Tłumaczenia na języki inne niż angielski na tej stronie internetowej są wspomagane przez sztuczną inteligencję. Nie gwarantujemy dokładności i nie ponosimy odpowiedzialności za błędy lub szkody wynikające z korzystania z przetłumaczonych treści. W przypadku jakichkolwiek niespójności lub niejasności, wersja angielska ma pierwszeństwo.
Prasa i media
Blog GLEIF
Tłumaczenia na języki inne niż angielski na tej stronie internetowej są wspomagane przez sztuczną inteligencję. Nie gwarantujemy dokładności i nie ponosimy odpowiedzialności za błędy lub szkody wynikające z korzystania z przetłumaczonych treści. W przypadku jakichkolwiek niespójności lub niejasności, wersja angielska ma pierwszeństwo.
Przekształcanie danych w możliwości: Metric in Motion – Jak sztuczna inteligencja może zwiększyć przejrzystość własnościową
Organizacje w coraz większym stopniu polegają na danych dotyczących powiązań w zakresie Zarządzania ryzykiem, due diligence, zgodności z przepisami i przejrzystości. W tym wpisie na blogu Zornitsa Manolova, dyrektor ds. Jakości danych i nauki o danych w GLEIF, bada, w jaki sposób sztuczna inteligencja oferuje nowe możliwości poprawy jakości, kompletności i dostępności wiarygodnych informacji o własności na dużą skalę.
Autor: Zornitsa Manolova
Data: 2026-06-08
Odsłon:
W coraz bardziej powiązanej gospodarce globalnej zdolność organizacji do zaufania danym i ich efektywnego wykorzystania stanowi podstawę innowacji, wzrostu i konkurencyjności.
Ekosystem danych o wysokiej jakości jest motorem zmian i innowacji, który umożliwia organizacjom identyfikowanie i wykorzystywanie nowych możliwości, podczas gdy niska jakość danych może prowadzić do nieefektywności oraz narażenia na ryzyko regulacyjne i reputacyjne.
Aby zwiększyć świadomość branżową na temat inicjatyw GLEIF dotyczących jakości danych oraz ich zastosowania w różnych sektorach, w nowej serii blogów omawiamy kluczowe wskaźniki zawarte w raportach.
Temat miesiąca: jak sztuczna inteligencja może wzmocnić przejrzystość własności.
W miarę jak globalne struktury korporacyjne stają się coraz bardziej złożone, dostęp do wiarygodnych danych dotyczących własności i powiązań ma coraz większe znaczenie dla przejrzystości, odpowiedzialności i zrozumienia ryzyka. Dane te, obejmujące relacje między podmiotami dominującymi a zależnymi, pomagają organizacjom oceniać ryzyko, wspierać zgodność z przepisami i podejmować bardziej świadome decyzje, pokazując powiązania między podmiotami prawnymi.
W ramach globalnego systemu LEI dane poziomu 2 zapewniają ten kluczowy kontekst poprzez identyfikację struktur korporacyjnych spółek dominujących i zależnych, powiązań między oddziałami a siedzibami głównymi oraz relacji między funduszami. Dane poziomu 2, często opisywane jako odpowiedź na pytanie „kto jest właścicielem kogo”, pomagają ujawnić struktury stojące za podmiotami prawnymi i wzmacniają zaufanie w ekosystemach finansowych i biznesowych.
Zrozumienie wartości danych poziomu 2 w globalnym systemie LEI
Niedawna ankieta przeprowadzona przez Komitet Nadzoru Regulacyjnego (ROC) i GLEIF podkreśla wartość danych poziomu 2. Około 70% respondentów zgłosiło, że korzysta z danych poziomu 2, a prawie 85% stwierdziło, że uważa je za dane wysokiej jakości. Respondenci potwierdzili również, że dane poziomu 2 są już zintegrowane z procesem podejmowania decyzji w ich organizacjach i poinformowali, że wykorzystują je do wspierania różnych procesów operacyjnych i strategicznych, przy czym wielu z nich szczególnie ceni sobie skonsolidowane relacje z podmiotami dominującymi.
