Tendenze strategiche nella qualità dei dati: Metric in Motion - Un approccio alla qualità dei dati basato sull'IA

I dati di alta qualità sono più di un benchmark: sono una necessità strategica per la fiducia, la Conformità e l'interoperabilità a livello globale. In questo blog, Zornitsa Manolova, responsabile della Gestione della qualità dei dati e della scienza dei dati presso il Blog GLEIF, esplora come l'IA stia contribuendo a rafforzare le Verifiche sulla qualità dei dati per costruire un'economia globale più trasparente.

---

---

In un'economia globale sempre più interconnessa, la capacità delle organizzazioni di fidarsi dei dati e di utilizzarli in modo efficace è alla base dell'innovazione, della crescita e della competitività.

Un ecosistema di dati di alta qualità è un motore di cambiamento e innovazione che consente alle organizzazioni di identificare e cogliere nuove opportunità, mentre una bassa qualità dei dati può portare a inefficienze e all'esposizione a rischi normativi e di reputazione.

Il GLEIF è impegnato a ottimizzare la qualità, l'affidabilità e la fruibilità dei dati LEI. Dal 2017 pubblica rapporti mensili per dimostrare in modo trasparente la qualità complessiva dei dati raggiunta dal Sistema LEI Globale.

Per favorire una più ampia comprensione e consapevolezza delle iniziative di qualità dei dati del Blog GLEIF, questa nuova serie di blog esplora le metriche chiave incluse nei report.

Il blog di questo mese evidenzia come l'intelligenza artificiale contribuisca a migliorare le Verifiche sulla qualità dei dati.

Garantire dati LEI affidabili su scala globale richiede un'interpretazione coerente dei requisiti normativi e di politica. Con l'evoluzione e la complessità di questi requisiti, l'IA sta rafforzando le capacità di GLEIF per supportare una garanzia di qualità scalabile, assicurando al contempo che la trasparenza e la governance rimangano centrali.

Dai requisiti di politica alle Verifiche sulla qualità dei dati

Il Comitato di supervisione regolamentare (ROC) definisce le regole e le politiche aziendali che governano il Sistema LEI globale. Questi requisiti vengono poi descritti e tradotti in specifiche tecniche attraverso le Regole di transizione di stato e di convalida. Insieme, definiscono la logica aziendale e i processi per l'emissione, l'aggiornamento, la gestione e la pubblicazione dei dati LEI nel formato Formati Common Data File (CDF).

Il GLEIF rende operative queste politiche convertendole in specifiche tecniche dettagliate e implementandole attraverso le Verifiche sulla qualità dei dati, garantendo che l'intento normativo si rifletta in modo coerente nei dati LEI pubblicati nel sistema.

Costruire la coerenza attraverso la definizione di regole per la qualità dei dati

Al centro di questa implementazione c'è il processo di definizione delle regole di qualità dei dati del GLEIF, un approccio strutturato e sistematico che definisce come ogni verifica sulla qualità dei dati viene specificata, interpretata e applicata nel sistema LEI globale.

Formalizzando chiaramente la logica alla base di ogni controllo, il processo assicura valutazioni coerenti e riproducibili. Ciò consente valutazioni della qualità dei dati trasparenti e scalabili su milioni di record LEI e aiuta a garantire l'applicazione coerente delle stesse regole tra le varie giurisdizioni, emittenti e cicli di aggiornamento.

Tuttavia, con l'evoluzione e la crescita del Sistema LEI globale, cresce anche il numero di regole e di controlli corrispondenti. Attualmente i controlli sulla Qualità dei dati sono più di 200 e questa scala crescente introduce ulteriori complessità e nuove sfide.

L'intelligenza artificiale sta contribuendo ad affrontare queste considerazioni emergenti. Il supporto all'analisi di regole complesse e interdipendenti aiuta a identificare le sovrapposizioni o le lacune tra i controlli e a semplificare la creazione e la manutenzione della logica della Qualità dei dati. Di conseguenza, il quadro generale della Qualità dei dati diventa più efficiente, adattabile e scalabile, pur rimanendo ancorato ai processi di governance consolidati.

