对于使用生成式人工智能（GenAI）和大语言模型（LLM）的金融服务公司来说，数据准确性无疑是最 关键的要求之一。不准确、低质量或脱节的数据会产生连锁反应，影响公司战略、运营、风险管理和合 规。 本文将探讨AI数据不准确的主要原因，以及检索增强生成（RAG）在缓解这一问题中的作用。 数据不准确的主要原因 数据录入和验证错误： 随着时间推移，手动录入财务数据和质量检查不足可能导致转录错误、录入 数据不完整、格式错误或数据丢失。 信息过时： 如无定期管理，数据就可能随时间推移而劣化，导致分析结果不准确和误导决策。 集成问题： 公司内部各类旧系统与新技术往往衔接不畅，造成信息不匹配或丢失。 数据标准不一致： 不同部门可能采用不同的数据治理标准或格式，导致难以整合或比较信息。 在 提 高 生 成 式 人 工 智 能 准 确 性 、 显 著 减 少 幻 觉 的 策 略 中 ， 最 重 要 的 技 术 之 一 就 是 检 索 增 强 生 成 （RAG），它可供开发者在大语言模型上搭建软件产品时使用。RAG就像给大语言模型的提示语中加 了"上下文"，从而把生成的回答与真实数据相结合。 通过RAG增强大语言模型的回答可带来诸 ...