Tren Strategis dalam Kualitas Data: Metric in Motion - Pendekatan yang Didukung AI untuk Kualitas Data

Kualitas data tinggi lebih dari sekadar tolok ukur - data ini merupakan kebutuhan strategis untuk kepercayaan, Kepatuhan, dan interoperabilitas global. Dalam blog ini, Zornitsa Manolova, Kepala Manajemen Kualitas Data dan Ilmu Pengetahuan Data di GLEIF, mengeksplorasi bagaimana AI membantu memperkuat Pemeriksaan Kualitas Data untuk membangun ekonomi global yang lebih transparan.

---

---

Dalam ekonomi global yang semakin saling terhubung, kemampuan organisasi untuk mempercayai dan menggunakan data secara efektif merupakan fondasi untuk inovasi, pertumbuhan, dan daya saing.

Ekosistem data berkualitas tinggi adalah pendorong perubahan dan inovasi yang memungkinkan organisasi untuk mengidentifikasi dan memanfaatkan peluang baru, sementara kualitas data yang rendah dapat menyebabkan inefisiensi dan paparan terhadap risiko peraturan dan reputasi.

GLEIF berkomitmen untuk mengoptimalkan kualitas, keandalan, dan kegunaan data LEI. Sejak tahun 2017, GLEIF telah menerbitkan laporan bulanan untuk menunjukkan secara transparan Kualitas Data secara keseluruhan yang dicapai dalam Sistem LEI Global.

Untuk membantu pemahaman dan kesadaran industri yang lebih luas mengenai inisiatif Kualitas Data GLEIF, seri blog baru ini mengeksplorasi metrik utama yang disertakan di dalam laporan.

Blog bulan ini menyoroti bagaimana AI membantu meningkatkan Pemeriksaan Kualitas Data.

Memastikan data LEI yang dapat diandalkan pada skala global membutuhkan interpretasi yang konsisten terhadap persyaratan peraturan dan Persyaratan Kebijakan. Karena persyaratan ini berevolusi dan semakin kompleks, AI memperkuat kemampuan GLEIF untuk mendukung jaminan kualitas yang dapat diskalakan sambil memastikan bahwa transparansi dan Tata Kelola tetap menjadi hal yang utama.

Dari Persyaratan Kebijakan hingga Pemeriksaan Kualitas Data

Komite Pengawasan Peraturan (ROC) mendefinisikan aturan dan kebijakan bisnis yang mengatur Sistem LEI Global. Persyaratan ini kemudian dijelaskan dan diterjemahkan ke dalam spesifikasi teknis melalui Peraturan Transisi dan Validasi Negara. Bersama-sama, mereka mendefinisikan logika bisnis dan proses untuk penerbitan, pembaruan, manajemen, dan publikasi data LEI di bawah Format File Data Umum.

GLEIF mengoperasionalkan kebijakan-kebijakan ini dengan mengubahnya menjadi spesifikasi teknis yang mendetail dan mengimplementasikannya melalui Pemeriksaan Kualitas Data, untuk memastikan bahwa maksud peraturan tercermin secara konsisten dalam data LEI yang diterbitkan di seluruh sistem.

Membangun Konsistensi melalui Pengaturan Aturan Kualitas Data

Inti dari implementasi ini adalah proses Pengaturan Aturan Kualitas Data GLEIF, suatu pendekatan terstruktur dan sistematis yang mendefinisikan bagaimana setiap Pemeriksaan Kualitas Data ditentukan, ditafsirkan, dan diterapkan di seluruh Sistem LEI Global.

Dengan memformalkan secara jelas logika di balik setiap pemeriksaan, proses ini memastikan evaluasi yang konsisten dan dapat direproduksi. Hal ini memungkinkan penilaian kualitas data yang transparan dan dapat diukur di jutaan catatan LEI dan membantu memastikan penerapan aturan yang sama secara konsisten di seluruh yurisdiksi, penerbit, dan siklus pembaruan.

Namun, seiring dengan perkembangan dan pertumbuhan Sistem LEI Global, begitu juga dengan jumlah aturan dan pemeriksaan yang sesuai. Sekarang terdapat lebih dari 200 Pemeriksaan Kualitas Data, dan peningkatan skala ini menimbulkan kompleksitas tambahan dan Tantangan baru.

AI membantu mengatasi pertimbangan yang muncul ini. Mendukung analisis aturan yang kompleks dan saling bergantung membantu mengidentifikasi tumpang tindih atau kesenjangan di seluruh pemeriksaan dan menyederhanakan pembuatan dan pemeliharaan logika Kualitas Data. Hasilnya, keseluruhan Kerangka Kerja Kualitas Data menjadi lebih efisien, mudah beradaptasi, dan terukur - dengan tetap berpijak pada proses Tata Kelola yang sudah ada.

