Spotlight: Διάσταση 8, Ανατροφοδότηση
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 8 - Ανατροφοδότηση
Clarity AIο Αντιπρόεδρος Προϊόντος, Ángel Agudo, η Επικεφαλής Έρευνας και Καινοτομίας Προϊόντος, Patricia Pina, ο Επικεφαλής Στρατηγικής Δεδομένων, Juan Diego Martin, και ο Επικεφαλής Επιστήμης Δεδομένων, Ron Potok, συζητούν - με τον Chris Ciompi, Διευθυντή Μάρκετινγκ του Clarity AI- την κρίσιμη διάσταση της ανατροφοδότησης και τη σχέση της με την ποιότητα των δεδομένων.
Chris Ciompi: Ciompi: Γεια σας και πάλι, ομάδα. Μιλάμε σήμερα για την ανατροφοδότηση σε σχέση με την ποιότητα των δεδομένων. Ángel, μπορείς σε παρακαλώ να εξηγήσεις τη σχέση μεταξύ της ανατροφοδότησης και της ποιότητας των δεδομένων;
Ángel Agudo: Αγκούντο: Φυσικά. Η βελτίωση της ποιότητας των δεδομένων είναι μια επαναληπτική διαδικασία και πρέπει να διασφαλίσουμε ότι καταγράφουμε κάθε πιθανή ανατροφοδότηση σχετικά με τα δεδομένα μας. Είναι σημαντικό να διατηρούμε έναν ανοιχτό δίαυλο με τους πελάτες μας, ώστε να μπορούν να παρέχουν πρόσθετες πληροφορίες ή να εκφράζουν ανησυχίες σχετικά με ένα σημείο δεδομένων. Με αυτόν τον τρόπο, μπορούμε να μαθαίνουμε από αυτούς και να παρέχουμε πρόσθετες εξηγήσεις ή να αντιμετωπίζουμε γρήγορα τυχόν προβλήματα.
Chris Ciompi: Ciompi: Καταλαβαίνω. Θα μπορούσατε να εξηγήσετε τη διαδικασία λήψης ανατροφοδότησης;
Ángel Agudo: Βέβαια, στο εργαλείο μας, υπάρχει η δυνατότητα να αναφέρετε ανατροφοδότηση για κάθε σημείο δεδομένων. Οι χρήστες μπορούν να επιλέξουν μια προκαθορισμένη απάντηση ή να συμπεριλάβουν το δικό τους μήνυμα για να θέσουν προβληματισμούς ή να παράσχουν πρόσθετες πληροφορίες. Μόλις λάβουμε ανατροφοδότηση από τον πελάτη, θέτουμε σε εφαρμογή τις εσωτερικές μας διαδικασίες για να ενεργήσουμε ανάλογα ή να παράσχουμε μια εξήγηση για να βοηθήσουμε τον χρήστη να κατανοήσει καλύτερα τα δεδομένα. Εάν εντοπίσουμε κάποιο λάθος, αντιδρούμε αμέσως για να διορθώσουμε το σημείο δεδομένων.
Chris Ciompi: Ciompi: Σας ευχαριστώ για τη διευκρίνιση. Patricia, γιατί είναι σημαντική η ανατροφοδότηση για τους καταναλωτές των δεδομένων βιωσιμότητας;
Patricia Pina: Όπως αναφέρθηκε σε προηγούμενες συνεντεύξεις, οι καταναλωτές των δεδομένων βιωσιμότητας πρέπει να εμπιστεύονται τα δεδομένα για να αισθάνονται άνετα να τα χρησιμοποιούν στις διαδικασίες λήψης αποφάσεων. Στον κλάδο της διαχείρισης περιουσιακών στοιχείων, για παράδειγμα, μιλάμε συχνά με αναλυτές θεμελιωδών ερευνών που είναι βαθιά εξοικειωμένοι με τις εταιρείες που καλύπτουμε. Θα αξιολογήσουν τα δεδομένα μας σε σχέση με τα προκαταρκτικά τους δεδομένα για την εν λόγω εταιρεία και θα αμφισβητήσουν οτιδήποτε δεν τους φαίνεται σωστό. Είναι ζωτικής σημασίας να έχουν ένα κανάλι εύκολης πρόσβασης, όπου μπορούν να μοιράζονται τις ερωτήσεις τους και να λαμβάνουν απαντήσεις. Σε ορισμένες περιπτώσεις συναντάμε διαφορές ως προς τον τρόπο με τον οποίο οι πελάτες ορίζουν ορισμένες έννοιες που σχετίζονται με τη βιωσιμότητα. Ας χρησιμοποιήσουμε το παράδειγμα των ανοιγμάτων: οι εταιρείες που δραστηριοποιούνται σε τυπικά αμφιλεγόμενες δραστηριότητες, όπως ο καπνός, το αλκοόλ ή τα ορυκτά καύσιμα; Διαφορετικοί πελάτες έχουν διαφορετικούς τρόπους να ορίζουν τι συνιστά έκθεση όταν πρόκειται για χρηματοοικονομικές θυγατρικές, λειτουργικές θυγατρικές ή επενδύσεις μειοψηφίας. Αυτές οι αποχρώσεις αποκαλύπτονται συχνά όταν συγκεκριμένα σημεία δεδομένων για συγκεκριμένες εταιρείες αμφισβητούνται μέσω των μηχανισμών ανατροφοδότησης. Οι συζητήσεις αυτές μας βοηθούν να διασφαλίσουμε ότι τα προϊόντα μας ανταποκρίνονται στις ανάγκες των πελατών. Το αποτέλεσμα αυτών των συζητήσεων είναι συχνά η επέκταση και η προσθήκη περαιτέρω ευελιξίας και προσαρμογής στα προϊόντα μας.