Wyniki te wskazują na kluczowy trend. Wraz ze wzrostem zapotrzebowania na wiarygodne informacje o strukturze własnościowej kluczowe znaczenie ma utrzymywanie wysokiej jakości danych dotyczących powiązań na dużą skalę.
Sztuczna inteligencja otwiera nowe możliwości w zakresie ekstrakcji danych dotyczących powiązań
Wraz z transformacją sposobu zarządzania i analizowania danych przez organizacje dzięki sztucznej inteligencji (AI) pojawiają się nowe możliwości zaspokojenia potrzeby dalszego zwiększania jakości, kompletności i wiarygodności danych dotyczących powiązań.
Na przykład cenne informacje o powiązaniach są już powszechnie dostępne, ale często trudno jest uzyskać do nich dostęp, ponieważ są one ukryte w raportach rocznych i innych informacjach ujawnianych przez przedsiębiorstwa. Szczegóły dotyczące podmiotów dominujących i zależnych mogą pojawiać się w przypisach, tabelach, notach do sprawozdań finansowych lub sekcjach opisowych. Informacje te są często fragmentaryczne, mają niejednolity format i trudno je ręcznie przejrzeć na dużą skalę, co utrudnia ich integrację w ustrukturyzowane zbiory danych.
Ekstrakcja oparta na sztucznej inteligencji oferuje praktyczny sposób na odblokowanie tych ukrytych informacji. Poprzez identyfikację, interpretację i strukturyzację szczegółów dotyczących własności z raportów rocznych i innych złożonych dokumentów PDF, sztuczna inteligencja może pomóc w przekształceniu informacji nieustrukturyzowanych w ustrukturyzowane dane dotyczące powiązań. Może również porównywać informacje w różnych dokumentach. Może to usprawnić pozyskiwanie i walidację danych poziomu 2, wspierając lepszą analizę ryzyka i podejmowanie decyzji oraz poprawiając ogólną jakość i przejrzystość globalnego systemu LEI.
W rzeczywistości GLEIF już wykorzystuje ekstrakcję opartą na sztucznej inteligencji do pobierania danych dotyczących powiązań z raportów rocznych i przekształcania ich do formatu ustrukturyzowanego. Umożliwia to GLEIF przeglądanie i potwierdzanie istniejących informacji o powiązaniach w Globalnym Indeksie LEI lub inicjowanie aktualizacji w razie potrzeby, poza corocznym procesem odnowienia LEI. W rezultacie dane dotyczące powiązań mogą być utrzymywane w stanie bardziej aktualnym i wiarygodnym w miarę upływu czasu.
Postępy w zakresie Transparency Fabric – wspólnej inicjatywy wprowadzonej przez GLEIF, Open Ownership oraz OpenSanctions – w 2025 r. wprowadzono również wykorzystanie dużych modeli językowych (LLM) do pozyskiwania i analizowania informacji z dokumentów nieustrukturyzowanych w celu lepszego odwzorowania złożonych struktur własnościowych oraz wsparcia powiązania kodów LEI z danymi dotyczącymi rzeczywistej własności i sankcji.
Jak to działa
Zautomatyzowany proces identyfikuje wszystkie spółki zależne spółek dominujących w pliku PDF rocznego sprawozdania przy użyciu wieloetapowego procesu LLM:
Najpierw sztuczna inteligencja przegląda raport i identyfikuje potencjalne spółki zależne na podstawie podanych definicji i przykładów. Następnie sprawdza własne wyniki, aby zidentyfikować potencjalne luki, brakujące spółki zależne lub wpisy, które mogły zostać uwzględnione nieprawidłowo.
Po tej weryfikacji wyniki są dopracowywane w ostateczną listę w wymaganym formacie. Obejmuje to usuwanie fałszywych wyników pozytywnych, dodawanie pominiętych spółek zależnych, sprawdzanie odpowiednich odniesień do stron oraz standaryzację szczegółów, takich jak informacje o jurysdykcji lub kraju.
