，使团队能够跨应用场景生成可信预测、将其投入运营并加以治理。

使用以下清单，在组织内制定表格 AI 战略：

确定高价值业务决策和企业结构化数据源

• 从能够提高收入、降低风险、降低成本，或改善运营决策和绩效的决策入手。
• 优先处理支持核心流程的结构化数据，例如交易数据、客户记录、发票、订单、库存，以及劳动力数据。
• 当决策取决于来自多个系统的信息时，不要局限于单一应用。

连接数据与业务上下文

• 识别塑造决策的业务实体、规则、关系，以及流程条件。
• 保留流程上下文，而不是将记录视为彼此孤立的行。
• 可考虑知识图谱、历史数据，和业务信号；这些信息有助于 AI 理解业务实体及其关系，并跟上不断变化的业务状况。

提升数据质量和一致性

• 在选择 AI 方法之前，先了解你的数据实际能支持什么。可用数据量、关键信息采集的一致性，以及历史结果的可靠性，都会影响哪种方法可能表现最佳。
• 考虑表格 AI 方法能否减少大量预处理需求。一些模型能有效处理不完美数据，让团队减少在填补缺失值、剔除异常值或重新格式化数据上的时间。
• 确认历史结果准确反映了业务中实际发生的情况。
• 持续监控预测质量、数据变化，以及模型行为，并设置管控机制，规范预测在应用、工作流和 AI 智能体体验中的使用方式。

当业务问题得到明确定义时，为表格数据选择合适的 AI 模型会变得更加容易。不同的预测任务会产生不同的要求，因此最佳选择较少取决于模型本身，而更多取决于围绕预测的上下文。

这一区别很重要，因为模型选择会影响后续所有工作。模型越容易应用于新应用场景，团队构建和维护独立解决方案的时间就越少。同时，模型必须能够适配相关数据、业务背景，以及用例和组织所需的可解释性水平。

以下对比重点展示了每种方法在预测生命周期中的适用位置：

希望超越独立应用场景的组织需要表格基础模型，这些模型能适配多种预测任务，而无需新的单用途模型或定制预测能力。这也是 SAP 在 SAP Business AI Platform 中结合多种方法并提供多个表格基础模型的原因之一：

• SAP-RPT 是一个全托管的表格基础模型系列，基于 SAP 真实业务表、用例和业务流程进行训练，有助于识别企业数据中的多种关系。
• Prior-Labs-TabPFN-3 是业界领先的表格基础模型系列，可处理广泛的表格预测任务。

客户可通过 SAP AI Core（一项全托管 AI 服务）编排、部署和治理大语言模型、表格基础模型和自定义构建的机器学习模型。这种方法让组织能够根据问题匹配模型，同时支持从实验到生产的更一致路径，并平衡成本、准确性和性能需求。

构建可投入生产的表格 AI 流水线，远不只是选择合适的模型。企业需要确认预测在真实业务条件下仍然有用，将预测与决策发生的情境关联起来，并在预测成为日常运营一部分时保持信心。

这一演进首先将模型建立在治理框架和可解释性技术的基础之上，为验证提供依据，进而可以对照业务上下文对模型进行测试，以确立其相关性和可靠性。随后进入生产阶段，在此阶段，编排有助于将正确的信息引入流程，交付则使预测结果能够在决策环节发挥作用。

无论是模型准确性还是业务背景，单独来看都是不够的。 预测必须足够准确才能支持决策，但也必须反映做出该决策时的业务状况。

大型语言模型 (LLM) 能够生成听起来合理的回答，因为它们理解语言中的模式。然而，看似合理并不保证准确。在业务流程中，一个看似合理的回答如果并非以可靠数据为依据，仍可能导致错误结果。

表格基础模型（TFM）通过直接从结构化数据中学习来应对这一挑战。它们能识别业务记录、交易和运营数据中的模式与关系，从而做出准确预测。但仅有准确性并不总是足够。一个预测可能正确识别出某种模式，却仍缺少判断其相关性所需的业务背景。

正因如此，许多组织将表格 AI 的优势与来自自身运营的业务背景结合起来。通过让预测以其业务数据及数据间关系为依据，组织可以产生不仅更准确，而且结合了背景、与用户所需决策相关的结果。

业务决策很少只依赖单一系统的信息。孤立地查看行和列，很难看出这些关联。人们通常能凭借对业务运作的理解来弥合这些差距，但 AI 也需要同样的背景才能得出可靠结论。随着数据分散到更多应用中，保持这些关联变得越来越重要。

这就是知识图谱在生产部署中变得越来越重要的原因。它们有助于跨系统保留业务关系，使预测能够反映决策背后的背景。结果是更清晰地了解业务，让表格 AI 看到跨系统的这些连接，使预测反映数据背后的现实，而不只是数据本身。

