Spotlight: Διάσταση 5, Εξηγησιμότητα
Σειρά συνεντεύξεων με την εκτελεστική ομάδα του Clarity AI σχετικά με τις 8 διαστάσεις της ποιότητας δεδομένων
Πώς διασφαλίζει το Clarity AI ότι τα δεδομένα του είναι υψηλής ποιότητας;
Clarity AI χρησιμοποιεί ένα πλαίσιο 8 διαστάσεων για να διασφαλίσει ότι τα δεδομένα είναι υψηλής ποιότητας. Οι διαστάσεις αυτές είναι η κάλυψη, η φρεσκάδα/επικαιρότητα, η ακρίβεια, οι ενημερώσεις δεδομένων, η επεξηγηματικότητα, η συνέπεια, το χρονικό σημείο και η ανατροφοδότηση. Σε αυτή τη σειρά συνεντεύξεων με στελέχη του Clarity AI , διερευνάται και εξηγείται κάθε μία από αυτές τις διαστάσεις. Clarity AIΗ ομάδα εμπειρογνωμόνων της εταιρείας δημιουργεί μεθοδολογίες βασισμένες σε επιστημονικά και αποδεικτικά στοιχεία, οι οποίες στη συνέχεια αξιοποιούν την ισχυρή, κλιμακούμενη τεχνητή νοημοσύνη (π.χ. μηχανική μάθηση) για τη συλλογή, τον καθαρισμό, την ανάλυση και την επέκταση των υφιστάμενων συνόλων δεδομένων για την τροφοδοσία της τεχνολογικής πλατφόρμας βιωσιμότητας ή για την ενσωμάτωση απευθείας στις υφιστάμενες ροές εργασίας των χρηστών.
Διάσταση 5 - Εξηγησιμότητα
Clarity AIο αντιπρόεδρος του τμήματος προϊόντος, Ángel Agudo, η επικεφαλής του τμήματος έρευνας και καινοτομίας προϊόντων, Patricia Pina, ο επικεφαλής του τμήματος στρατηγικής δεδομένων, Juan Diego Martin, και ο επικεφαλής του τμήματος επιστήμης δεδομένων, Ron Potok, συζητούν - με τον Chris Ciompi, διευθυντή μάρκετινγκ του Clarity AI- την κρίσιμη διάσταση της επεξηγηματικότητας και τη σχέση της με την ποιότητα των δεδομένων.
Chris Ciompi: Ciompi: Γεια σας και πάλι σε όλους. Ángel, θα μπορούσατε να ορίσετε την επεξηγηματικότητα σε σχέση με την ποιότητα των δεδομένων, όπως την βλέπετε;
Ángel Agudo: Βέβαια. Η επεξηγηματικότητα είναι μια κρίσιμη διάσταση, διότι παρέχει την ικανότητα κατανόησης και εμπιστοσύνης στα δεδομένα. Είναι άρρηκτα συνδεδεμένη με την ποιότητα των δεδομένων. Σημαίνει ότι μερικές φορές πρέπει να παρέχουμε εξηγήσεις σχετικά με τον λόγο για ένα σημείο δεδομένων. Μπορεί να παρέχουμε πληροφορίες που είναι ποιοτικές και όχι απαραίτητα ποσοτικές, οι οποίες μπορεί να είναι ευκολότερα κατανοητές. Για παράδειγμα, μπορεί να σχετίζονται με το γιατί μια εταιρεία εκτίθεται σε μια συγκεκριμένη δραστηριότητα ή γιατί παράγει μια συγκεκριμένη πολιτική. Είναι σημαντικό να βρούμε μια εξήγηση για το γιατί μια εταιρεία συνδέεται με κάτι που μπορεί να μην είναι εμφανές στην αρχή. Μια άλλη πτυχή της εξηγησιμότητας είναι να μπορεί κανείς να βρει την πηγή της αλήθειας ή, με άλλα λόγια, την πηγή για κάθε σημείο δεδομένων. Με αυτόν τον τρόπο, μπορούμε να εμπιστευόμαστε και να επαληθεύουμε συνεχώς τις πληροφορίες. Διασφαλίζουμε ότι αυτό που παρουσιάζουμε είναι ακριβώς αυτό που αναφέρει ή παρέχει η εταιρεία ή πού έχει χρησιμοποιηθεί το σημείο δεδομένων που παρουσιάζουμε. Για παράδειγμα, σε ένα συγκεκριμένο ειδησεογραφικό άρθρο. Ο συνδυασμός όλων αυτών των πτυχών συμβάλλει στην οικοδόμηση εμπιστοσύνης στα δεδομένα, κάτι που είναι ιδιαίτερα σημαντικό σε ένα πλαίσιο όπου οι πελάτες μας συχνά δεν έχουν σαφήνεια όσον αφορά τα δεδομένα ESG.
