Goldman Sachs on data in the age of AI

•高盛將數據視為「一流資產」，並採取工程主導的方法來制定數據策略，專注於平台工程、內容策劃和治理，以簡化數據生命週期並加強控制。
•AI產業面臨高品質訓練數據的嚴重短缺，導致越來越依賴合成數據，這可能帶來低品質輸出的風險；然而，高盛等企業擁有大量未開發的專有數據儲備。
•金融服務公司在擴展AI應用方面，主要障礙是數據品質問題，而非技術或人才短缺，這凸顯了對數據管道、治理標準和基礎設施投資的迫切需求。
•高盛已在其防火牆內安全部署了專有的生成式AI工具「GS AI Assistant」供全體員工使用，該工具採用多模型方法，整合了OpenAI的GPT-4o、Google的Gemini和Anthropic的Claude，並利用檢索增強生成（RAG）技術從內部數據庫獲取資訊。

高盛正在開發一個現代化的Lakehouse和AI數據平台，旨在實現可靠、良好治理和高性能的數據使用。
該公司將數據視為「一流資產」，並採用工程主導的數據策略，專注於平台工程、內容策劃和治理。
其數據策略類似於工程組織處理程式碼的方式，強調可觀察性、抽象化、API和連接性。
高盛利用「Legend」等平台作為其數據基礎。
「GS AI Assistant」採用多模型架構，安全地整合了OpenAI的GPT-4o、Google的Gemini和Anthropic的Claude等大型語言模型，並部署在公司防火牆內部。
該AI助手利用檢索增強生成（RAG）技術，使其能夠安全地搜尋高盛的內部專有數據庫（例如合規政策或交易記錄），以提供準確的答案。
MLOps（機器學習操作）在金融服務中至關重要，用於確保數據管道和模型的再現性、可追溯性、持續監控、版本控制、自動化測試以及符合SR 11-7等監管要求。
數據網格（Data Mesh）被提出作為金融服務中AI的戰略基礎，其原則包括領域導向的數據所有權、將數據視為產品、自助服務基礎設施和聯邦式治理。

企業AI的發展將越來越依賴專有數據而非公開網路數據。

由於高品質公開訓練數據的短缺，企業將轉向利用其龐大且未開發的內部專有數據儲備來訓練和優化AI模型。

金融服務業將大幅增加對數據基礎設施（包括數據管道和治理標準）的投資，以解決AI擴展的數據品質瓶頸。

數據品質而非AI技術本身，被認為是金融機構大規模部署AI的最大障礙，這將促使更多資源投入到底層數據基礎設施的建設。

MLOps將成為金融機構AI策略的核心，以確保模型在高度監管環境下的可靠性、可解釋性和合規性。

隨著AI模型在金融決策中的應用日益增多，MLOps提供的自動化監控、版本控制和治理框架對於滿足嚴格的監管要求和管理模型風險至關重要。

2003

Neema Raphael加入高盛，擔任技術部門分析師。

2013

Neema Raphael被任命為董事總經理。

2020

Neema Raphael被任命為高盛唯一的首席數據官兼數據工程主管。

2020-12

Raphael將高盛的另類數據流程部分納入其職責範圍。

2025-06

高盛向所有員工全面推廣其專有的生成式AI工具「GS AI Assistant」。

2025-09-25

Neema Raphael在高盛的「AI Exchanges」播客中討論了AI產業面臨高品質訓練數據短缺的問題。

Goldman Sachs 談 AI 時代的數據策略