項目光譜：利用生成式人工智能強化通貨膨脹臨近預報.pdf

項目光譜：利用生成式人工智能強化通貨膨脹臨近預報、網絡抓取和掃描數據集的可用性為中央銀行提供了前所未有的實時產品價格數據訪問權。然而，為了使用這些數據來進行通貨膨脹現在預測和未來預測，分析師需要根據統計慣例對產品進行分類。在沒有可靠、可擴展的分類方法的情況下，通貨膨脹分析師數據泛濫但缺乏可執行的見解。

產品在網頁抓取數據規模下的分類是一個重大挑戰。手動處理如此大量的數據是不可行的。利用大型語言模型(LLMs)進行分類具有前景，但現有的LLM模型使得處理時間和成本變得過高。項目Spectrum使用了歐洲中央銀行的每日價格數據集(DPD)，其中包含了34百萬種獨特產品的數十億價格-產品每日觀察數據。在撰寫本文時，使用GPT-5對這個數據集進行分類需要超過六個月的計算時間，成本超過50萬歐元。

項目光譜--國際清算銀行(BIS)、德國聯邦銀行和歐洲中央銀行之間的合作--探索了一種替代方法，其中僅使用人工智能(Al)將產品描述轉化為高維文本嵌入。然后，使用經典機器學習算法將這些文本嵌入分類到產品類別。文本嵌入是許多自然語言處理應用所使用的A基礎技術。這種方法達到了與LLM提示相當的正確率，但成本僅為后者的幾分之一:整個DPD分類僅需五天，花費約1500歐元。

除了對當前DPD中的所有記錄進行分類外，該項目還開發了一套生產流程解決方案，能夠對新加入DPD的產品進行分類。此外，為確保持續改進，實施了一個迭代算法，逐步擴大參考數據集。通過有選擇地向參考和驗證集添加人工標記的數據，該算法系統性地優化了分類邏輯，提高了整體預測精度，并適應不斷變化的產品范圍。