Riflettori puntati: Qualità dei dati - Dimensione 8, Feedback

Una serie di interviste con il team esecutivo di Clarity AI sulle 8 dimensioni della qualità dei dati

Come fa Clarity AI a garantire che i suoi dati siano della massima qualità?

Clarity AI utilizza una struttura a 8 dimensioni per garantire la massima qualità dei dati. Tali dimensioni sono: copertura, freschezza / tempestività, accuratezza, aggiornamento dei dati, spiegabilità, coerenza, puntualità e feedback. In questa serie di interviste ai dirigenti di Clarity AI , ciascuna di queste dimensioni viene esplorata e spiegata. Clarity AIIl team di esperti di crea metodologie scientifiche e basate su prove che poi sfruttano un'intelligenza artificiale potente e scalabile (ad esempio, l'apprendimento automatico) per raccogliere, pulire, analizzare ed espandere i set di dati esistenti per alimentare la sua piattaforma tecnologica per la sostenibilità o per integrarla direttamente nei flussi di lavoro esistenti degli utenti.

Dimensione 8 - Feedback

Clarity AIÁngel Agudo, VP Product, Patricia Pina, Head of Product Research & Innovation, Juan Diego Martin, Head of Data Strategy, e Ron Potok, Head of Data Science, discutono con Chris Ciompi, Chief Marketing Officer di Clarity AI, la dimensione critica del feedback e la sua relazione con la qualità dei dati. 

Chris Ciompi: Salve di nuovo, team. Oggi parliamo di feedback in relazione alla qualità dei dati. Ángel, puoi spiegare la relazione tra feedback e qualità dei dati?

Ángel Agudo: Certamente. Il miglioramento della qualità dei dati è un processo iterativo e dobbiamo assicurarci di catturare ogni potenziale feedback sui nostri dati. È essenziale mantenere un canale aperto con i nostri clienti, in modo che possano fornire ulteriori informazioni o sollevare dubbi su un dato. In questo modo, possiamo imparare da loro e fornire ulteriori spiegazioni o risolvere rapidamente eventuali problemi.

Chris Ciompi: Capisco. Può spiegare il processo di ricezione dei feedback?

Ángel Agudo: Certo, all'interno del nostro strumento c'è un'opzione per segnalare il feedback per ogni punto dati. Gli utenti possono selezionare una risposta predeterminata o includere il proprio messaggio per sollevare dubbi o fornire ulteriori informazioni. Una volta ricevuto il feedback dal cliente, mettiamo in atto i nostri processi interni per agire di conseguenza o per fornire una spiegazione che aiuti l'utente a comprendere meglio i dati. Se individuiamo un errore, reagiamo immediatamente per correggere il dato.

Chris Ciompi: Grazie per il chiarimento. Patricia, perché il feedback è importante per i consumatori di dati sulla sostenibilità?

Patricia Pina: Come già detto in precedenti interviste, i consumatori di dati sulla sostenibilità devono fidarsi dei dati per sentirsi a proprio agio nell'utilizzarli nei loro processi decisionali. Nel settore della gestione patrimoniale, ad esempio, parliamo spesso con analisti di ricerca fondamentale che conoscono bene le società che copriamo. Valutano i nostri dati in base alle loro conoscenze preliminari su quella società e contestano tutto ciò che non gli sembra corretto. È fondamentale che dispongano di un canale di facile accesso, dove possano condividere le loro domande e ottenere risposte. In alcuni casi riscontriamo differenze nel modo in cui i clienti definiscono alcuni concetti legati alla sostenibilità. Utilizziamo l'esempio delle esposizioni: le aziende sono impegnate in attività tipicamente controverse come il tabacco, l'alcol o i combustibili fossili? I diversi clienti hanno modi diversi di definire ciò che costituisce un'esposizione quando si tratta di filiali finanziarie, filiali operative o investimenti di minoranza. Queste sfumature vengono spesso scoperte quando i dati specifici di determinate società vengono messi in discussione attraverso i meccanismi di feedback. Queste discussioni ci aiutano a garantire che i nostri prodotti soddisfino le esigenze dei clienti. Il risultato di queste conversazioni è spesso l'ampliamento e l'aggiunta di ulteriore flessibilità e personalizzazione ai nostri prodotti.

