Tendances stratégiques en matière de qualité des données : Metric in Motion - Une approche de la qualité des données basée sur l'IA

Les données de haute qualité sont plus qu'un repère - c'est une nécessité stratégique pour la confiance, la Conformité et l'interopérabilité à l'échelle mondiale. Dans ce blog, Zornitsa Manolova, responsable de la Gestion de la qualité des données et de la science des données chez GLEIF, explore la manière dont l'IA contribue à renforcer les Contrôles qualité des données pour construire une économie mondiale plus transparente.

---

---

Dans une économie mondiale de plus en plus interconnectée, la capacité des organisations à faire confiance aux données et à les utiliser efficacement est le fondement de l'innovation, de la croissance et de la compétitivité.

Un écosystème de données de haute qualité est un moteur de changement et d'innovation qui permet aux organisations d'identifier et de saisir de nouvelles opportunités, tandis qu'une faible qualité des données peut entraîner des inefficacités et une exposition aux risques réglementaires et de réputation.

Le GLEIF s'est engagé à optimiser la qualité, la fiabilité et la facilité d'utilisation des données LEI. Depuis 2017, il publie des rapports mensuels pour démontrer de manière transparente la qualité globale des données atteinte dans le système Global LEI.

Pour aider à une compréhension et une sensibilisation plus large de l'industrie aux initiatives de qualité des données de GLEIF, cette nouvelle série de blogs explore les métriques clés incluses dans les rapports.

Le blog de ce mois-ci met en lumière la façon dont l'IA permet d'améliorer les contrôles de la Qualité des données.

Garantir des données LEI fiables à l'échelle mondiale nécessite une interprétation cohérente des exigences réglementaires et politiques. Alors que ces exigences évoluent et gagnent en complexité, l'IA renforce les capacités de GLEIF pour soutenir une assurance qualité évolutive tout en veillant à ce que la transparence et la Gouvernance restent centrales.

Des Exigences relatives aux politiques aux Contrôles qualité des données

Le Comité de surveillance réglementaire (ROC) définit les règles commerciales et les politiques régissant le système Global LEI. Ces exigences sont ensuite décrites et traduites en spécifications techniques par le biais des règles de transition et de validation des états. Ensemble, elles définissent la logique commerciale et les processus d'émission, de mise à jour, de gestion et de publication des données LEI sous le format du fichier commun de données (CDF).

Le GLEIF rend ces politiques opérationnelles en les convertissant en spécifications techniques détaillées et en les mettant en œuvre par le biais de Contrôles Qualité des données, garantissant ainsi que l'intention réglementaire est reflétée de manière cohérente dans les données LEI publiées à travers le système.

Construire la cohérence à travers l'établissement de règles de Qualité des données

Le processus de définition des règles de qualité des données du GLEIF est au cœur de cette mise en œuvre. Il s'agit d'une approche structurée et systématique qui définit la manière dont chaque contrôle de qualité des données est spécifié, interprété et appliqué dans l'ensemble du Système Global LEI.

En formalisant clairement la logique qui sous-tend chaque contrôle, le processus garantit des évaluations cohérentes et reproductibles. Cela permet des évaluations transparentes et évolutives de la qualité des données pour des millions d'enregistrements LEI et contribue à garantir l'application cohérente des mêmes règles entre les juridictions, les émetteurs et les cycles de mise à jour.

Cependant, à mesure que le système Global LEI évolue et se développe, le nombre de règles et de contrôles correspondants augmente lui aussi. Il existe aujourd'hui plus de 200 contrôles de Qualité des données, et cette échelle croissante introduit une complexité supplémentaire et de nouvelles contestations.

L'IA permet de répondre à ces nouvelles considérations. La prise en charge de l'analyse de règles complexes et interdépendantes permet d'identifier les chevauchements ou les lacunes entre les contrôles et de rationaliser la création et la maintenance de la logique de Qualité des données. En conséquence, le cadre global de la Qualité des données devient plus efficace, adaptable et évolutif - tout en restant ancré dans les processus de Gouvernance établis.