Na koniec lista wygenerowana przez AI może zostać porównana z listą wyodrębnioną ręcznie w celu oceny dokładności, kompletności i ogólnej jakości.
Pokazuje to, w jaki sposób sztuczna inteligencja może pomóc w przyspieszeniu procesu pozyskiwania danych dotyczących spółek zależnych ze złożonych dokumentów PDF. Jednocześnie połączenie z nadzorem ludzkim pozostaje ważne dla walidacji wyników, poprawy jakości oraz zapewnienia wiarygodności ostatecznych danych dotyczących powiązań.
Wykorzystanie zaufanych danych LEI do ulepszenia samej sztucznej inteligencji
Podczas gdy sztuczna inteligencja może pomóc w wyszukiwaniu i sprawdzaniu danych dotyczących powiązań na poziomie 2, zaufane dane LEI mogą z kolei usprawnić wykorzystanie metod sztucznej inteligencji do tego zadania.
GLEIF wykorzystał istniejące dane LEI i raporty roczne do optymalizacji podpowiedzi przy użyciu podejścia GEPA (Genetic Pareto Reflective Prompt Evolution). Zamiast zgadywać, która podpowiedź może działać najlepiej, GEPA wykorzystuje oznaczone dane i informacje zwrotne od ludzi, aby opracować lepsze warianty podpowiedzi, przetestować je na znanych przykładach i zachować te, które dają najlepsze wyniki.
Podejście to przenosi rozwój sztucznej inteligencji z etapu eksperymentów do etapu mierzalnej poprawy. Na przykład podpowiedź ulepszona za pomocą GEPA poprawiła mierzalną dokładność pobranych informacji o powiązaniach. Co jeszcze ciekawsze, po optymalizacji mniejszy i tańszy model działał lepiej niż większy i droższy model. Pokazuje to, że wysokiej jakości dane i ustrukturyzowana optymalizacja często mają większe znaczenie niż użycie większego modelu. Mówiąc prościej, lepsze dane wejściowe dają lepsze wyniki.
Połączenie innowacji w zakresie sztucznej inteligencji z wiarygodnymi podstawami danych
Najcenniejszym rezultatem ekstrakcji danych dotyczących powiązań opartej na sztucznej inteligencji jest możliwość przekształcenia fragmentarycznych ujawnień w wiarygodne, ustrukturyzowane i przydatne informacje o powiązaniach – umożliwiające organizacjom podejmowanie bardziej świadomych decyzji w globalnej gospodarce.
Jednak zaufane ramy, zarządzanie i znormalizowane identyfikatory pozostają niezbędne do zapewnienia, że te spostrzeżenia są wiarygodne i użyteczne. Dzięki połączeniu innowacji w zakresie sztucznej inteligencji z zaufanymi fundamentami globalnego systemu LEI istnieje możliwość wzmocnienia jakości, zasięgu i użyteczności danych dotyczących własności i powiązań na dużą skalę.
Osoby pragnące umieścić wpis w blogu prosimy o odwiedzenie strony: funkcje internetowego blogu GLEIF w języku angielskim. Imię i nazwisko autora komentarza pojawi się obok wpisu. Adresy e-mail nie będą publikowane. Uczestnictwo w forum dyskusyjnym i korzystanie z niego oznacza zgodę na przestrzeganie obowiązujących Zasad korzystania z blogu GLEIF, które należy uważnie przeczytać.
Zornitsa Manolova kieruje zespołem ds. zarządzania jakością danych i nauki o danych w Global Legal Entity Identifier Foundation (GLEIF). Od kwietnia 2018 roku odpowiada za doskonalenie i poprawę ustalonych ram jakości danych i zarządzania danymi poprzez wprowadzanie innowacyjnych metod analizy danych. Wcześniej Zornitsa zarządzała projektami analizy danych kryminalistycznych w ramach międzynarodowych dochodzeń finansowych w PwC Forensics. Uzyskała niemiecki dyplom z zakresu nauk komputerowych z ukierunkowaniem na uczenie maszynowe na Uniwersytecie w Marburgu.
