Em destaque: Qualidade dos dados - Dimensão 8, Feedback
Uma série de entrevistas com a equipa executiva do Clarity AI sobre as 8 dimensões da qualidade dos dados
Como é que Clarity AI garante que os seus dados são da mais elevada qualidade?
Clarity AI utiliza um quadro de 8 dimensões para garantir que os dados são da mais elevada qualidade. Essas dimensões são a cobertura, a atualidade , a exatidão, as actualizações de dados, a explicabilidade, a consistência, o ponto no tempo e o feedback. Nesta série de entrevistas com executivos de Clarity AI , cada uma destas dimensões é explorada e explicada. Clarity AIA equipa de especialistas da cria metodologias científicas e baseadas em evidências que, em seguida, utilizam inteligência artificial poderosa e escalável (por exemplo, aprendizagem automática) para recolher, limpar, analisar e expandir conjuntos de dados existentes para alimentar a sua plataforma tecnológica de sustentabilidade ou para integrar diretamente nos fluxos de trabalho existentes dos utilizadores.
Dimensão 8 - Feedback
Clarity AIÁngel Agudo, Diretor de Investigação e Inovação de Produtos, Patricia Pina, Diretor de Estratégia de Dados, Juan Diego Martin, e Ron Potok, Diretor de Ciência de Dados, discutem - com Chris Ciompi, Diretor de Marketing de Clarity AI- a dimensão crítica do feedback e a sua relação com a qualidade dos dados.
Chris Ciompi: Olá novamente, equipa. Hoje estamos a falar de feedback no que diz respeito à qualidade dos dados. Ángel, podes explicar a relação entre o feedback e a qualidade dos dados?
Ángel Agudo: Claro que sim. Melhorar a qualidade dos dados é um processo iterativo e temos de garantir que captamos qualquer potencial feedback sobre os nossos dados. É essencial manter um canal aberto com os nossos clientes, para que possam fornecer informações adicionais ou manifestar preocupações relativamente a um ponto de dados. Desta forma, podemos aprender com eles e fornecer explicações adicionais ou resolver rapidamente quaisquer problemas.
Chris Ciompi: Compreendo. Pode explicar o processo de receção de feedback?
Ángel Agudo: Claro, na nossa ferramenta, existe uma opção para comunicar feedback para cada ponto de dados. Os utilizadores podem selecionar uma resposta pré-determinada ou incluir a sua própria mensagem para manifestar preocupações ou fornecer informações adicionais. Assim que recebemos o feedback do cliente, implementamos os nossos processos internos para agir em conformidade ou fornecer uma explicação para ajudar o utilizador a compreender melhor os dados. Se identificarmos um erro, reagimos imediatamente para corrigir o ponto de dados.
Chris Ciompi: Obrigado pelo esclarecimento. Patricia, porque é que o feedback é importante para os consumidores de dados sobre sustentabilidade?
Patricia Pina: Como já foi referido em entrevistas anteriores, os consumidores de dados sobre sustentabilidade precisam de confiar nos dados para se sentirem confortáveis em utilizá-los nos seus processos de tomada de decisão. No sector da gestão de activos, por exemplo, falamos frequentemente com analistas de estudos fundamentais que estão profundamente familiarizados com as empresas que cobrimos. Estes avaliam os nossos dados em função dos seus conhecimentos prévios sobre a empresa em causa e contestam tudo o que não lhes parece correto. É fundamental que disponham de um canal de fácil acesso, onde possam partilhar as suas questões e obter respostas. Em alguns casos, encontramos diferenças na forma como os clientes definem alguns conceitos relacionados com a sustentabilidade. Utilizemos o exemplo da exposição: as empresas estão envolvidas em actividades tipicamente controversas como o tabaco, o álcool ou os combustíveis fósseis? Clientes diferentes têm formas diferentes de definir o que constitui uma exposição quando se trata de subsidiárias financeiras, subsidiárias operacionais ou investimentos minoritários. Estas nuances são muitas vezes descobertas quando os pontos de dados específicos de determinadas empresas são questionados através dos mecanismos de feedback. Estas discussões ajudam-nos a garantir que os nossos produtos satisfazem as necessidades dos clientes. O resultado destas conversas é muitas vezes a expansão e a adição de mais flexibilidade e personalização aos nossos produtos.
Chris Ciompi: Ótimo. Juan Diego, podes explicar como é que o Clarity AI garante que os seus dados incorporam o feedback?
Juan Diego Martín: Sim, para além de canais como o nosso conselho consultivo de clientes e as conversas contínuas com os nossos clientes, temos uma funcionalidade que permite um feedback instantâneo sobre dados em falta ou discrepâncias de dados. Tratamos imediatamente de quaisquer problemas e, muitas vezes, descobrimos que se devem a diferentes abordagens metodológicas. Reunimo-nos com os nossos clientes para garantir o alinhamento e aprendemos com qualquer feedback que recebemos.
Chris Ciompi: Pode dar-me um exemplo de algo que tenha surgido recentemente e que, de alguma forma, ilustre o que acabou de dizer?
Juan Diego Martín: Sim, há casos em que, por exemplo, o nosso cliente está a utilizar outro fornecedor e identifica discrepâncias nos dados. Conseguimos identificar que os dados foram retirados de um ano anterior e atribuídos ao ano atual sem aviso prévio nem explicação. Ou talvez a informação tenha sido comunicada para o total de CO2, mas a divisão entre o âmbito 1 e o âmbito 2 não foi comunicada. Nesse caso, o outro fornecedor não foi transparente, enquanto nós nos certificamos de que esse facto é explicitamente mencionado. Uma vez, contactámos um fornecedor de dados bem conhecido e identificámos 400 pontos de dados que continham erros metodológicos. Isto é algo que acontece continuamente. Voltando ao meu exemplo dos dados que foram comunicados como globais, mas sem as emissões: trata-se de um facto importante e que tem impacto na pontuação desta empresa. Esta é uma conversa que eu diria que temos todas as semanas.
