在人工智能（AI）领域，数据的价值不仅在于数量，更在于其完整性和可信度。数据质量低下会导致结果不可靠，并带来模型幻觉和偏见等AI风险。
数据的透明度、安全性和完整性至关重要，例如为金融数据添加“水印”，这有助于确保合规、增强客户信心，并有效部署人工智能。
全行业协同、对“数据信任”作出标准化定义，以及制定具有互操作性的法规，对于构建可靠的AI系统和扩大全球金融创新规模至关重要。
一个多世纪以前，自动收报机纸带卷曾被视为实时数据技术的尖端成果。如今，数字数据已成为全球经济金融体系的命脉。然而，如果数据不能做到精准无误、值得信赖，整个经济都可能面临不利后果。
作为全球数据与分析服务提供商，伦敦证券交易所集团（LSEG）每天向190个市场的客户传送约3000亿条数据消息，其中包括每秒730万次价格更新。
我们也看到，AI正在改变金融业。它大幅提升了我们的内部生产力，也增强了客户产品的能力，通过提高效率、帮助作出更明智的决策以及改善客户体验，优化金融工作流程。
随着金融服务行业不断探索AI的可能性，市场对数据的需求十分旺盛，而且还在持续增长：自2019年以来，客户对我们数据的需求每年增长约40%。
但如果缺少合适的数据，即使最优秀的算法也可能得出平庸甚至错误的结果。低质量数据会增加AI产生幻觉、模型漂移和意外偏见的风险。该领域的合同和权利管理日趋复杂，也使避免许可或合同违约面临固有挑战。
以数据完整性和数字权利为基础
生成式人工智能（GenAI）模型为处理大型非结构化数据集带来了许多新机遇，但若没有可信且获授权的数据，这些机遇的价值就会受到限制。GenAI领域的数据较量不仅是数量之争，更是质量之争。
许多企业正认真考虑如何借助高质量数据把握AI机遇。在LSEG，我们制定了多层次战略，希望能为金融服务行业的其他机构提供指引。
第一层是确保数据的完整性和相关性，这也是大型语言模型（LLM）的关键要求。由可信数据提供商整理并验证的“GPT就绪”数据集需求旺盛。随着更多企业探索GenAI的用途，我们预计这一需求还会增长。
在使用LLM及其他AI应用时，高完整性数据就像一道安全防线。
第二层是数字权利管理。客户期待解决方案能够核实哪些来源可以或不可以用于LLM，落实负责任的AI政策，防范知识产权侵权，并区分不同的使用权。
金融数据的信任与透明度
这些层面以“数据信任”为基础。这种数据处理方法建立在信息透明、安全和完整性的基础之上。
当数据影响重大决策时，客户需要安心地追溯数据来源，并确保数据安全、可靠，且符合监管和合规标准。简单来说，这就像为金融数据添加“水印”。
所有金融服务公司都必须提高数据质量标准。
要增强全行业对数据的信任，我们需要加强标准化与协同，营造稳定的监管环境，并以明确原则为基础，确保负责任、合乎伦理地使用AI。
行业对数据信任的定义越标准化，确保高质量数据流通就越容易。如果将信息透明、安全和完整性这些核心原则纳入数据标准，我们就能在整个行业实现实时、精准无误的数据处理。
要让AI充分发挥潜力，应对世界面临的重大挑战，我们必须能够信任输入其中的数据。
为创新奠定道德基础
行业应以最高透明度为目标，让客户能够了解数据集包含哪些内容、由谁拥有，以及获准如何使用。
欧盟《人工智能法案》和《数字运营韧性法案》等法规，为金融服务业引入了保障措施、明确的问责机制，并强调治理和准备工作。
包括美国国家标准与技术研究院《人工智能风险管理框架》在内的自愿性指导，也有助于组织衡量和管理AI系统及数据面临的风险。
显然，这些法规为金融业继续制定安全、公平的AI实践提供了良好起点。它们也启发了LSEG制定自己的负责任AI原则。
展望未来，随着我们开发由AI赋能的未来工具，政策制定者必须认识到高质量数据的必要性。
我们支持采用国际商定的AI和数据相关定义。我们还需要更严格的知识产权和数字权利管理准则。
迈向全球AI监管
与此同时，技术监管要求必须更具互操作性。规则越具体，全球企业就越难快速扩大规模。
当企业需要在不同司法管辖区作出业务决策时，受到影响的可能包括数据中心选址、云服务提供商选择等方方面面。
随着AI技术发展，政策制定者应确保法律具有足够的灵活性，既能与其他司法管辖区保持一致，也能适用于未来的AI应用场景。
这一切都不容易，但金融和科技行业的企业、监管机构以及消费者都可以参与这场讨论。在拥抱将改变我们生活的技术时，我们需要不同领域的专业知识和理解。
要让AI充分发挥潜力，应对世界面临的重大挑战，我们必须能够信任输入其中的数据。
