점점 더 상호 연결되는 글로벌 경제에서 조직이 데이터를 신뢰하고 효과적으로 사용할 수 있는 능력은 혁신, 성장, 경쟁력의 토대입니다.
고품질 데이터 생태계는 조직이 새로운 기회를 식별하고 포착할 수 있도록 하는 변화와 혁신의 원동력인 반면, 낮은 데이터 품질은 비효율성과 규제 및 평판 위험에 노출될 수 있습니다.
GLEIF는 LEI 데이터의 품질, 신뢰성 및 사용 편의성을 최적화하기 위해 최선을 다하고 있습니다. 2017년부터 글로벌 LEI 시스템에서 달성한 전반적인 데이터 품질을 투명하게 보여주기 위해 월간 보고서를 발행하고 있습니다.
이 새로운 블로그 시리즈에서는 GLEIF의 데이터 품질 이니셔티브에 대한 업계의 폭넓은 이해와 인식을 돕기 위해 보고서에 포함된 주요 메트릭을 살펴봅니다.
이번 달 블로그에서는 AI가 데이터 품질 점검을 개선하는 데 어떻게 도움이 되는지 중점적으로 다룹니다.
글로벌 규모에서 신뢰할 수 있는 LEI 데이터를 보장하려면 규제 및 정책 요건에 대한 일관된 해석이 필요합니다. 이러한 요구사항이 진화하고 복잡해짐에 따라 AI는 투명성과 거버넌스를 핵심으로 유지하면서 확장 가능한 품질 보증을 지원하기 위해 GLEIF의 역량을 강화하고 있습니다.
정책 요건에서 데이터 품질 점검까지
규제감독위원회(ROC)는 글로벌 LEI 시스템에 적용되는 비즈니스 규칙과 정책을 정의합니다. 그런 다음 이러한 요구사항은 상태 전환 및 검증 규칙을 통해 기술 사양으로 설명되고 번역됩니다. 이들은 함께 공용 데이터 파일 형식에 따른 LEI 데이터의 발급, 업데이트, 관리 및 게시를 위한 비즈니스 로직과 프로세스를 정의합니다.
GLEIF는 이러한 정책을 세부 기술 사양으로 변환하고 데이터 품질 점검을 통해 구현하여 시스템 전체에 게시되는 LEI 데이터에 규제 의도가 일관되게 반영되도록 함으로써 이러한 정책을 운영합니다.
데이터 품질 규칙 설정을 통한 일관성 구축
이 구현의 핵심은 GLEIF의 데이터 품질 규칙 설정 프로세스로, 각 데이터 품질 점검이 글로벌 LEI 시스템 전체에서 지정, 해석 및 적용되는 방법을 정의하는 체계적이고 구조적인 접근 방식입니다.
이 프로세스는 각 점검의 논리를 명확하게 공식화함으로써 일관되고 재현 가능한 평가를 보장합니다. 이를 통해 수백만 개의 LEI 기록에 대한 투명하고 확장 가능한 데이터 품질 평가가 가능하며 관할 지역, 발급자 및 업데이트 주기에 걸쳐 동일한 규칙이 일관되게 적용될 수 있도록 지원합니다.
그러나 글로벌 LEI 시스템이 발전하고 성장함에 따라 규칙과 해당 점검의 수 또한 증가하고 있습니다. 현재 200개가 넘는 데이터 품질 점검이 있으며, 이러한 규모 증가로 인해 추가적인 복잡성과 새로운 이의 제기가 발생하고 있습니다.
AI는 이러한 새로운 고려 사항을 해결하는 데 도움을 주고 있습니다. 복잡하고 상호 의존적인 규칙의 분석을 지원하면 점검 간의 중복이나 차이를 식별하고 데이터 품질 로직의 생성 및 유지 관리를 간소화하는 데 도움이 됩니다. 그 결과, 전체 데이터 품질 프레임워크의 효율성과 적응력, 확장성이 향상되는 동시에 기존 거버넌스 프로세스에 기반을 둔 채로 유지됩니다.
이것이 실제로 어떻게 작동하는지 설명하기 위해 다음 섹션에서는 LLM(대규모 언어 모델)이 어떻게 정책 텍스트를 기계 판독 가능한 규칙으로 구조적으로 변환하고 운영 데이터 품질 점검을 지원하는지에 대한 기술 심층 분석을 제공합니다.
심층 분석: 정책 텍스트를 기계 판독 가능한 규칙으로 번역하기
GLEIF는 LLM을 사용하여 새로운 규칙의 식별을 지원하고 기존 데이터 품질 점검의 잠재적 모순을 감지하여 규정 및 정책 문서에서 실행에 이르는 엔드투엔드 검토 프로세스를 가능하게 합니다.
