점점 더 상호 연결되는 글로벌 경제에서 조직이 데이터를 신뢰하고 효과적으로 활용할 수 있는 능력은 혁신, 성장, 그리고 경쟁력의 토대가 됩니다.
고품질 데이터 생태계는 조직이 새로운 기회를 식별하고 포착할 수 있도록 하는 변화와 혁신의 원동력인 반면, 낮은 데이터 품질은 비효율성을 초래하고 규제 및 평판 위험에 노출될 수 있습니다.
GLEIF의 데이터 품질 이니셔티브와 다양한 분야에 대한 적용에 대한 업계의 인식을 넓히기 위해, 이 새로운 블로그 시리즈는 보고서에 포함된 주요 지표를 살펴봅니다.
이번 달의 초점: AI가 소유권 투명성을 어떻게 강화할 수 있는지.
글로벌 기업 구조가 점점 더 복잡해짐에 따라, 신뢰할 수 있는 소유권 및 관계 데이터에 대한 접근은 투명성, 책임성, 그리고 위험 통찰력을 확보하는 데 있어 그 중요성이 커지고 있습니다. 모기업과 자회사 간의 관계를 포함하는 이 데이터는 법인체들이 어떻게 연결되어 있는지 보여줌으로써, 조직이 위험을 평가하고, 컴플라이언스를 지원하며, 더 정보에 입각한 의사결정을 내리는 데 도움을 줍니다.
글로벌법인식별기호시스템 내에서 레벨 2 데이터는 모기업 및 자회사 구조, 지점-본사 연결 관계, 펀드 관계를 식별함으로써 이러한 중요한 맥락을 제공합니다. 흔히 "누가 누구를 소유하는가"라는 질문에 답한다고 묘사되는 레벨 2 데이터는 법인체 뒤에 숨겨진 구조를 드러내는 데 도움을 주며, 금융 및 비즈니스 생태계 전반에 걸쳐 신뢰를 강화합니다.
글로벌 LEI 시스템에서 레벨 2 데이터의 가치 이해
규제감독위원회(ROC)와 GLEIF가 실시한 최근 설문조사에서는 레벨 2 데이터의 가치가 부각되었습니다. 응답자의 약 70%가 레벨 2 데이터를 사용하고 있다고 답했으며, 약 85%는 이를 양질의 데이터로 간주한다고 밝혔습니다. 응답자들은 또한 레벨 2 데이터가 이미 조직의 의사 결정 과정에 통합되어 있음을 확인했으며, 다양한 운영 및 전략적 프로세스를 지원하기 위해 레벨 2 데이터를 활용하고 있다고 보고했습니다. 특히 많은 응답자가 통합된 모회사 관계 정보를 중요하게 여기는 것으로 나타났습니다.
이러한 조사 결과는 중요한 추세를 보여줍니다. 신뢰할 수 있는 소유권 정보에 대한 수요가 증가함에 따라, 대규모로 고품질의 관계 데이터를 유지하는 것이 매우 중요합니다.
AI, 관계 데이터 추출에 새로운 가능성 제시
인공 지능(AI)이 조직의 데이터 관리 및 분석 방식을 변화시키면서, 관계 데이터의 품질, 완전성 및 신뢰성을 더욱 향상시켜야 하는 이러한 요구를 충족할 새로운 기회가 대두되고 있습니다.
예를 들어, 가치 있는 관계 정보는 이미 널리 이용 가능하지만, 연차 보고서나 기타 기업 공시 자료 속에 묻혀 있어 접근하기 어려운 경우가 많습니다. 모회사 및 자회사에 대한 세부 정보는 각주, 표, 재무제표 주석 또는 서술형 섹션에 나타날 수 있습니다. 이러한 공시 정보는 종종 파편화되어 있고, 형식이 일관되지 않으며, 대규모로 수동 검토하기 어려워 구조화된 데이터 세트로 통합하는 데 어려움을 줍니다.
AI 기반 추출 기술은 이러한 숨겨진 정보를 발굴할 수 있는 실용적인 방법을 제공합니다. 연차 보고서 및 기타 복잡한 PDF 문서에서 소유권 세부 정보를 식별, 해석 및 구조화함으로써, AI는 비정형 정보를 구조화된 관계 데이터로 변환하는 데 도움을 줄 수 있습니다. 또한 문서 간 정보를 비교할 수도 있습니다. 이를 통해 레벨 2 데이터의 검색 및 검증 능력이 향상되어, 더 나은 위험 분석과 의사 결정을 지원하고 글로벌 LEI 시스템의 전반적인 품질과 투명성을 높일 수 있습니다.