Chris Ciompi: Ciompi: Καταλαβαίνω. Αυτό είναι ενδιαφέρον. Πριν σε ρωτήσω για την εμπιστοσύνη, Ángel, μπορείς να μου πεις πώς η πλατφόρμα Clarity AI αποκαλύπτει την ενιαία πηγή της αλήθειας;
Ángel Agudo: Συμπεριλαμβάνουμε συνδέσμους προς τις εκθέσεις όπου αποκαλύπτονται οι πληροφορίες. Οι χρήστες μπορούν να κάνουν κλικ σε αυτούς και να έχουν πρόσβαση στις πραγματικές πληροφορίες που παρέχει η εταιρεία. Στις περιπτώσεις που οι πληροφορίες δεν παρέχονται απευθείας από την εταιρεία, αλλά από εξωτερική πηγή, όπως μια εφημερίδα ή μια έκθεση ΜΚΟ, παρέχουμε επίσης πληροφορίες σχετικά με το πλαίσιο, ώστε να μπορούν να επαληθεύσουν ότι η πηγή αλήθειας είναι σωστή και ότι αυτό που παρουσιάζουμε είναι ακριβώς αυτό που αναφέρει η αρχική πηγή.
Chris Ciompi: Ciompi: Εντάξει, καταλαβαίνω. Patricia, γιατί η επεξηγηματικότητα είναι σημαντική για τους καταναλωτές των δεδομένων βιωσιμότητας;
Patricia Pina: Σε πολλές περιπτώσεις, τα δεδομένα ESG τους έχουν προωθηθεί και δεν γνωρίζουν πλήρως τι να τα κάνουν. Το πρώτο ερώτημα που θα θέσουν στον εαυτό τους όταν εξετάζουν τα δεδομένα είναι: από πού προέρχονται αυτά τα δεδομένα; Γιατί αυτή η εταιρεία έχει αυτή τη βαθμολογία ή την τιμή για αυτή τη μέτρηση; Αν δεν κατανοήσουν τις πληροφορίες και δεν τις εμπιστευτούν, είναι απίθανο να τις χρησιμοποιήσουν στην επενδυτική διαδικασία. Επομένως, η διαφάνεια και η επεξηγηματικότητα αποτελούν το κλειδί για την υποστήριξη της ανάπτυξης των βιώσιμων επενδύσεων και των βιώσιμων προϊόντων. Επιπλέον, η βιομηχανία ESG δεν έχει ανταποκριθεί στο απαιτούμενο επίπεδο διαφάνειας. Ως αποτέλεσμα, πολλοί συμμετέχοντες στη χρηματοπιστωτική αγορά δεν κατανοούν τι μετρούν τα δεδομένα ESG και πώς υπολογίζονται οι βαθμολογίες ESG, γεγονός που οδηγεί σε κακή χρήση τους και σε εκτεταμένη σύγχυση. Δεν είναι όλα τα δεδομένα και οι αναλύσεις κατάλληλα για το σκοπό τους, κάθε περίπτωση χρήσης και επενδυτική στρατηγική απαιτεί διαφορετικές πληροφορίες. Για παράδειγμα, η διαχείριση των κινδύνων που απορρέουν από παράγοντες ESG για τη μεγιστοποίηση των προσαρμοσμένων στον κίνδυνο αποδόσεων ενός χαρτοφυλακίου είναι πολύ διαφορετική από τη δημιουργία προϊόντων με γνώμονα τον αντίκτυπο που συμβάλλουν στην προώθηση συγκεκριμένων περιβαλλοντικών ή κοινωνικών στόχων.