Chris Ciompi: Ciompi: Υπέροχα. Juan Diego, μπορείς να εξηγήσεις πώς το Clarity AI διασφαλίζει ότι τα δεδομένα του ενσωματώνουν ανατροφοδότηση;
Juan Diego Martín: Ναι, εκτός από κανάλια όπως το δικό μας συμβουλευτικό συμβούλιο πελατών και τις συνεχείς συζητήσεις με τους πελάτες μας, έχουμε μια λειτουργία που επιτρέπει την άμεση ανατροφοδότηση σχετικά με τα δεδομένα που λείπουν ή τις αποκλίσεις δεδομένων. Αντιμετωπίζουμε αμέσως τυχόν προβλήματα και συχνά διαπιστώνουμε ότι οφείλονται σε διαφορετικές μεθοδολογικές προσεγγίσεις. Συνεδριάζουμε με τους πελάτες μας για να διασφαλίσουμε την ευθυγράμμιση και μαθαίνουμε από κάθε ανατροφοδότηση που λαμβάνουμε.
Chris Ciompi: Μπορείς να μου δώσεις ένα παράδειγμα από κάτι που έχει έρθει πρόσφατα και που κατά κάποιο τρόπο απεικονίζει αυτό που μόλις είπες;
Juan Diego Martín: Ναι, υπάρχουν περιπτώσεις όπου, για παράδειγμα, ο πελάτης μας χρησιμοποιεί άλλον πάροχο και εντοπίζει αποκλίσεις στα δεδομένα. Έχουμε καταφέρει να εντοπίσουμε ότι τα δεδομένα αντλήθηκαν από προηγούμενο έτος και αποδόθηκαν στο τρέχον έτος χωρίς ειδοποίηση ή εξήγηση. Ή ίσως οι πληροφορίες αναφέρθηκαν για το σύνολο του CO2, αλλά δεν αναφέρθηκε ο διαχωρισμός μεταξύ του πεδίου εφαρμογής 1 και του πεδίου εφαρμογής 2. Σε αυτή την περίπτωση, ο άλλος πάροχος δεν ήταν διαφανής, ενώ εμείς φροντίζουμε να αναφέρεται ρητά. Κάποτε, απευθυνθήκαμε σε έναν γνωστό πάροχο δεδομένων και εντοπίσαμε 400 σημεία δεδομένων που είχαν μεθοδολογικά σφάλματα. Αυτό είναι κάτι που συμβαίνει συνεχώς. Επιστρέφοντας στο παράδειγμά μου για τα δεδομένα που αναφέρονταν ως παγκόσμια, αλλά έλειπαν οι εκπομπές: αυτό είναι ένα μεγάλο πράγμα και έχει αντίκτυπο στη βαθμολογία της συγκεκριμένης εταιρείας. Αυτή είναι μια συζήτηση που θα έλεγα ότι κάνουμε κάθε εβδομάδα.
