检索增强生成(RAG)技术 - RAG解决方案允许生成式AI模型获取其原本不知道的数据，减少"幻觉"发生，尤其适用于处理专有数据、敏感信息或训练时未出现的新数据[1] - 通过在模型提示词中加入额外数据，生成式AI能给出更准确、及时且符合上下文的答案[1] 矢量化技术 - 矢量化是将文字、图像等信息转化为数字形式，便于计算机索引、搜索和检索，用于大型语言模型(LLM)响应生成[3] - 语义搜索通过矢量化实现，用数字串表示语言内容形成矢量，捕获潜在含义而非表面关键字，使AI能快速访问最相关信息[4][5] - 公司拥有大量高质量数据，矢量化可加速相关信息查找与提供[3] FactSet的Chat平台 - 2023年初开发的Chat平台可连接任何对话式大语言模型，提供统一体验所有支持AI模型的界面[6] - 平台集中管理RAG和矢量化，为员工提供安全、简单且鼓励创新的环境[6] 矢量化即服务(VaaS) - 2024年6月推出的VaaS系统简化数据矢量化流程，员工上传文件或连接数据库后，系统可在几分钟内完成矢量化并支持自然语言探索[7] - VaaS通过内部平台Chat实现文件自动矢量化，支持文本文档、幻灯片、Excel等格式[11] - 系统推动构建公司内部知识库，如技术文档、培训资料等，实现"统一搜索入口"，已创建数百个知识库[12] VaaS的实际影响 - 大幅简化AI数据准备流程，使公司处理的tokens数量自2024年9月起显著增长[13] - 集中管理AI数据，提升员工信息访问效率与协作能力，同时保持数据灵活性[17] - 赋能不同技能水平员工构建、维护和利用支持RAG的AI解决方案[20] 技术背景与安全 - 私有云环境确保公司数据安全，提示或响应不用于模型训练，遵守机密性和身份验证限制[12] - 矢量化技术使计算机直接定位数据而非浏览所有可能性，实现更深入的语义比较[5]

API在数字化时代的重要性 - 应用程序接口(API)是大型语言模型(LLM)、生成式AI以及数据管理系统的重要支柱 [1] - API能够访问各种数据源，增强洞察生成和内容创作能力，帮助企业在不颠覆现有基础设施的情况下利用AI [3] - 到2027年，40%的生成式AI解决方案将具备多模态功能，API在处理文本、图像、音频和视频等多样化数据中作用关键 [3] API在生成式AI和LLM中的应用 - API充当结构化数据、非结构化数据和基于文件数据的标准化接口，使开发人员能够灵活处理不同格式的数据 [3] - 在检索增强生成(RAG)领域，API为AI模型提供外部数据库访问，确保信息最新且相关，提升模型输出的准确性和上下文感知能力 [4] - FactSet的对话式API由生成式AI大型语言模型FactSet Mercury支持，能够优化金融工作流程，回答数百个自然语言搜索查询 [4] API在金融行业的价值 - 对话式API快速访问关键数据，减少手动搜索时间，提高工作效率，简化金融服务公司对大型数据集的管理 [7] - API集成支持AI生成的投资组合评论，提供机构级别的高质量叙述性内容，分析系统性风险与独特风险，并定制清晰的解释和趋势分析 [7] - API将独立系统转化为集成技术生态系统，增强敏捷性、提高效率、提供个性化解决方案，并构建面向未来的基础设施 [10] API的战略意义 - API是变革性业务能力的促成者，通过集成LLM、生成式AI和先进数据系统，释放实时分析、个性化服务和提高运营效率的潜力 [10] - 在竞争激烈的金融服务领域，战略性使用API可帮助组织快速适应市场动态，提升对客户和利益相关者的价值主张 [10]

API在AI和数据管理中的核心作用 - API已成为大型语言模型(LLM)、生成式AI及数据管理系统的重要支柱[2] - API能够访问多源数据，增强洞察生成和内容创作能力，使企业无需颠覆现有基础设施即可利用AI[4] - 到2027年40%的生成式AI解决方案将具备多模态功能，API在处理文本、图像、音频等异构数据时作用关键[4] API的技术集成优势 - API作为标准化接口，可灵活处理结构化/非结构化数据，支持开发动态应用以应对多样化数据需求[4] - 在检索增强生成(RAG)领域，API为AI模型提供实时外部数据接入，提升响应准确性和上下文感知能力[4] - 对话式API(如FactSet Mercury)优化金融工作流程，支持自然语言查询股票数据、业绩指引等数百类问题[4][7] 金融行业应用案例 - 对话式API减少手动搜索时间，结合NLP技术帮助金融机构实现数据驱动决策[7] - AI生成的投资组合评论通过API提供机构级风险分析、趋势解释及前瞻性评估[7] - API集成将独立系统转化为技术生态，实现实时数据流、个性化投资策略等价值[10] API驱动的业务转型 - 增强敏捷性：实时数据流助力快速应对市场变化[10] - 效率提升：AI与数据无缝集成减少冗余，优化资源管理[10] - 面向未来：API支持持续更新而无需重大基建改造，保持技术弹性[10] - API被定义为变革性业务能力的促成者，释放实时分析、个性化服务等潜力[10]

AI在制药行业的应用 - 诺和诺德开始使用Claude 3 5 Sonnet模型起草临床研究报告，每份报告可长达数百页 [1][3] - AI工具将文件起草时间从约15周缩短到不到10分钟 [1][5] - 公司每年在Claude上的支出不到一名撰稿人的薪资 [1][5] 技术实施与效果 - 采用检索增强生成(RAG)技术降低AI错误率，例如重复使用专家认可的临床定义 [5] - 文件起草工作从需要50多名撰稿人减少到仅需3名人类撰稿人借助Claude完成 [5] - 错误数量显著下降，AI从实验阶段快速进入开发阶段，这在制药行业较为罕见 [3][5] 行业背景与公司策略 - 诺和诺德多年测试包括ChatGPT和Llama在内的AI聊天机器人，用于药物审批文件撰写 [4] - 医药行业对使用生成式AI处理法律敏感文件持谨慎态度，因早期技术容易出错 [5] - 公司目前未裁减撰稿人员，但计划减少新招聘，将节省资源用于其他部门招募 [5] 效率提升与未来展望 - AI工具使公司能够用更少的人完成同样甚至更多的工作 [6] - 诺和诺德在AI应用上取得显著成效，效率提升明显 [3][5]