Chris Ciompi: Ciompi: Ευχαριστώ. Ron, ας προχωρήσουμε στα εκτιμώμενα δεδομένα. Πώς εξηγεί το Clarity AI τα εκτιμώμενα δεδομένα;
Ron Potok: Είναι ζωτικής σημασίας για εμάς να είμαστε διαφανείς σχετικά με το πότε εκτιμούμε ή υπολογίζουμε δεδομένα. Κάνουμε σαφή διάκριση μεταξύ της εκτίμησης, του υπολογισμού και των αναφερόμενων δεδομένων. Ξεκινάμε αποκαλύπτοντας τη μεθοδολογία μας, τον τρόπο με τον οποίο δημιουργούμε μοντέλα μηχανικής μάθησης, τα χαρακτηριστικά που αξιοποιούμε και την εμπιστοσύνη που έχουμε στην εκτίμηση. Προσπαθούμε να εξηγήσουμε όλα αυτά τα χαρακτηριστικά, τα οποία είναι αυτά που σας ενδιαφέρουν περισσότερο. Είμαστε διαφανείς σχετικά με το αν πρόκειται για εκτίμηση ή όχι. Εξηγούμε ποια χαρακτηριστικά χρησιμοποιούμε και αν αυτά τα χαρακτηριστικά είναι λογικό να χρησιμοποιούνται. Τέλος, εξηγούμε πόσο καλά αυτές οι εκτιμήσεις ταιριάζουν στις εταιρείες που δεν υποβάλλουν εκθέσεις, κατά μέσο όρο. Όλα αυτά είναι ειδικά για τον κλάδο, καθώς το τι κατασκευάζετε και πού το κατασκευάζετε τείνει να καθορίζει πολλές από τις περιβαλλοντικές σας παραμέτρους. Αξιοποιούμε αυτούς τους τύπους χαρακτηριστικών και είμαστε σαφείς σχετικά με το πώς τα χρησιμοποιούμε για τη δημιουργία μοντέλων μηχανικής μάθησης. Ένα άλλο σημαντικό θέμα σχετικά με τις εκτιμήσεις είναι το πόσο συχνά αλλάζουμε τα μοντέλα εκτίμησης. Ορισμένοι από τους ανταγωνιστές μας επανεκπαιδεύουν τα μοντέλα τους κάθε τρίμηνο, αλλά εμείς προσπαθούμε να διατηρήσουμε το ίδιο μοντέλο με την πάροδο του χρόνου. Το δοκιμάζουμε κάθε χρόνο για να διασφαλίσουμε ότι εξακολουθεί να προβλέπει με ακρίβεια για το συγκεκριμένο έτος και ότι η απόδοση δεν έχει μειωθεί. Προσπαθούμε να διατηρούμε το ίδιο μοντέλο χρόνο με το χρόνο για να διατηρούμε τη συνέπεια. Νέα χαρακτηριστικά, όπως αν η εταιρεία εξαγοράσει μια διαφορετική εταιρεία ή αν αλλάξουν τα έσοδα ή η τοποθεσία παραγωγής της, θα δώσουν διαφορετικές απαντήσεις για το συγκεκριμένο έτος, αλλά προσπαθούμε πάντα να διατηρούμε το ίδιο μοντέλο.