실제로 GLEIF는 이미 AI 기반 추출 기술을 활용하여 연차 보고서에서 관계 데이터를 추출하고 이를 구조화된 형식으로 변환하고 있습니다. 이를 통해 GLEIF는 연례 갱신 절차와 별개로 글로벌 LEI 색인에 있는 기존 관계 정보를 검토 및 확인하거나, 필요한 경우 업데이트를 진행할 수 있습니다. 그 결과, 관계 데이터는 시간이 지남에 따라 더욱 최신 상태로 유지되고 신뢰성을 높일 수 있습니다.
투명성 인프라(Transparency Fabric)의 발전 – GLEIF, Open Ownership, OpenSanctions가 공동으로 추진한 이니셔티브인 '투명성 패브릭(Transparency Fabric)'의 2025년 발전 사항에는, 비정형 문서에서 정보를 추출 및 분석하여 복잡한 소유 구조를 더 정확하게 파악하고, LEI 매핑을 통해 실질 소유권 및 제재 데이터와 연계하는 데 도움을 주기 위해 대규모 언어 모델(LLM)을 도입한 내용도 포함됩니다.
작동 원리
이 자동화 프로세스는 LLM을 활용한 다단계 과정을 통해 연차 보고서 PDF 내 모회사의 모든 자회사를 식별합니다:
이는 AI가 복잡한 PDF 문서에서 자회사 데이터를 추출하는 과정을 어떻게 가속화할 수 있는지 보여줍니다. 동시에, 결과를 검증하고 품질을 개선하며 최종 관계 데이터의 신뢰성을 보장하기 위해서는 인간의 감독을 병행하는 것이 여전히 중요합니다.
신뢰할 수 있는 LEI 데이터를 활용한 AI 자체 개선
AI가 레벨 2 관계 데이터를 찾고 확인하는 데 도움을 줄 수 있는 반면, 신뢰할 수 있는 LEI 데이터는 이 작업에 대한 AI 방법의 활용도를 높일 수 있습니다.
GLEIF는 기존 LEI 데이터와 연차 보고서를 활용하여 GEPA(Genetic Pareto Reflective Prompt Evolution) 접근 방식을 통해 프롬프트를 최적화했습니다. GEPA는 어떤 프롬프트가 가장 좋은 성능을 보일지 추측하는 대신, 라벨링된 데이터와 인간의 피드백을 사용하여 더 강력한 프롬프트 변형을 발전시키고, 알려진 예시에 대해 테스트하며, 가장 우수한 성능을 보이는 절충안을 유지합니다.
이 접근 방식은 AI 개발을 단순한 실험 단계에서 측정 가능한 개선 단계로 전환합니다. 예를 들어, GEPA로 강화된 프롬프트는 검색된 관계 정보의 측정 가능한 정확도를 향상시켰습니다. 더욱 흥미로운 점은, 최적화 후 더 작고 저렴한 모델이 더 크고 비싼 모델보다 더 나은 성능을 보였다는 것입니다. 이는 고품질 데이터와 체계적인 최적화가 종종 더 큰 모델을 사용하는 것보다 더 중요함을 보여줍니다. 간단히 말해, 더 나은 입력은 더 나은 결과를 만들어 냅니다.
AI 혁신과 신뢰할 수 있는 데이터 기반의 결합
AI 기반 관계 데이터 추출을 통해 얻을 수 있는 가장 가치 있는 성과는 파편화된 공시 정보를 신뢰할 수 있고 구조화되며 실행 가능한 관계 인텔리전스로 전환하는 능력으로, 이를 통해 조직은 글로벌 경제 전반에 걸쳐 더 많은 정보를 바탕으로 의사결정을 내릴 수 있습니다.
그러나 이러한 인사이트가 신뢰할 수 있고 활용 가능하도록 보장하기 위해서는 신뢰할 수 있는 프레임워크, 거버넌스, 표준화된 식별자가 여전히 필수적입니다. AI 혁신을 글로벌 LEI 시스템의 신뢰할 수 있는 기반과 결합함으로써, 소유권 및 관계 데이터의 품질, 범위, 활용성을 대규모로 강화할 기회가 열립니다.
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.