Untuk mengilustrasikan bagaimana hal ini bekerja dalam praktiknya, bagian berikut ini memberikan pendalaman teknis tentang bagaimana Large Language Models (LLM) mendukung konversi terstruktur teks kebijakan menjadi aturan yang dapat dibaca oleh mesin dan Pemeriksaan Kualitas Data operasional.

Penyelaman Mendalam: Menerjemahkan Teks Kebijakan ke dalam Aturan yang Dapat Dibaca Mesin

GLEIF menggunakan LLM untuk mendukung identifikasi aturan baru dan membantu mendeteksi potensi kontradiksi dengan Pemeriksaan Kualitas Data yang sudah ada, sehingga memungkinkan proses peninjauan menyeluruh - mulai dari dokumen peraturan dan kebijakan hingga implementasinya.

Pendekatan ini mengikuti alur kerja yang jelas dan terstruktur yang memastikan maksud kebijakan secara konsisten tercermin dalam pemeriksaan operasional di seluruh Sistem LEI Global. Alur kerja dapat diringkas dalam tahap-tahap berikut:

Pra-pemrosesan: Proses dimulai dengan analisis sistematis atas dokumen kebijakan dan Standar untuk mengidentifikasi aturan dan persyaratan yang relevan. AI membantu memunculkan konsep dan ketentuan utama yang terkandung dalam teks-teks ini, memastikan bahwa ekspektasi peraturan yang penting ditangkap secara akurat dan komprehensif. Pada tahap awal ini, dokumen sumber dicerna untuk mengekstrak aturan yang relevan secara andal. Hal ini mencakup:

• membagi dokumen menjadi bagian-bagian yang sesuai dengan konteksnya
• mengidentifikasi nama dan istilah entitas
• memfilter potongan-potongan yang sesuai konteks dengan pencarian nama entitas kunci
• mengekstrak aturan tekstual yang tidak terstruktur.

Contoh: Cabang internasional adalah pendirian Badan Hukum yang tidak berbadan hukum yang terletak di yurisdiksi yang berbeda dari kantor pusatnya.

Resolusi Entitas dengan Pemetaan Ontologi: Persyaratan yang dijelaskan di dalam dokumen formal kemudian diselaraskan dengan model bahasa peraturan GLEIF, menciptakan pemahaman bersama tentang bagaimana entitas, atribut, dan hubungan harus ditafsirkan. Langkah ini sangat penting untuk konsistensi, memastikan bahwa konsep yang sama diterapkan secara seragam, meskipun dijelaskan secara berbeda di seluruh dokumen sumber. Untuk tujuan ini, istilah yang diekstraksi dinormalisasi dan dipetakan ke ontologi Pengaturan Aturan GLEIF.

Contoh:

• "Cabang internasional adalah pendirian Badan Hukum yang tidak berbadan hukum" dipetakan ke:

  - *lei:EntityCategory IN ['CABANG']
  
  - *rr:JenisHubungan IN [_'CABANG_INTERNASIONAL']_

• "terletak di yurisdiksi yang berbeda dari kantor pusatnya" dipetakan ke:

  - *lei:AlamatLegal/lei:Negara NOT $EQUALS $ENDNODERECORD lei:_YurisdiksiLegal_$COUNTRY_PART

Pembuatan dan Validasi Pemeriksaan: Terakhir, aturan turunan direkonsiliasi dengan Pemeriksaan Kualitas Data yang sudah ada, dengan AI yang membantu mengidentifikasi di mana pemeriksaan sudah ada, di mana pemeriksaan tersebut tumpang tindih, dan di mana kontradiksi atau kesenjangan mungkin muncul. Pendekatan ini membantu mengelola kompleksitas di lebih dari 200 pemeriksaan, dengan implementasi yang biasanya melibatkan spesifikasi, pengembangan, peninjauan, pengujian, dan rilis. Hal ini mendukung evolusi yang terkendali dan transparan dari kumpulan aturan dan memperkuat koherensi, skalabilitas, dan keandalan Kerangka Kerja Kualitas Data secara keseluruhan.

Bagaimana AI Memperkuat Pemeriksaan Kualitas Data untuk Ekonomi Global yang Lebih Transparan

Dengan menggabungkan otomatisasi yang digerakkan oleh AI dengan keahlian manusia, GLEIF memperkuat efisiensi dan keandalan Kerangka Kerja Kualitas Data. Pendekatan berbasis ontologi memastikan konsistensi dan akurasi, sementara proses yang mendasarinya dirancang untuk meningkatkan skala seiring dengan volume dan kompleksitas data yang terus bertambah. Pada saat yang sama, AI mendukung peningkatan berkelanjutan dengan menyoroti ambiguitas dalam bahasa aturan dan memunculkan peluang untuk menyempurnakan metodologi. Bersama-sama, kemampuan ini memperkuat pendekatan yang tangguh, transparan, dan siap di masa depan untuk Kualitas Data di seluruh Sistem LEI Global.

---