Превращение данных в возможности: «Metric in Motion» — как ИИ может повысить прозрачность владения

Организации все чаще полагаются на данные о взаимосвязях для управления рисками, проведения комплексной проверки, обеспечения соблюдения законодательства и прозрачности. В этом блоге Зорница Манолова, руководитель отдела управления качеством данных и науки о данных в GLEIF, рассматривает, как ИИ открывает новые возможности для улучшения качества, полноты и доступности достоверной информации о владельцах в широком масштабе.

---

---

В условиях все более взаимосвязанной глобальной экономики способность организаций доверять данным и эффективно их использовать является основой для инноваций, роста и конкурентоспособности.

Экосистема высококачественных данных является движущей силой изменений и инноваций, позволяющей организациям выявлять и использовать новые возможности, в то время как низкое качество данных может привести к неэффективности и подверженности регуляторным рискам и рискам для репутации.

Чтобы способствовать более широкому осведомлению отрасли об инициативах GLEIF в области качества данных и их применении в различных секторах, в этой новой серии статей в блоге рассматриваются ключевые показатели, включенные в отчеты.

В центре внимания этого месяца: как ИИ может повысить прозрачность владения.

По мере усложнения глобальных корпоративных структур доступ к достоверным данным о владельцах и взаимосвязях становится все более важным для обеспечения прозрачности, подотчетности и понимания рисков. Эти данные, включающие информацию о взаимосвязях между материнскими и дочерними компаниями, помогают организациям оценивать риски, обеспечивать соблюдение законодательства и принимать более обоснованные решения, показывая, как юридические лица связаны между собой.

В рамках Глобальной системы идентификации юридических лиц данные уровня 2 обеспечивают этот важнейший контекст, позволяя определять корпоративные структуры материнских и дочерних компаний, связи между филиалами и головными офисами, а также взаимоотношения между фондами. Данные уровня 2, которые часто описывают как ответ на вопрос «кто кем владеет», помогают раскрыть структуры, стоящие за юридическими лицами, и укрепляют доверие в финансовых и бизнес-экосистемах.

Понимание ценности данных уровня 2 в Глобальной системе LEI

Недавний опрос, проведенный Регулятивно-надзорным комитетом (ROC) и GLEIF, подчеркивает ценность данных уровня 2. Около 70% респондентов сообщили, что используют данные уровня 2, а почти 85% заявили, что считают их качественными. Респонденты также подтвердили, что данные уровня 2 уже интегрированы в процесс принятия решений в их организациях, и сообщили, что используют данные уровня 2 для поддержки различных операционных и стратегических процессов, причем многие из них особенно ценят консолидированные данные о связях с материнскими компаниями.

Эти результаты подчеркивают ключевую тенденцию. По мере роста спроса на надежную информацию о владельцах крайне важно поддерживать высококачественные данные о взаимосвязях в больших масштабах.

ИИ открывает новые возможности для извлечения данных о взаимосвязях

Поскольку искусственный интеллект (ИИ) меняет подход организаций к управлению и анализу данных, появляются новые возможности для удовлетворения потребности в дальнейшем повышении качества, полноты и надежности данных о взаимосвязях.

Например, ценная информация о взаимосвязях уже широко доступна, но к ней часто трудно получить доступ, поскольку она затеряна в годовых отчетах и других корпоративных отчетах. Сведения о материнских и дочерних компаниях могут фигурировать в сносках, таблицах, примечаниях к финансовой отчетности или описательных разделах. Эти раскрытия часто фрагментированы, имеют несогласованный формат и их сложно просматривать вручную в больших объемах, что затрудняет их интеграцию в структурированные наборы данных.

Извлечение данных с помощью ИИ предлагает практический способ раскрыть эту скрытую информацию. Выявляя, интерпретируя и структурируя данные о владельцах из годовых отчетов и других сложных документов в формате PDF, ИИ может помочь преобразовать неструктурированную информацию в структурированные данные о взаимосвязях. Он также может сравнивать информацию между документами. Это может улучшить поиск и проверку данных уровня 2, способствуя более качественному анализу рисков и принятию решений, а также повышая общее качество и прозрачность Глобальной системы LEI.

