美国劳工统计局推迟了一份对未来通胀数据至关重要的年度报告，此举正值外界对美国关键经济数据准确性与政治化风险的担忧日益加剧之际。 周五，美国劳工统计局突然宣布，原定于下周二发布的2024年度消费者支出数据将被"重新安排至稍后日期"。美国劳工统计局并未解释推迟的原 因，也未提供新的发布时间表，仅表示"有更多信息时将通知用户"。 （美国劳工统计局官网显示年度消费者支出数据发布时间将被推迟） 每年9月左右，美国劳工统计局会发布上一年度的年度平均支出数据，例如2023年数据于2024年9月发布，显示所有消费者单位平均支出为77,280 美元（较2022年增长5.9%），税前收入增长8.3%。 这份年度报告是美国政府唯一提供消费者支出和收入完整信息的家庭调查数据，涵盖消费者活动、支出、收入和人口统计信息。更重要的是，该 数据用于确定来年消费者价格指数中特定商品和服务的权重。 缺乏解释的罕见延迟 此次发布的推迟之所以引起市场关注，关键在于其"异乎寻常"的沉默。 美国劳工统计局在公告中仅提及延期，但未提供任何背景说明，美国劳工部（统计局的上级部门）也未对此事发表评论。 分析人士指出，这与去年的情况形成鲜明对比。 本月早些时候 ...

生成式人工智能在金融服务业的应用 - 数据准确性是金融服务公司使用生成式人工智能和大语言模型的最关键要求之一 不准确、低质量或脱节的数据会影响公司战略、运营、风险管理和合规 [1] - 文章探讨AI数据不准确的主要原因以及检索增强生成在缓解这一问题中的作用 [3] 数据不准确的主要原因 - 幻觉是导致数据不准确的主要原因之一 表现为模型生成看似可信但实际错误、误导或虚构的文本 这是由于大语言模型基于训练数据预测文本而非事实核查 [4] - 数据录入和验证错误：手动录入财务数据和质量检查不足可能导致转录错误、数据不完整、格式错误或丢失 [5] - 信息过时：缺乏定期管理会导致数据劣化 进而产生不准确分析和误导决策 [5] - 集成问题：旧系统与新技术衔接不畅造成信息不匹配或丢失 [5] - 数据标准不一致：不同部门采用不同治理标准或格式 导致信息难以整合或比较 [5] 检索增强生成(RAG)的重要性 - RAG是提高生成式人工智能准确性、减少幻觉的关键技术 通过为提示语添加上下文将生成回答与真实数据结合 [6] - RAG结合大语言模型的生成能力与有效数据检索系统 例如可提供上市公司具体投资风险并链接来源如10-Q报告 [6] - RAG可同时处理非结构化和结构化数据 统一呈现信息 连接旧系统和数据孤岛作为知识源 无需耗时迁移或重新训练模型 [7] RAG的益处 - 无需重新训练或优化调整大语言模型 [8] - 基于专有数据的回答更准确 幻觉更少 [8] - 提供回答内容来源 更具可审核性 [8] - 可集成最新知识和用户权限管理 [8] 金融业前沿应用 - 从证券到资产管理领域均有案例 [8]