表格是各行各业最普遍的结构化数据或知识的存储形式。企业只要有信息化系统，就会有SQL数据库与表格。
早在2019年阿里云智能客服就开始进行Table QA的研究与落地。在全球范围来看，都属于最早切入这个方向的研究者和实践落地团队。经过数年打磨，Table QA在阿里云智能客服产品矩阵中大规模落地。
我们已经实现多轮对话能力、多表联合查询能力。企业百万行级的数据库可以一次性接入，再大量级的数据库可以做水平扩展；整个开箱准确率达到85%，经过阿里云智能客服的适配性训练后，准确率可以升至90%以上。
Table QA技术在客服问答场景开箱落地以后，我们也一直在思考技术接下来的发展方向，多方考虑后还是觉得始终该回归到出发点上。Table QA是基于表格、SQL数据库构建起来的，面向SQL数据库时，除了能够做问答以外，BI智能分析也是十分重要的方向。
问答是以SQL数据库为基础来回应客户疑问；BI则是以SQL数据库为基础，洞察其中规律，挖掘有价值信息，为决策提供辅助支撑。所以我们一直希望可以把Table QA能力从客服领域拓展到智能BI分析领域。
当把Table QA技术从问答拓展到智能BI，我们遇到了两个全新的挑战。
l 在智能BI分析领域，整个SQL长度过长。如果在问答领域，解析出的SQL是一个句子。那么在智能BI分析领域，解析出的SQL基本是一个段落。
l SQL复杂度持续走高。在BI领域，SQL嵌套，仔细查询会变得非常常见。
我们的解决策略还是希望能够引入预训练大模型，由此提出Space-T，T代表了table，Space-T把整个问答和BI分析能力进行了统一的大规模预训练；在具体训练机制上，我们提出了TKK训练模型，该模型目前已在EMNLP 2022上正式发表。在Space-T的加持下，加速在智能BI分析领域把Table QA技术进行落地。
在BI分析里，最常用的两大类能力，是统计类和同环比趋势类。目前，阿里云智能客服可以在用户输入跨越的过程中，根据表格内容，进行智能化的下拉提示，直接填充表格内容，便于用户快捷操作，也减少了后续解析SQL过程的错误，并直接生成数据饼图。
统计类中的同环比趋势方向，生成的SQL相当于一小段文字内容，后台查询到的结果直接以线图的形式进行展现。
近年来，阿里云的TableQA技术取得了行业内的技术领先。在三大榜单Spider、SParC、CoSQL中，排名均为第一。
在论文研究创新方面，无论是底层的预训练大模型，下游的任务模型，以及上下游模型的执行协同，阿里云智能客服也进行了大规模的体系化创新，发表了多篇论文，
截止到今天为止，在这个方向上，我们在全球范围内处于领先水平。