当人们能理解预测为何产生时，信任就会增强。当预测影响财务流程、合规决策和审计等高影响力活动时，这一点尤其重要。适当的透明度和可解释性可使用户结合情境评估预测，并决定如何继续。

不同解释服务于不同目的，具体取决于所做决策以及所需审查程度：

• 因素归因与特征分析：展示哪些数据点对预测影响最大，帮助用户理解结果由什么驱动。
• 行级别和列级别的可解释性：借助示例将预测结果与相关列和行记录关联起来，帮助用户查看支持预测的证据。
• 人机协作决策：在需要进行业务判断时，可启用专家审核，帮助组织管理例外情况，同时确保权责分明。

因此，预测可解释性有助于人们在日常业务流程中有信心地理解预测结果并据此采取行动。

随着 AI 成为日常运营的一部分，信心与预测质量同样重要。影响业务决策的预测必须具备足够透明度，以支持后续行动，因此以下 AI 治理要求对企业级模型部署至关重要：

1. 合规性和风险管理

治理有助于确保预测符合业务政策和监管要求，从而帮助避免财务或法律后果。

2. 可审计性和可追溯性

可解释的结果和记录清晰的决策路径，有助于在内部流程改进或审计请求需要时更轻松地审查和验证结果。

3. 监控和模型生命周期治理

持续监督有助于团队识别何时需要调整数据，从而确保预测长期保持可靠。

当治理成为预测生命周期的一部分时，每项预测都带有清晰解释和明确的监督级别。因此，组织能够更有信心地在整个业务中应用并扩展 AI。

当企业从少量用例扩展到更多用例时，一致性变得更难保持。每项预测都需要正确的业务背景，不同情境可能需要不同模型。如果缺乏一致的方式来做出这些决策，AI 可能在整个企业中变得碎片化。

这正是 AI 编排变得尤为重要的地方。它有助于确保每项预测都结合了相关的业务情境，并使用最契合该任务的模型进行评估。随着采用率的提高，手动管理该流程变得越来越困难。

SAP 通过 SAP AI Core 应对这一挑战。这项全托管服务作为基础，支持 LLM 和 TFM 的编排。借助定向检索、上下文注册与选择，以及覆盖预测生命周期的批量推理等能力，系统可自动识别最佳预测示例、从大型数据集中呈现相关数据，并在企业级规模下异步处理大量数据。通过在 SAP Business AI Platform 上为表格 AI 提供通用基础设施，SAP AI Core 为希望开发新应用场景的组织提供支持，使其无需每次都重新设计流程或产生额外成本。

业务目标是将 AI 预测融入业务工作流，并将其直接呈现在决策环节。当用户在现有流程中获得预测结果时，他们能够更轻松地在恰当时机采取行动。因此，领先企业不仅重视预测的生成方式，同样重视预测的交付方式。

SAP 通过 SAP 应用、Joule Agents 和 Joule Assistants，将预测融入决策发生之处，以此支持这一做法。企业可利用 SAP 的整套 AI 服务和模型，在自定义 AI 解决方案和应用中实现预测。预测会交付到人员和 AI 智能体能够据此行动的地方，用户无需离开自己熟悉的工作流，即可通过界面和体验访问预测。

最强大的表格 AI 部署改进的是经常发生、且对业务成果有可衡量影响的决策：

1. 预测和需求计划

预测会在产品制造、发货或销售之前很久就影响决策。当计划人员能更清晰、更准确地了解未来需求时，他们可以更早响应，并降低反应过晚带来的成本。

2. 异常检测与风险监控

小异常如果未被注意到，可能演变成更大的运营问题。通过尽早预测异常模式，表格 AI 帮助组织在中断发生前做出响应。

3. 付款匹配与财务运营

支付匹配不佳会造成不必要的手工对账、现金入账延迟，并降低对营运资本的可视性。支付匹配依赖专用表格基础模型，这些模型理解表格化财务数据和业务背景，以做出指导支付匹配的准确预测。

4. 采购和供应链优化

采购与供应链团队不断适应变化的业务状况，同时平衡相互竞争的优先事项。表格 AI 帮助他们识别企业数据中新出现的模式，从而更容易预测、尽早响应，并降低中断和成本上升带来的影响。

随着 AI 成为日常运营的一部分，其价值越来越取决于预测生成之后发生什么。当人们理解预测为何以及如何产生，并能在决策点应用预测时，AI 会更容易使用，也更可能影响结果和企业表格 AI 战略。

随着时间推移，这会形成一种在整个企业中应用 AI 的更一致方式。结构化企业数据、业务背景和全托管编排服务，为表格 AI 在实际工作发生之处采取行动奠定基础，帮助将预测转化为可衡量的成果。SAP AI 表格基础模型与服务通过帮助组织超越孤立试点、建立可重复框架，在整个企业中部署、利用、扩展并激活预测洞察，从而支持这一进程。