Chris Ciompi: Juan Diego, πώς διασφαλίζει το Clarity AI ότι τα δεδομένα του είναι εξηγήσιμα;
Χουάν Ντιέγκο Μαρτίν: Το βασικό στοιχείο της επεξηγηματικότητας είναι η δυνατότητα των χρηστών ή των πελατών μας να εξετάζουν τα δεδομένα. Διαθέτουμε ένα πολύ ισχυρό εργαλείο, το οποίο είναι η διεπαφή χρήστη, μια διαδικτυακή εφαρμογή ή ένα τερματικό, και είμαστε πολύ καλά αναγνωρισμένοι για την προσφορά μιας ανώτερης εμπειρίας χρήστη. Οι χρήστες μπορούν να διερευνήσουν τα δεδομένα για να κατανοήσουν τον τρόπο με τον οποίο έχουν κατασκευαστεί από διαφορετικές μεθοδολογικές προοπτικές. Εξηγούμε πώς αναπτύχθηκε και χρησιμοποιήθηκε η μεθοδολογία για την παροχή μιας συγκεκριμένης πληροφορίας. Παρέχουμε επίσης όσο το δυνατόν περισσότερα ακατέργαστα δεδομένα, όπως τα κύρια στοιχεία που μας επέτρεψαν να δημιουργήσουμε αυτή τη βαθμολογία και αυτές τις πληροφορίες δεδομένων. Το τρίτο πράγμα είναι το πλαίσιο σχετικά με τα δεδομένα, όπως το από πού έχουν συλλεχθεί τα δεδομένα, το πραγματικό περιεχόμενο, η έκθεση, οι συγκεκριμένες πληροφορίες που χρησιμοποιούμε γι' αυτό, και πότε η ημερομηνία της έρευνας. Εργαζόμαστε πάνω σε πολύ περισσότερα χαρακτηριστικά που σχετίζονται με την επεξηγηματικότητα, τα οποία θα βοηθήσουν τους χρήστες να προβλέψουν τις αλλαγές και να κατανοήσουν γιατί συμβαίνουν αυτές οι αλλαγές. Βασικά, πρόκειται για το να επιτρέπουμε στους χρήστες να θέτουν ερωτήσεις και να καθιστούμε το σύστημα έτοιμο να τις απαντήσει.
Chris Ciompi: Ciomi: Εντάξει, αυτό που ακούω είναι πολλά σχόλια από τους χρήστες. Είναι σωστό αυτό;
Juan Diego Martín: Πρόκειται για δεδομένα από χρήστες και για λόγους συμμόρφωσης δεν μπορούμε πάντα να χρησιμοποιούμε αυτές τις πληροφορίες. Αλλά φυσικά, η συγκέντρωση των πτυχών της ευχρηστίας λαμβάνεται υπόψη για τη βελτίωση με την πάροδο του χρόνου.
Chris Ciompi: Ciompi: Εντάξει, καταλαβαίνω. Εντάξει, Ron, μιλήσαμε ήδη λίγο για τις εκτιμήσεις. Αλλά υπάρχουν και άλλοι τρόποι;
Ron Potok: Ναι, τώρα αξιοποιούμε τη δύναμη των νέων μοντέλων τεχνητής νοημοσύνης για να δίνουμε πιο αποτελεσματικές εξηγήσεις με βάση τα δεδομένα που έχουμε βρει για τις εταιρείες από τις εκθέσεις βιωσιμότητας ή/και τις οικονομικές εκθέσεις τους κ.λπ. Χρησιμοποιούμε τα δεδομένα μας σε συνδυασμό με τις τεχνολογίες δημιουργικής τεχνητής νοημοσύνης για να δώσουμε πιο έγχρωμες και πιο αποτελεσματικές εξηγήσεις για τις πληροφορίες που προσπαθούμε να παρέχουμε. Αυτό είναι λογικό και φαίνεται να λειτουργεί.
Chris Ciompi: Ciompi: Σας ευχαριστώ όλους!