Chris Ciompi: Ciompi: Τέλεια, τέλεια. Σας ευχαριστώ. Ο Ron σε σένα. Πώς επηρεάζει η ανατροφοδότηση που λαμβάνουμε σχετικά με την ποιότητα των δεδομένων την ΤΝ ή πώς την επηρεάζει η ΤΝ;
Ron Potok: Potok: Πρώτον, νομίζω ότι ίσως θα ήταν χρήσιμο να αναδιατυπώσουμε την ανατροφοδότηση ως ανταπόκριση. Έτσι, στα μάτια μου, πόσο ανταποκρινόμαστε σε ένα αίτημα ή μια αλλαγή σε σύγκριση με τους ανταγωνιστές μας και σε σύγκριση με τα πρότυπα του κλάδου; Διαθέτουμε κάποια κανάλια ανταπόκρισης, και αναφέραμε λίγο τη δυνατότητα αμφισβήτησης ή υποβολής ερωτήσεων σχετικά με συγκεκριμένα σημεία δεδομένων. Αυτό οφείλεται στο γεγονός ότι στην διαδικτυακή μας εφαρμογή, μπορείτε να έχετε πρόσβαση στα ακατέργαστα δεδομένα που σχετίζονται με αυτά και να τα αμφισβητήσετε. Αυτές οι προκλήσεις είναι πολύ γρήγορες. Ένα από τα μοναδικά πράγματα που διαθέτουμε είναι, για παράδειγμα, στη μηχανή ειδήσεων για τις διαμάχες, έχουμε πολύ υψηλή ανταπόκριση στις διαμάχες που δεν έχουν γίνει γνωστές ή έχουν ταξινομηθεί λανθασμένα. Αυτά τα παραδείγματα βελτιώνουν πραγματικά το μοντέλο μας. Έτσι, θα χρησιμοποιήσουμε αυτά τα παραδείγματα έτσι ώστε το μοντέλο όχι μόνο να τα διορθώσει αμέσως μέσω των ανθρώπων, αλλά στη συνέχεια το μοντέλο θα μάθει από αυτά τα παραδείγματα και δεν θα κάνει ξανά το ίδιο λάθος. Αυτό είναι ένα πολύ σημαντικό παράδειγμα για το πώς συμπεριλαμβάνουμε την ανατροφοδότηση των πελατών, των χρηστών και των ανθρώπων στη βελτίωση, ώστε την επόμενη φορά το μοντέλο να μάθει λίγο περισσότερα για τη διαμάχη. Ποια είναι η σοβαρότητά της; Πώς αποδίδεται; Ένα άλλο παράδειγμα ανταπόκρισης ήταν το πλεονέκτημά μας στην ανταπόκριση στις κανονιστικές αλλαγές. Έτσι, αυτό είναι μια παρενέργεια, αλλά κάτι στο οποίο το Clarity AI ήταν πολύ καλό είναι να συμβαδίζει με τις τελευταίες αλλαγές στους κανονισμούς, και παραδείγματα αυτού είναι το προϊόν μας SFDR .
Chris Ciompi: Ciompi: Ας μιλήσουμε για τα σχόλια που προέρχονται από τις ρυθμιστικές αρχές και τα σχόλια που δεν σχετίζονται άμεσα με τα δεδομένα μας, αλλά με το οικοσύστημα στο οποίο παίζουμε. Πώς λειτουργεί το σύστημά μας σε αυτό;
Ron Potok: Νομίζω ότι υπάρχουν πολλοί τρόποι να το δούμε αυτό. Θα ξεκινήσω με το πώς το κάνουμε εμείς. Ορισμένες από τις SFDR PAIs [Principal Adverse Impact], για παράδειγμα, σχετίζονταν με αντιπαραθέσεις από εταιρείες που υφίστανται, για παράδειγμα, δωροδοκία, διαφθορά ή θέτουν σε κίνδυνο τη βιοποικιλότητα. Αυτά είναι καλά παραδείγματα δεικτών κύριων δυσμενών επιπτώσεων όπου η ρυθμιστική αρχή είπε: "Ναι, οι ειδήσεις μπορούν να παρέχουν πληροφορίες σχετικά με εταιρείες που παραβιάζουν αυτούς τους δείκτες PAI". Αλλά ήταν πολύ συγκεκριμένη ως προς τη γλώσσα των παραβιάσεων, σωστά; Οι ρυθμιστικές αρχές, αντί να το αντιστοιχίσουν ακριβώς στον ορισμό του Clarity AIγια το περιστατικό δωροδοκίας και διαφθοράς, χρησιμοποίησαν μια πολύ συγκεκριμένη γλώσσα. Αντί να χρειαστεί να εκπαιδεύσουμε χιλιάδες αναλυτές να ξαναδιαβάσουν όλα τα άρθρα που σχετίζονται με αυτά τα περιστατικά και να τα επισημάνουν είτε πρόκειται για παραβίαση PAI είτε όχι, εκπαιδεύσαμε εκ νέου το μοντέλο για να επισημάνει τα άρθρα κατάλληλα, ευθυγραμμισμένα με τις τελευταίες ρυθμιστικές οδηγίες. Αλλά στη συνέχεια, επιπλέον, έπρεπε να αξιολογήσουμε το επίπεδο της παραβίασης. Ήμασταν σε θέση να το κάνουμε αυτό πολύ γρήγορα και να παρέχουμε πολύ υψηλή κάλυψη και πολύ έγκαιρες πληροφορίες σε πολύ σύντομο χρονικό διάστημα.
