Las traducciones de este sitio web a otros idiomas distintos del inglés se realizan mediante IA. No garantizamos la exactitud y no somos responsables de los errores o daños derivados del uso del contenido traducido. En caso de incoherencias o ambigüedades, la versión inglesa prevalecerá.
Sala de prensa y Medios
Blog de la GLEIF
Las traducciones de este sitio web a otros idiomas distintos del inglés se realizan mediante IA. No garantizamos la exactitud y no somos responsables de los errores o daños derivados del uso del contenido traducido. En caso de incoherencias o ambigüedades, la versión inglesa prevalecerá.
Tendencias estratégicas en Calidad de datos: Metric in Motion - Un enfoque de la Calidad de datos basado en la IA
Los datos de alta calidad son más que un punto de referencia: son una necesidad estratégica para la confianza, el cumplimiento y la interoperabilidad globales. En este blog, Zornitsa Manolova, Jefa de Gestión de datos y Ciencia de datos de la GLEIF, explora cómo la IA está ayudando a reforzar los controles de Calidad de los datos para construir una economía global más transparente.
Autor: Zornitsa Manolova
Fecha: 2026-02-06
Visualizaciones:
En una economía mundial cada vez más interconectada, la capacidad de las organizaciones para confiar en los datos y utilizarlos eficazmente es la base de la innovación, el crecimiento y la competitividad.
Un ecosistema de datos de alta calidad es un motor de cambio e innovación que permite a las organizaciones identificar y aprovechar nuevas oportunidades, mientras que una baja calidad de datos puede conducir a ineficiencias y a la exposición a riesgos normativos y de reputación.
La GLEIF se compromete a optimizar la calidad, fiabilidad y usabilidad de los datos del IPJ. Desde 2017, ha publicado informes mensuales para demostrar de forma transparente la calidad general de los datos lograda en el Sistema Global del IPJ.
Para ayudar a una mayor comprensión y concienciación del sector sobre las iniciativas de calidad de datos de la GLEIF, esta nueva serie de blogs explora las métricas clave incluidas en los informes.
El blog de este mes destaca cómo la IA ayuda a mejorar los Controles de la calidad de los datos.
Garantizar la fiabilidad de los datos del IPJ a escala mundial exige una interpretación coherente de los requisitos normativos y políticos. A medida que estos requisitos evolucionan y crecen en complejidad, la IA está reforzando las capacidades de la GLEIF para respaldar la garantía de calidad escalable al tiempo que garantiza que la transparencia y la Gobernanza siguen siendo fundamentales.
De Requisitos regulatorios a Controles de la calidad de los datos
El Comité de Supervisión Regulatoria (CSR) define las normas y políticas empresariales que rigen el Sistema Global del IPJ. A continuación, estos requisitos se describen y traducen en especificaciones técnicas a través de las Reglas de Validación y Transición de Estado. En conjunto, definen la lógica empresarial y los procesos para la emisión, actualización, gestión y publicación de los datos del IPJ en el Formato de archivo de datos comunes (CDF).
La GLEIF hace operativas estas políticas convirtiéndolas en especificaciones técnicas detalladas y aplicándolas mediante controles de la Calidad de datos, garantizando que la intención reguladora se refleje de forma coherente en los datos del IPJ publicados en todo el sistema.
Creación de coherencia mediante el establecimiento de normas de Calidad de datos
Un elemento central de esta aplicación es el proceso de Establecimiento de Normas de Calidad de los datos de la GLEIF, un enfoque estructurado y sistemático que define cómo se especifica, interpreta y aplica cada control de Calidad de los datos en todo el Sistema Global del IPJ.
Al formalizar claramente la lógica que subyace a cada comprobación, el proceso garantiza evaluaciones coherentes y reproducibles. Esto permite realizar evaluaciones transparentes y escalables de la calidad de los datos en millones de registros de IPJ y ayuda a garantizar la aplicación coherente de las mismas normas en todas las jurisdicciones, emisores y ciclos de actualización.
Sin embargo, a medida que el Sistema Global del IPJ evoluciona y crece, también lo hace el número de normas y comprobaciones correspondientes. Ahora hay más de 200 controles de Calidad de datos, y esta escala cada vez mayor introduce una complejidad adicional y nuevos retos.
La IA está ayudando a abordar estas nuevas consideraciones. El análisis de reglas complejas e interdependientes ayuda a identificar solapamientos o lagunas en las comprobaciones y agiliza la creación y el mantenimiento de la lógica de Calidad de datos. Como resultado, el marco general de Calidad de datos se vuelve más eficiente, adaptable y escalable, sin dejar de estar basado en procesos de Gobernanza establecidos.
Para ilustrar cómo funciona esto en la práctica, la siguiente sección ofrece una inmersión técnica en cómo los modelos de grandes lenguajes (LLM) apoyan la conversión estructurada del texto normativo en reglas legibles por máquina y Controles de la calidad de los datos operativos.