Pour illustrer la façon dont cela fonctionne en pratique, la section suivante propose une plongée technique dans la façon dont les Grands Modèles de Langage (LLM) soutiennent la conversion structurée du texte de la politique en règles lisibles par la machine et en contrôles opérationnels de la Qualité des données.

Approfondissement : Traduction du texte de la politique en règles lisibles par la machine

GLEIF utilise les LLM pour soutenir l'identification de nouvelles règles et aider à détecter les contradictions potentielles avec les contrôles de qualité des données existants, permettant un processus d'examen de bout en bout - des documents réglementaires et politiques jusqu'à leur mise en œuvre.

Cette approche suit un flux de travail clair et structuré qui garantit que l'intention politique est reflétée de manière cohérente dans les contrôles opérationnels dans l'ensemble du système LEI mondial. Le flux de travail peut être résumé dans les étapes suivantes :

Prétraitement: Le processus commence par une analyse systématique des documents relatifs aux politiques et aux Normes afin d'identifier les règles et les exigences pertinentes. L'IA permet de faire ressortir les concepts et conditions clés contenus dans ces textes, garantissant ainsi que les attentes réglementaires importantes sont saisies de manière précise et exhaustive. Lors de cette première étape, le document source est ingéré afin d'extraire de manière fiable les règles pertinentes. Il s'agit notamment de

• diviser le document en morceaux adaptés au contexte
• l'identification des noms d'entités et des termes
• le filtrage des morceaux contextuels par une recherche par nom d'entité clé
• l'extraction des règles textuelles non structurées.

Exemple : Une succursale internationale est un établissement non constitué en société d'une entité légale située dans une juridiction différente de celle de son siège social.

Résolution d'entités avec cartographie ontologique : Les exigences décrites dans les documents formels sont ensuite alignées sur le modèle de langage des règles de GLEIF, créant ainsi une compréhension commune de la manière dont les entités, les attributs et les relations doivent être interprétés. Cette étape est essentielle pour la cohérence, car elle garantit que les mêmes concepts sont appliqués de manière uniforme, même s'ils sont décrits différemment dans les documents sources. À cette fin, les termes extraits sont normalisés et mis en correspondance avec l'ontologie GLEIF Rule Setting.

Exemple :

• "Une succursale internationale est un établissement non constitué en société d'une entité légale" est mappé à :

  - *lei:EntityCategory IN ['BRANCH']
  
  - *rr:RelationshipType IN ['_ISINTERNATIONALBRANCH_OF_']

• "located in a different jurisdiction from its head office" est associée à :

  - *lei:LegalAddress/lei:Country NOT $EQUALS _$ENDNODERECORD_lei:LegalJurisdiction $COUNTRY_PART

Création de contrôles et validation: Enfin, les règles dérivées sont rapprochées des contrôles de Qualité des données existants, l'IA aidant à identifier les endroits où des contrôles existent déjà, où ils se chevauchent et où des contradictions ou des lacunes peuvent survenir. Cette approche permet de gérer la complexité de plus de 200 contrôles, la mise en œuvre impliquant généralement la spécification, le développement, la révision, le test et la publication. Cela favorise une évolution contrôlée et transparente de l'ensemble des règles et renforce la cohérence, l'évolutivité et la fiabilité globales du cadre de qualité des données.

Comment l'IA renforce les Contrôles qualité des données pour une économie mondiale plus transparente

En combinant l'automatisation pilotée par l'IA et l'expertise humaine, le GLEIF renforce à la fois l'efficacité et la fiabilité de son Cadre de qualité des données. Une approche axée sur l'ontologie garantit la cohérence et la précision, tandis que les processus sous-jacents sont conçus pour s'adapter à l'augmentation des volumes de données et à leur complexité. Dans le même temps, l'IA favorise l'amélioration continue en mettant en évidence les ambiguïtés dans le langage des règles et en révélant les possibilités d'affiner les méthodologies. Ensemble, ces capacités renforcent une approche résiliente, transparente et prête pour l'avenir de la qualité des données dans l'ensemble du Système mondial LEI.

---