作为AI大模型的核心要素之一，数据已受到金融机构的重视。当下，多家银行正加强相关数据治理，以更好地推进AI应用。毕竟，数据质量会影响AI模型的性能。根据近期的信息来看，美国银行业采取了相关行动。

美国银行业引入AI所用数据“营养成分表”，强化数据质量

据海外媒体Digital Today近日消息，美国银行业引入AI所用数据“营养成分表”，以强化数据质量。

具体来看，American Banker报道，金融服务部门协调委员会（FSSCC）下设工作组已制定“数据营养成分表”（DNL，Data Nutrition Label）框架，供金融机构评估AI相关数据，部分银行已开始投入实际应用。该框架主要用于标注数据的来源、质量、时效性、完整性、偏差及更新频率等关键信息，帮助机构判断相关数据是否适合用于AI。

值得一提的是，FSSCC提出了基础型和高级型两级评估体系。基础型主要核查数据是否达到最低质量门槛；高级型则进一步评估数据采集、预处理、样本构成及维护管理等关键环节。

但也要注意，DNL并非万能。有人指出，DNL可作为提升数据透明度的起点，但不同评估方法之间仍可能存在解读差异或被操纵的空间。

据悉，DNL试图建立统一标注标准，但不同银行的数据成熟度、AI应用场景差异较大。FSSCC白皮书也承认，该框架需适应金融部门内不同的数据管理成熟度水平。过度标准化可能难以覆盖所有场景，过于灵活则可能削弱其作为行业标准的价值。

总而言之，DNL是一种类似“营养成分表”的数据标注机制，用于提高AI所用数据的透明度，实际上指向AI大模型的数据质量问题。目前的行业趋势表明，金融业的AI竞争不再只是局限于大模型参数等层面，而是转向可信的数据治理。

事实上，对于银行业来说，数据质量要求因用途而异。例如，用于信贷与贷款审查等直接产生金融风险的任务，其数据标准远高于生成营销文案。

据《智探AI应用》了解，国内金融业目前尚未有类似的举措，但对于AI大模型的数据治理或数据质量提升工作也越发重视。

国内金融业越发重视AI领域的数据治理，部分监管要求与DNL内容对应

2026年4月消息，我国银行业首个行业级“数据分类分级”大模型发布。该大模型旨在探索解决金融机构在数据分类分级工作中面临的标准理解不一、执行尺度不齐、自动化水平不足等痛点。

据悉，模型在保障较高识别准确率的基础上，大幅提升数据分类分级工作效率，具备本地部署、在线MaaS服务等模式，方便金融机构按需使用；通过协议约束、合规审查、数据脱敏、专家标注、权限管控等措施，强化数据采集、模型训练、部署运行全流程安全，做到合规安全。

2026年6月，国家金融监督管理总局发布《关于银行业保险业人工智能安全开发应用的指导意见》。其中第四部分明确“提升数据治理能力”，分别从“完善数据管理运营体系”“建设人工智能高质量数据集”“支持行业数据集共建共享”“推进知识工程建设”等方面提出要求。

其中提到，金融机构应针对人工智能业务场景持续推进高质量数据集建设，确立数据质量标准，建立高效的质量检控机制，确保数据准确性、相关性、一致性、完整性和无偏见。持续监测数据分布漂移，确保数据集及时更新。

国家金融监督管理总局上海监管局2026年9月发布的《推动上海银行业保险业人工智能应用的若干措施》也提到，金融机构应当建立模型风险管理体系，制定模型风险管理制度和流程，加强对模型架构、训练方法、数据质量和输出结果的评估检测，防范模型自身缺陷、数据质量、模型应用或管理不当等风险。

可见，我国金融监管提出的要求其实和DNL中的一些内容“不谋而合”。例如，“确保数据准确性、相关性、一致性、完整性和无偏见；持续监测数据分布漂移，确保数据集及时更新”，对应DNL中数据质量、时效性、偏差水平、更新频率等标注维度。

《智探AI应用》综合多方公开信息来看，已有多家银行提到过关于AI的数据治理、高质量数据集建设。显然，要想在行内全面落地AI应用，数据相关工作必须重视起来。