Chris Ciompi: Ottimo. Juan Diego, puoi spiegare come Clarity AI assicura che i suoi dati incorporino il feedback?

Juan Diego Martín: Sì, oltre ai canali come il nostro comitato consultivo clienti e le conversazioni in corso con i nostri clienti, abbiamo una funzione che consente un feedback istantaneo sui dati mancanti o sulle discrepanze. Affrontiamo immediatamente qualsiasi problema e spesso scopriamo che è dovuto a diversi approcci metodologici. Ci confrontiamo con i nostri clienti per garantire l'allineamento e impariamo da ogni feedback che riceviamo.

Chris Ciompi: Puoi farmi un esempio di qualcosa che è arrivato di recente e che in qualche modo illustra quello che hai appena detto?

Juan Diego Martín: Sì, ci sono casi in cui, ad esempio, il nostro cliente utilizza un altro fornitore e individua discrepanze nei dati. Siamo stati in grado di identificare che i dati sono stati estratti da un anno precedente e attribuiti all'anno in corso senza preavviso né spiegazione. O forse le informazioni sono state riportate per il totale delle emissioni di CO2, ma la suddivisione tra Ambito 1 e Ambito 2 non è stata riportata. In questo caso, l'altro fornitore non è stato trasparente, mentre noi ci assicuriamo che sia esplicitamente menzionato. Una volta abbiamo contattato un noto fornitore di dati e abbiamo identificato 400 punti di dati che presentavano errori metodologici. È una cosa che accade continuamente. Tornando al mio esempio di dati riportati come globali ma mancanti delle emissioni: si tratta di un fatto importante che ha un impatto sul punteggio di questa azienda. Si tratta di una conversazione che direi di avere ogni settimana.

Chris Ciompi: Ottimo, perfetto. Grazie, grazie a te. Ron passa a te. In che modo il feedback che riceviamo sulla qualità dei dati influenza l'IA, o in che modo l'IA influenza questo aspetto?

Ron Potok: In primo luogo, credo che potrebbe essere utile riformulare il feedback come reattività. A mio avviso, quanto siamo reattivi a una richiesta o a un cambiamento rispetto ai nostri concorrenti e agli standard del settore? Abbiamo alcuni canali di risposta e abbiamo accennato alla possibilità di contestare o porre domande su punti di dati specifici. Questo perché nella nostra web app è possibile accedere ai dati grezzi associati e contestarli. Le sfide sono molto veloci. Una delle nostre peculiarità è che, ad esempio, nel nostro motore di notizie sulle controversie, abbiamo un'elevata reattività alle controversie mancate o mal classificate. Questi esempi migliorano il nostro modello. Utilizzeremo quindi quegli esempi in modo che il modello non solo li corregga immediatamente attraverso gli esseri umani, ma poi il modello imparerà da quegli esempi e non commetterà più lo stesso errore. Questo è un esempio molto importante di come includiamo il feedback dei clienti, degli utenti e degli esseri umani nel miglioramento, in modo che la volta successiva il modello impari qualcosa di più sulla controversia. Qual è la gravità della controversia? Come viene attribuita? Un altro esempio di reattività è stato il nostro vantaggio nel rispondere alle modifiche normative. Si tratta di un aspetto a parte, ma una cosa in cui Clarity AI è stato molto bravo a tenere il passo con le ultime modifiche normative, come ad esempio il nostro prodotto SFDR .

Chris Ciompi: Parliamo dei feedback che arrivano dalle autorità di regolamentazione e di quelli non direttamente legati ai nostri dati, ma all'ecosistema in cui operiamo. Come funziona il nostro sistema al riguardo?