Chris Ciompi: Δεν νομίζω ότι μας έρχεται αμέσως στο μυαλό όταν ακούμε ανατροφοδότηση. Νομίζουμε ότι είναι από άτομο σε άτομο και όχι ότι, ξέρετε, το οικοσύστημα αλλάζει πραγματικά και δίνει ανατροφοδότηση για το τι πρέπει να κάνουμε. Εντάξει, οποιοιδήποτε άλλοι τρόποι με τους οποίους η ανατροφοδότηση των πελατών θα μπορούσε να επηρεάσει αυτό που βλέπουμε στην πραγματικότητα στην ίδια την πλατφόρμα λογισμικού.
Ángel Agudo: Πιστεύω ότι η πιο σαφής σύνδεση γίνεται μέσω της διαδικασίας που περιέγραψα προηγουμένως. Συλλέγουμε τα σχόλια όλων των πελατών μας για κάθε χαρακτηριστικό, τα οποία περιλαμβάνονται συνεχώς στη διαδικασία επικύρωσης του προϊόντος, ανακάλυψης νέων χαρακτηριστικών και τελικά ενσωμάτωσης νέων λειτουργιών.
Chris Ciompi: Υπάρχει κάτι σχετικά με την ανατροφοδότηση σε μια ενότητα της πλατφόρμας που μπορεί να επηρεάσει όλες τις ενότητες;
Ángel Agudo: Επιστρέφοντας στο το θέμα της συνέπειας, πιστεύω ότι είναι σαφές ότι, για παράδειγμα, όταν υπάρχει μια διάσταση που επηρεάζεται από την ανατροφοδότηση, κάνουμε αμέσως τις απαραίτητες αλλαγές σε όλες τις ενότητες. Θα μπορούσε να αφορά τα δεδομένα καθαυτά, τη μεθοδολογία...
Chris Ciompi: Αυτό που ακούω είναι ότι, από τη σκοπιά του πελάτη, υπάρχει η διαβεβαίωση ότι αν αλλάξει μια μονάδα, βαθμονομείται αρκετά γρήγορα, αν όχι αμέσως, με άλλες μονάδες. Αντίθετα, αν είχαμε διαφορετικές ανθρώπινες ομάδες που έκαναν κάθε ενότητα ή κομμάτια κάθε ενότητας, αυτό μπορεί να μην προκύψει από την άποψη της διακυβέρνησης μέχρι το επόμενο τρίμηνο. Όλα εντάξει. Θέλω να κάνω μια ακόμη ερώτηση σχετικά με αυτό. Υπάρχει κάτι σχετικά με την κλίμακα, σωστά; Είτε πρόκειται για ένα κομμάτι ανατροφοδότησης από έναν πελάτη είτε για ανατροφοδότηση που προέρχεται από το οικοσύστημα, με τους κανονισμούς να αλλάζουν. Πώς μπορεί η πλατφόρμα μας να αντιμετωπίσει όλα αυτά τα πράγματα σε κλίμακα;
Ángel Agudo: Μπορούμε να το χωρίσουμε σε κομμάτια. Το ένα είναι το λειτουργικό. Όταν καταγράφουμε διαφορετικές απόψεις, για παράδειγμα, όταν μιλάμε με πελάτες, μπορεί να λαμβάνουμε ανατροφοδότηση από πολλούς πελάτες ταυτόχρονα και για το ίδιο θέμα. Χρησιμοποιούμε την τεχνολογία για να μας βοηθήσει να συγκεντρώσουμε τα πάντα με τον πιο αποτελεσματικό τρόπο, να συγκεντρώσουμε τις πληροφορίες και να αξιολογήσουμε τις διαφορετικές απόψεις για να λάβουμε έγκαιρα μια απόφαση. Από την άποψη της διαδικασίας, το θέμα είναι η συνεπής μεταφορά αυτής της ανατροφοδότησης στο εργαλείο. Έχουμε κατασκευάσει το εργαλείο με τρόπο που συνδέει όλα τα κομμάτια, και η τεχνολογία μας βοηθά να ενσωματώνουμε αμέσως την ανατροφοδότηση σε κάθε σημείο όπου το συγκεκριμένο σημείο δεδομένων, η μέτρηση ή η εταιρεία βρίσκεται εντός της πλατφόρμας.
Chris Ciompi: Ciompi: Ευχαριστώ για τις ιδέες, όλοι!