Фактически, GLEIF уже использует извлечение данных на основе ИИ для получения данных о взаимосвязях из годовых отчетов и преобразования их в структурированный формат. Это позволяет GLEIF проверять и подтверждать существующую информацию о взаимосвязях в Глобальном каталоге LEI или инициировать обновления там, где это необходимо, вне рамок ежегодного процесса продления. В результате данные о взаимосвязях могут оставаться более актуальными и надежными с течением времени.

Развитие «Transparency Fabric» — совместной инициативы, запущенной GLEIF, Open Ownership и OpenSanctions — в 2025 году также привели к внедрению использования больших языковых моделей (LLM) для извлечения и анализа информации из неструктурированных документов с целью более точного отображения сложных структур владения и поддержки увязки кодов LEI с данными о бенефициарном владении и санкциях.

Как это работает

Автоматизированный процесс выявляет все дочерние компании материнских компаний в PDF-файле годового отчета с помощью многоэтапного процесса LLM:

• Сначала ИИ просматривает отчет и выявляет возможные дочерние компании на основе предоставленных определений и примеров. Затем он проверяет собственные результаты, чтобы выявить потенциальные пробелы, пропущенные дочерние компании или записи, которые могли быть включены неверно.
• После этой проверки результаты дорабатываются в окончательный список в требуемом формате. Это включает удаление ложных срабатываний, добавление пропущенных дочерних компаний, проверку соответствующих ссылок на страницы и стандартизацию таких деталей, как информация о юрисдикции или стране.
• Наконец, сгенерированный ИИ список можно сравнить с выделенным вручную списком для оценки точности, полноты и общего качества.

Это демонстрирует, как ИИ может помочь ускорить извлечение данных о дочерних компаниях из сложных PDF-документов. В то же время сочетание с контролем со стороны человека по-прежнему важно для проверки результатов, повышения качества и обеспечения надежности окончательных данных о взаимосвязях.

Использование надежных данных LEI для улучшения самого ИИ

Хотя ИИ может помочь найти и проверить данные о взаимосвязях уровня 2, надежные данные LEI, в свою очередь, могут улучшить использование методов ИИ для этой задачи.

GLEIF использовала существующие данные LEI и годовые отчеты для оптимизации подсказок с помощью подхода GEPA (Genetic Pareto Reflective Prompt Evolution). Вместо того чтобы гадать, какая подсказка может работать лучше всего, GEPA использует маркированные данные и отзывы людей для разработки более эффективных вариантов подсказок, тестирует их на известных примерах и сохраняет наиболее эффективные компромиссные решения.

Этот подход переводит разработку ИИ из стадии экспериментов в стадию измеримого улучшения. Например, подсказка, усовершенствованная с помощью GEPA, повысила измеримую точность извлеченной информации о взаимосвязях. Еще более интересно то, что после оптимизации меньшая и более дешевая модель показала лучшие результаты, чем более крупная и дорогая модель. Это демонстрирует, что высококачественные данные и структурированная оптимизация часто имеют большее значение, чем использование более крупной модели. Проще говоря, лучшие входные данные создают лучшие результаты.

Сочетание инноваций в области ИИ с надежными основаниями данных

Наиболее ценным результатом извлечения данных о взаимосвязях с помощью ИИ является возможность преобразования фрагментированной раскрываемой информации в надежную, структурированную и пригодную для практического использования аналитику взаимосвязей, что позволяет организациям принимать более обоснованные решения в глобальной экономике.

Тем не менее, надежные рамки, управление и стандартизированные идентификаторы по-прежнему необходимы для обеспечения надежности и применимости этих аналитических данных. Благодаря сочетанию инноваций в области ИИ с надежными основами Глобальной системы LEI появляется возможность значительно повысить качество, охват и удобство использования данных о владельцах и взаимосвязях.

---