이 접근 방식은 명확하고 구조화된 워크플로우를 따르며, 글로벌 LEI 시스템 전반의 운영 점검에 정책 의도가 일관되게 반영되도록 보장합니다. 워크플로는 다음 단계로 요약할 수 있습니다:
사전 처리: 이 프로세스는 정책 및 표준 문서를 체계적으로 분석하여 관련 규칙과 요건을 식별하는 것으로 시작됩니다. AI는 이러한 문서에 포함된 핵심 개념과 조건을 파악하여 중요한 규정 기대치를 정확하고 포괄적으로 파악할 수 있도록 도와줍니다. 이 초기 단계에서는 소스 문서를 수집하여 관련 규칙을 안정적으로 추출합니다. 여기에는 다음이 포함됩니다:
예시: 해외 지사는 본사와 다른 관할권에 위치한 법인의 비법인 설립을 말합니다.
온톨로지 매핑을 통한 법인 해석: 공식 문서에 설명된 요구 사항은 GLEIF의 규칙 언어 모델과 일치하여 법인, 속성 및 관계가 어떻게 해석되어야 하는지에 대한 공유된 이해를 창출합니다. 이 단계는 일관성을 위해 필수적이며, 소스 문서 간에 다르게 기술된 경우에도 동일한 개념이 균일하게 적용되도록 보장합니다. 이를 위해 추출된 용어는 정규화되고 GLEIF 규칙 설정 온톨로지에 매핑됩니다.
예시:
예: "해외 지점은 법인의 비법인 설립"은 다음과 같이 매핑됩니다:
- *lei:EntityCategory IN ['BRANCH']
- *rr:관계 유형 IN ['_ISINTERNATIONALBRANCH_OF_']"본사와 다른 관할권에 위치"에 매핑됩니다:
- *lei:법적주소/lei:국가 NOT $EQUALS _$ENDNODERECORD_lei:법적관할권 $COUNTRY_PART
검사 생성 및 유효성 검사: 마지막으로, 도출된 규칙을 기존 데이터 품질 점검과 조정하고, AI가 이미 존재하는 검사, 중복되는 부분, 모순이나 공백이 발생할 수 있는 부분을 식별하는 데 도움을 줍니다. 이 접근 방식은 일반적으로 사양, 개발, 검토, 테스트 및 릴리스와 관련된 구현과 함께 200개 이상의 검사에 걸쳐 복잡성을 관리하는 데 도움이 됩니다. 이를 통해 규칙 세트의 통제되고 투명한 진화를 지원하고 데이터 품질 프레임워크의 전반적인 일관성, 확장성 및 신뢰성을 강화할 수 있습니다.
투명한 글로벌 경제를 위해 데이터 품질 점검을 강화하는 AI의 역할
AI 기반 자동화와 인간의 전문성을 결합함으로써 GLEIF는 데이터 품질 프레임워크의 효율성과 신뢰성을 모두 강화하고 있습니다. 온톨로지 기반 접근 방식은 일관성과 정확성을 보장하며, 기본 프로세스는 데이터 양과 복잡성이 계속 증가함에 따라 확장할 수 있도록 설계되었습니다. 동시에, AI는 규칙 언어의 모호함을 강조하고 방법론을 개선할 수 있는 기회를 포착하여 지속적인 개선을 지원합니다. 이러한 기능은 글로벌 LEI 시스템 전반에 걸쳐 데이터 품질에 대한 탄력적이고 투명하며 미래에 대비한 접근 방식을 강화합니다.
블로그 게시물에 댓글을 추가하려면 영어 GLEIF 웹사이트 블로그 기능을 이용하여 댓글을 추가해주십시오. 이름과 성을 써서 자신이 누구인지 밝혀주십시오. 이름은 댓글 옆에 표시됩니다. 이메일 주소는 공개되지 않습니다. 토론 게시판을 이용하거나 게시물을 등록하는 것은 GLEIF 블로그 정책 약관을 준수하는 것에 동의하는 행위이므로, 해당 약관을 주의 깊게 읽어주십시오.
조니차 마놀로바는 Global Legal Entity Identifier Foundation(GLEIF) 데이터 품질 관리 및 데이터 과학 팀을 이끌고 있습니다. 2018년 4월부터 혁신적인 데이터 분석 접근 방식을 도입하여 확립된 데이터 품질 및 데이터 거버넌스 프레임워크를 향상하고 개선하는 일을 맡고 있습니다. 과거에는 PwC Forensics의 국제 금융 조사에서 포렌식 데이터 분석 프로젝트를 관리했습니다. 독일 마르부르크 필리프 대학교에서 기계 학습에 중점을 둔 컴퓨터 공학 학위를 이수했습니다.