Per illustrare il funzionamento pratico di questo sistema, la sezione seguente fornisce un approfondimento tecnico su come i Large Language Models (LLM) supportano la conversione strutturata del testo della policy in regole leggibili dalla macchina e verifiche operative sulla Qualità dei dati.

Approfondimento: Tradurre il testo delle politiche in regole leggibili dalla macchina

GLEIF utilizza gli LLM per supportare l'identificazione di nuove regole e aiutare a rilevare potenziali contraddizioni con le Verifiche sulla qualità dei dati esistenti, consentendo un processo di revisione end-to-end - dai documenti normativi e di policy fino alla loro implementazione.

Questo approccio segue un flusso di lavoro chiaro e strutturato che garantisce che l'intento della politica si rifletta in modo coerente nei controlli operativi del Sistema LEI globale. Il flusso di lavoro può essere riassunto nelle seguenti fasi:

Pre-elaborazione: Il processo inizia con l'analisi sistematica dei documenti relativi alle politiche e agli standard per identificare le regole e i requisiti pertinenti. L'intelligenza artificiale aiuta a far emergere i concetti e le condizioni chiave contenuti in questi testi, assicurando che le aspettative normative importanti siano catturate in modo accurato e completo. In questa fase iniziale, il documento di partenza viene ingerito per estrarre in modo affidabile le regole pertinenti. Questo include

• dividere il documento in parti consapevoli del contesto
• l'identificazione dei nomi e dei termini delle entità
• filtrare i pezzi consapevoli del contesto mediante la ricerca di nomi di entità-chiave
• l'estrazione delle regole testuali non strutturate.

Esempio: Una filiale internazionale è una sede non costituita di un'entità giuridica situata in una giurisdizione diversa da quella della sua sede principale.

Risoluzione delle entità con mappatura ontologica: I requisiti descritti nei documenti formali vengono poi allineati al modello di linguaggio delle regole di GLEIF, creando una comprensione condivisa di come entità, attributi e relazioni debbano essere interpretati. Questa fase è essenziale per garantire la coerenza, assicurando che gli stessi concetti siano applicati in modo uniforme, anche se descritti in modo diverso nei documenti di origine. A tal fine, i termini estratti vengono normalizzati e mappati all'ontologia GLEIF Rule Setting.

Esempio:

• "Una filiale internazionale è uno stabilimento non incorporato di una Persona giuridica" è mappato a:

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

• "situato in una giurisdizione diversa da quella della sede principale" è mappato a:

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

Creazione e convalida dei controlli: Infine, le regole derivate vengono riconciliate con le Verifiche sulla qualità dei dati esistenti, con l'AI che aiuta a identificare i controlli già esistenti, le sovrapposizioni e le eventuali contraddizioni o lacune. Questo approccio aiuta a gestire la complessità di oltre 200 controlli, con un'implementazione che in genere prevede specifiche, sviluppo, revisione, test e rilascio. In questo modo si favorisce un'evoluzione controllata e trasparente del set di regole e si rafforza la coerenza, la scalabilità e l'affidabilità complessive del Qualità dei dati Framework.

Come l'IA rafforza le Verifiche sulla qualità dei dati per un'economia globale più trasparente

Combinando l'automazione guidata dall'IA con l'esperienza umana, GLEIF sta rafforzando sia l'efficienza che l'affidabilità del suo Qualità dei dati Framework. Un approccio basato sull'ontologia garantisce coerenza e accuratezza, mentre i processi sottostanti sono progettati per essere scalabili con la crescita dei volumi e della complessità dei dati. Allo stesso tempo, l'intelligenza artificiale supporta il miglioramento continuo, evidenziando le ambiguità nel linguaggio delle regole e facendo emergere le opportunità di perfezionamento delle metodologie. Insieme, queste funzionalità rafforzano un approccio alla qualità dei dati resiliente, trasparente e pronto per il futuro in tutto il Sistema LEI globale.

---