Ron Potok: Credo che ci siano molti modi di vedere la questione. Inizierò con il modo in cui lo facciamo noi. Alcuni dei SFDR PAI [Principal Adverse Impact], per esempio, erano legati a controversie di aziende che si occupano, per esempio, di corruzione, concussione o che mettono a rischio la biodiversità. Questi sono buoni esempi di indicatori di Principal Adverse Impact in cui il regolatore ha detto: "Sì, le notizie possono fornire informazioni sulle aziende che violano tali PAI". Ma era molto specifico sul linguaggio delle violazioni, giusto? Le autorità di regolamentazione, anziché rifarsi esattamente alla definizione di "incidente di corruzione" data da Clarity AI, hanno utilizzato un linguaggio molto specifico. Invece di dover addestrare migliaia di analisti a rileggere tutti gli articoli associati a quegli incidenti e a etichettarli se si tratta di una violazione PAI o meno, abbiamo riqualificato il modello per etichettare gli articoli in modo appropriato, in linea con le ultime linee guida normative. Ma poi, oltre a questo, abbiamo dovuto valutare il livello di violazione. Siamo stati in grado di farlo molto rapidamente e di fornire una copertura molto elevata e informazioni molto tempestive in un periodo di tempo molto breve.

Chris Ciompi: È un'angolazione davvero interessante del feedback e non credo che ci venga subito in mente quando sentiamo parlare di feedback. Pensiamo che si tratti di una persona a persona piuttosto che di un ecosistema che sta cambiando e che ci dà un feedback su ciò che dobbiamo fare. Ok, ci sono altri modi in cui il feedback dei clienti potrebbe influenzare ciò che poi vedremo nella piattaforma software stessa?

Ángel Agudo: Credo che il collegamento più chiaro sia il processo che ho descritto prima. Acquisiamo sempre il feedback di tutti i nostri clienti per ogni singola funzionalità, che viene inclusa nel nostro processo di convalida del prodotto, di scoperta di nuove caratteristiche e, infine, di incorporazione di nuove funzionalità.

Chris Ciompi: C'è qualcosa che riguarda il feedback in un modulo all'interno della piattaforma che può influenzare tutti i moduli?

Ángel Agudo: Ritornando al punto della punto sulla coerenzacredo sia chiaro che, ad esempio, quando una dimensione viene influenzata dal feedback, apportiamo immediatamente le modifiche necessarie in tutti i moduli. Potrebbe riguardare i dati in sé, la metodologia...

Chris Ciompi: Quello che sento dire è che, dal punto di vista del cliente, c'è la certezza che se un modulo viene modificato, viene calibrato abbastanza rapidamente, se non istantaneamente, con gli altri moduli. Se invece avessimo diversi team umani che si occupano di ogni modulo o di parti di esso, la questione potrebbe essere risolta dal punto di vista della governance solo nel prossimo trimestre. Tutto chiaro. Vorrei fare un'altra domanda al riguardo. C'è una questione di scala, giusto? Sia che si tratti di un feedback di un cliente o di un feedback proveniente dall'ecosistema, con le normative che cambiano. Come può la nostra piattaforma affrontare tutti questi aspetti su scala?

Ángel Agudo: Possiamo dividere la questione in due parti. Uno è quello operativo. Quando acquisiamo diversi punti di vista, ad esempio quando parliamo con i clienti, potremmo ricevere feedback da più clienti contemporaneamente e sullo stesso argomento. Usiamo la tecnologia per aiutarci a mettere tutto insieme nel modo più efficiente, per aggregare le informazioni e valutare i diversi punti di vista per prendere una decisione tempestiva. Dal punto di vista del processo, si tratta di tradurre coerentemente il feedback nello strumento. Abbiamo costruito lo strumento in modo da collegare tutti i pezzi e la tecnologia ci aiuta a incorporare immediatamente il feedback in ogni singolo punto della piattaforma in cui si trova quello specifico punto di dati, metrica o azienda.

Chris Ciompi: Grazie a tutti per gli approfondimenti!