Profundización: Conversión del texto de la política en reglas legibles por máquina
La GLEIF utiliza los LLM para apoyar la identificación de nuevas normas y ayudar a detectar posibles contradicciones con los controles de Calidad de datos existentes, lo que permite un proceso de revisión de principio a fin, desde los documentos normativos y políticos hasta su aplicación.
Este enfoque sigue un flujo de trabajo claro y estructurado que garantiza que la intención de la política se refleje de forma coherente en las comprobaciones operativas en todo el Sistema Global del IPJ. El flujo de trabajo puede resumirse en las siguientes etapas:
Preprocesamiento: El proceso comienza con un análisis sistemático de los documentos normativos y de política para identificar las normas y requisitos pertinentes. La IA ayuda a aflorar los conceptos y condiciones clave contenidos en estos textos, garantizando que las expectativas normativas importantes se capten de forma precisa y exhaustiva. En esta fase inicial, se ingiere el documento fuente para extraer de forma fiable las normas pertinentes. Esto incluye
dividir el documento en fragmentos contextualizados
identificación de nombres de entidades y términos
filtrar los fragmentos contextuales mediante la búsqueda de nombres de entidades clave
extracción de las reglas textuales no estructuradas.
Ejemplo: Una sucursal internacional es un establecimiento no constituido en sociedad de una entidad jurídica situada en una jurisdicción distinta de la de su sede central.
Resolución de entidades con mapeo ontológico: Los requisitos descritos en los documentos formales se alinean con el modelo de lenguaje de reglas de la GLEIF, creando un entendimiento compartido de cómo deben interpretarse las entidades, los atributos y las relaciones. Este paso es esencial para la coherencia, ya que garantiza que los mismos conceptos se apliquen de manera uniforme, aunque se describan de forma diferente en los documentos de origen. Para ello, los términos extraídos se normalizan y se asignan a la ontología de establecimiento de reglas de la GLEIF.
Ejemplo:
"Una sucursal internacional es un establecimiento no constituido en sociedad de una entidad jurídica" se mapea a:
- *lei:EntityCategory IN ['BRANCH']
- *rr:RelationshipType IN ['_ISINTERNATIONALBRANCH_OF_']
"ubicada en una jurisdicción distinta de la de su sede central" se asigna a:
- *lei:LegalAddress/lei:Country NOT $EQUALS _$ENDNODERECORD_lei:LegalJurisdiction $COUNTRY_PART
Creación y validación de comprobaciones: Por último, las reglas derivadas se concilian con las comprobaciones de Calidad de datos existentes, y la IA ayuda a identificar dónde existen ya comprobaciones, dónde se solapan y dónde pueden surgir contradicciones o lagunas. Este enfoque ayuda a gestionar la complejidad de más de 200 comprobaciones, cuya aplicación suele implicar la especificación, el desarrollo, la revisión, las pruebas y la publicación. Esto permite una evolución controlada y transparente del conjunto de reglas y refuerza la coherencia, escalabilidad y fiabilidad generales del marco de Calidad de datos.
Cómo la IA refuerza los Controles de la calidad de los datos para una economía global más transparente
Al combinar la automatización impulsada por la IA con la experiencia humana, la GLEIF está reforzando tanto la eficiencia como la fiabilidad de su Marco de Calidad de datos. Un enfoque basado en ontologías garantiza la coherencia y la precisión, mientras que los procesos subyacentes están diseñados para ampliarse a medida que aumentan los volúmenes de datos y la complejidad. Al mismo tiempo, la IA contribuye a la mejora continua al poner de manifiesto ambigüedades en el lenguaje de las reglas y sacar a la luz oportunidades para perfeccionar las metodologías. Juntas, estas capacidades refuerzan un enfoque resistente, transparente y preparado para el futuro de la calidad de los datos en todo el Sistema Global del IPJ.
Si quiere hacer comentarios sobre algún artículo del blog, identifíquese con su nombre y sus apellidos. Su nombre aparecerá junto a su comentario. No se publicarán las direcciones de correo electrónico. Tenga en cuenta que, mediante su acceso al foro de debate o su contribución en él, acuerda cumplir los términos de las Directrices sobre los blogs de la GLEIF, por lo que le pedimos que los lea detenidamente.
Zornitsa Manolova dirige el equipo de Gestión de la Calidad de los Datos y Ciencia de la Global Legal Entity Identifier Foundation (GLEIF). Desde abril de 2018, se encarga de mejorar y perfeccionar el marco establecido para la calidad de los datos y la gobernanza de los datos mediante la introducción de enfoques innovadores de análisis de datos. Anteriormente, Zornitsa dirigió proyectos de análisis de datos forenses en investigaciones financieras internacionales en PwC Forensics. Es licenciada en Ciencias de la Computación, con la especialidad de Aprendizaje Automático, por la Universidad Philipps en Marburg, Alemania.
