أضواء كاشفة: جودة البيانات - البعد 5، قابلية الشرح

سلسلة مقابلات مع Clarity AI الفريق التنفيذي المعني بالأبعاد ال 8 لجودة البيانات

كيف Clarity AI تأكد من أن بياناتها من أعلى مستويات الجودة؟

Clarity AI يستخدم إطار عمل 8 أبعاد لضمان أن تكون البيانات من أعلى مستويات الجودة. هذه الأبعاد هي التغطية ، والنضارة / التوقيت ، والدقة ، وتحديثات البيانات ، وقابلية التفسير ، والاتساق ، والنقطة الزمنية ، والتعليقات. في هذه السلسلة من المقابلات مع Clarity AI المديرين التنفيذيين ، يتم استكشاف كل من هذه الأبعاد وشرحها. Clarity AIيقوم فريق الخبراء بإنشاء منهجيات علمية وقائمة على الأدلة تستفيد بعد ذلك من الذكاء الاصطناعي القوي والقابل للتطوير (مثل التعلم الآلي) لجمع مجموعات البيانات الحالية وتنظيفها وتحليلها وتوسيعها لتشغيل منصة تكنولوجيا الاستدامة الخاصة بها أو للاندماج مباشرة في سير العمل الحالي للمستخدمين.

البعد 5 - قابلية الشرح

Clarity AIنائب رئيس المنتج ، أنخيل أجودو ، رئيس أبحاث المنتجات والابتكار ، باتريشيا بينا ، رئيس استراتيجية البيانات ، خوان دييغو مارتن ، ورئيس علوم البيانات ، رون بوتوك ، يناقشون - مع كريس سيومبي ، Clarity AIالرئيس التنفيذي للتسويق - البعد الحاسم لقابلية التفسير وعلاقته بجودة البيانات. 

كريس سيومبي: مرحبا مرة أخرى ، الجميع. أنخيل ، هل يمكنك تحديد قابلية التفسير فيما يتعلق بجودة البيانات كما تراها؟

Ángel Agudo: واثق. تعد قابلية التفسير بعدا مهما لأنها توفر القدرة على فهم البيانات والثقة بها. إنه مرتبط ارتباطا جوهريا بجودة البيانات. هذا يعني أنه في بعض الأحيان نحتاج إلى تقديم تفسيرات حول سبب نقطة البيانات. قد نقدم معلومات نوعية وليست بالضرورة كمية ، والتي قد يكون من الأسهل فهمها. على سبيل المثال ، قد يكون مرتبطا بسبب تعرض الشركة لنشاط معين ، أو سبب قيامها بإنشاء سياسة معينة. من الضروري العثور على تفسير لسبب ارتباط الشركة بشيء قد لا يكون واضحا في البداية. جانب آخر من قابلية التفسير هو القدرة على العثور على مصدر الحقيقة أو ، بعبارة أخرى ، مصدر كل نقطة بيانات. بهذه الطريقة ، يمكننا الوثوق بالمعلومات والتحقق منها باستمرار. نحن نضمن أن ما نقدمه هو بالضبط ما تبلغ عنه الشركة أو تقدمه ، أو حيث تم استخدام نقطة البيانات التي نعرضها. على سبيل المثال ، في مقال إخباري معين. يساهم الجمع بين كل هذه الجوانب في بناء الثقة في البيانات ، وهو أمر مهم بشكل خاص في سياق يفتقر فيه عملاؤنا غالبا إلى الوضوح بشأن بيانات ESG.

كريس سيومبي: أفهم. هذا مثير للاهتمام. قبل أن أسألك عن الثقة ، أنخيل ، هل يمكن أن تخبرني كيف Clarity AI المنصة تكشف المصدر الوحيد للحقيقة؟

Ángel Agudo: نقوم بتضمين روابط للتقارير حيث يتم الكشف عن المعلومات. يمكن للمستخدمين النقر عليها والوصول إلى المعلومات الفعلية التي تقدمها الشركة. في الحالات التي لا يتم فيها توفير المعلومات مباشرة من قبل الشركة ، ولكن من مصدر خارجي مثل صحيفة أو تقرير منظمة غير حكومية ، فإننا نقدم معلومات سياقية أيضا ، حتى يتمكنوا من التحقق من صحة مصدر الحقيقة وما نقدمه هو بالضبط ما يقوله المصدر الأصلي.

كريس سيومبي: حسنا، فهمت. باتريشيا ، لماذا تعتبر قابلية التفسير مهمة لمستهلكي بيانات الاستدامة؟

باتريشيا بينا: المحللون غارقون في المعلومات هذه الأيام ، وفي كثير من الحالات تم دفع بيانات ESG إليهم ولا يعرفون تماما ماذا يفعلون بها. السؤال الأول الذي سيطرحونه على أنفسهم عند النظر إلى البيانات هو: من أين تأتي هذه البيانات؟ لماذا تمتلك هذه الشركة هذه النتيجة أو القيمة لهذا المقياس؟ ما لم يفهموا المعلومات ويثقون بها ، فمن غير المرجح أن يستخدموها في عملية الاستثمار. لذلك فإن الشفافية وقابلية التفسير أمران أساسيان لدعم نمو الاستثمار المستدام والمنتجات المستدامة. علاوة على ذلك ، لم ترق صناعة ESG إلى المستوى المطلوب من الشفافية. نتيجة لذلك ، لا يفهم العديد من المشاركين في الأسواق المالية ما هي مقاييس بيانات ESG وكيف يتم حساب درجات ESG ، مما يؤدي إلى إساءة استخدامها وارتباك واسع النطاق. ليست كل البيانات والتحليلات مناسبة للغرض ، ستتطلب كل حالة استخدام واستراتيجية استثمار معلومات مختلفة. على سبيل المثال ، تختلف إدارة المخاطر المستمدة من عوامل ESG لتعظيم العوائد المعدلة حسب المخاطر للمحفظة اختلافا كبيرا عن إنشاء منتجات مدفوعة بالتأثير تساهم في تعزيز أهداف بيئية أو اجتماعية محددة.

كريس سيومبي: شكرا. رون ، دعنا ننتقل إلى البيانات المقدرة. كيف Clarity AI شرح البيانات المقدرة؟

رون بوتوك: من الأهمية بمكان بالنسبة لنا أن نتحلى بالشفافية عندما نقوم بتقدير البيانات أو إسنادها. نحن نميز بوضوح بين التقدير والإسناد والبيانات المبلغ عنها. نبدأ بالكشف عن منهجيتنا ، وكيف نبني نماذج التعلم الآلي ، والميزات التي نستفيد منها ، والثقة التي لدينا في التقدير. نحاول شرح كل هذه الميزات ، وهو أكثر ما يهمك. نحن نتحلى بالشفافية بشأن ما إذا كان مقدرا أم لا. نوضح الميزات التي نستخدمها ، وما إذا كانت هذه الميزات معقولة الاستخدام. وأخيرا، نوضح مدى ملاءمة هذه التقديرات للشركات غير المبلغة، في المتوسط. كل ذلك خاص بالصناعة ، حيث أن ما تصنعه وأين تصنعه يميل إلى دفع الكثير من المعلمات البيئية الخاصة بك. نحن نستفيد من هذه الأنواع من الميزات ونكون واضحين بشأن كيفية استخدامها لبناء نماذج التعلم الآلي. موضوع آخر مهم حول التقديرات هو عدد المرات التي نغير فيها نماذج التقدير. يقوم بعض منافسينا بإعادة تدريب نماذجهم كل ثلاثة أشهر ، لكننا نحاول الحفاظ على نفس النموذج بمرور الوقت. نقوم باختباره كل عام للتأكد من أنه لا يزال يتنبأ بدقة لذلك العام وأن الأداء لم ينخفض. نحاول الحفاظ على نفس النموذج عاما بعد عام للحفاظ على الاتساق. ميزات جديدة مثل ما إذا كانت الشركة قد استحوذت على شركة مختلفة أو إذا كانت إيراداتها أو تغييرات موقع الإنتاج ستعطي إجابات مختلفة لتلك السنة ، لكننا نحاول دائما الحفاظ على نفس النموذج.

كريس سيومبي: خوان دييغو ، كيف Clarity AI تأكد من أن بياناتها قابلة للتفسير؟

خوان دييغو مارتين: العنصر الأساسي لقابلية التفسير هو قدرة مستخدمينا أو عملائنا على استجواب البيانات. لدينا أداة قوية للغاية وهي واجهة المستخدم الخاصة بنا ، أو تطبيق ويب أو محطة طرفية ، ونحن معروفون جيدا بتقديم تجربة مستخدم فائقة. يمكن للمستخدمين استجواب البيانات لفهم كيفية بنائها من وجهات نظر منهجية مختلفة. نوضح كيف تم تطوير المنهجية واستخدامها لتوفير جزء معين من المعلومات. كما نقدم أكبر قدر ممكن من البيانات الأولية ، مثل العناصر الرئيسية التي سمحت لنا بإنشاء هذه النتيجة ومعلومات البيانات هذه. الشيء الثالث هو سياق البيانات ، مثل المكان الذي تم جمع البيانات منه ، والمحتوى الفعلي ، والتقرير ، والمعلومات المحددة التي نستخدمها لذلك ، ومتى تاريخ البحث. نحن نعمل على المزيد من الميزات المتعلقة بقابلية الشرح والتي ستساعد المستخدمين على توقع التغييرات وفهم سبب حدوث هذه التغييرات. في الأساس ، يتعلق الأمر بالسماح للمستخدمين بطرح الأسئلة وجعل النظام جاهزا للإجابة عليها.

كريس سيومبي: حسنا ، الكثير من تعليقات المستخدمين هي ما أسمعه. هل هذا صحيح؟

خوان دييغو مارتين: إنها بيانات من المستخدمين ، ولأسباب تتعلق بالامتثال ، لا يمكننا دائما استخدام هذه المعلومات. ولكن بالطبع ، يتم أخذ تجميع جوانب قابلية الاستخدام في الاعتبار للتحسين بمرور الوقت.

كريس سيومبي: حسنا ، أنا أفهم. حسنا ، رون ، تحدثنا قليلا عن التقديرات بالفعل. ولكن هل هناك طرق أخرى؟

رون بوتوك: نعم ، نحن الآن نستفيد من قوة نماذج الذكاء الاصطناعي التوليدية الجديدة لتقديم تفسيرات أكثر كفاءة بالنظر إلى البيانات التي وجدناها عن الشركات من تقارير الاستدامة و / أو التقارير المالية ، وما إلى ذلك. نحن نستخدم بياناتنا جنبا إلى جنب مع تقنيات الذكاء الاصطناعي التوليدية لإعطاء المزيد من الألوان وتفسيرات أكثر كفاءة للمعلومات التي نحاول تقديمها. هذا منطقي ويبدو أنه يعمل.

كريس سيومبي: شكرا للجميع!