Chris Ciompi: Ótimo, perfeito. Obrigado. O Ron passa para ti. Como é que o feedback que recebemos sobre a qualidade dos dados influencia a IA, ou como é que a IA influencia isso?
Ron Potok: Em primeiro lugar, penso que talvez seja útil reenquadrar o feedback como capacidade de resposta. Na minha opinião, qual é a nossa capacidade de resposta a um pedido ou a uma alteração, em comparação com os nossos concorrentes e com os padrões do sector? Temos alguns canais de resposta, e mencionámos um pouco a possibilidade de contestar ou fazer perguntas sobre pontos de dados específicos. Isto porque, na nossa aplicação Web, é possível aceder aos dados brutos associados e contestá-los. Esses desafios são muito rápidos. Uma das nossas características únicas é que, por exemplo, no nosso motor de notícias sobre controvérsias, temos uma capacidade de resposta muito elevada às controvérsias que não são detectadas ou são mal classificadas. Esses exemplos melhoram efetivamente o nosso modelo. Por isso, utilizamos esses exemplos para que o modelo não só os corrija imediatamente através de humanos, mas também para que o modelo aprenda com esses exemplos e não volte a cometer o mesmo erro. Este é um exemplo muito importante de como incluímos o feedback do cliente, do utilizador e dos humanos na melhoria para que, da próxima vez, o modelo aprenda um pouco mais sobre a controvérsia. Qual é a gravidade da mesma? Como é que ela é atribuída? Outro exemplo de capacidade de reação tem sido a nossa vantagem em responder às alterações regulamentares. Isto é um aparte, mas algo em que Clarity AI tem sido muito bom é manter-se a par das últimas alterações na regulamentação, e exemplos disso são o nosso produto SFDR .
Chris Ciompi: Vamos falar do feedback que vem dos reguladores e do feedback que não está diretamente relacionado com os nossos dados, mas com o ecossistema onde estamos a atuar. Como é que o nosso sistema funciona em relação a isso?
Ron Potok: Penso que há muitas formas de olhar para isto. Começarei pela forma como o fazemos. Alguns dos PAIs [Principais Impactos Adversos] de SFDR , por exemplo, estavam relacionados com controvérsias de empresas que estão a ser alvo de suborno, corrupção ou a pôr em risco a biodiversidade. Estes são bons exemplos de indicadores de impacto adverso principal em que o regulador disse: "Sim, as notícias podem fornecer informações sobre empresas que estejam a violar esses PAI". Mas foi muito específico na linguagem das infracções, certo? As autoridades reguladoras, em vez de se basearem exatamente na definição de incidente de suborno e corrupção da Clarity AI, utilizaram uma linguagem muito específica. Em vez de ser necessário formar milhares de analistas para reler todos os artigos associados a esses incidentes e marcá-los, quer se trate de uma violação do PAI ou não, treinámos novamente o modelo para marcar os artigos de forma adequada, de acordo com as directrizes regulamentares mais recentes. Mas depois, para além disso, tivemos de avaliar o nível de violação. Conseguimos fazer isso muito rapidamente e fornecer uma cobertura muito elevada e informações muito atempadas num período de tempo muito curto.
Chris Ciompi: É um ângulo muito interessante do feedback e não é aquele que nos vem imediatamente à cabeça quando ouvimos falar de feedback. Pensamos que é de pessoa para pessoa em vez de, sabe, o ecossistema estar realmente a mudar e a dar feedback sobre o que precisamos de fazer. Muito bem, existem outras formas de o feedback dos clientes influenciar o que vemos na própria plataforma de software.
Ángel Agudo: Penso que a ligação mais clara é através do processo que descrevi anteriormente. Recolhemos o feedback de todos os nossos clientes para cada uma das características, que é sempre incluído no nosso processo de validação do produto, descoberta de novas características e, por fim, incorporação de novas funcionalidades.
Chris Ciompi: Há alguma coisa sobre o feedback num módulo da plataforma que possa afetar todos os módulos?
Ángel Agudo: Voltando à questão à questão da coerênciaPenso que é claro que, por exemplo, quando há uma dimensão que é afetada pelo feedback, fazemos imediatamente as alterações necessárias em todos os módulos. Pode ser nos dados em si, na metodologia...
Chris Ciompi: O que estou a ouvir é que, do ponto de vista do cliente, há uma garantia de que se um módulo for alterado, é calibrado rapidamente, se não instantaneamente, com outros módulos. Ao contrário, se tivéssemos equipas humanas diferentes a fazer cada módulo ou partes de cada módulo, isso poderia não surgir do ponto de vista da governação até ao próximo trimestre. Tudo bem. Quero fazer mais uma pergunta sobre isto. Há uma questão de escala, certo? Quer se trate de um feedback de um cliente ou de um feedback proveniente do ecossistema, com a alteração dos regulamentos. Como é que a nossa plataforma pode responder a todas estas questões em grande escala?
Ángel Agudo: Podemos dividir isto em partes. Uma é a parte operacional. Quando estamos a captar diferentes pontos de vista, por exemplo, quando estamos a falar com os clientes, podemos estar a receber feedback de vários clientes ao mesmo tempo e sobre o mesmo assunto. Utilizamos a tecnologia para nos ajudar a reunir tudo da forma mais eficiente, para agregar a informação e avaliar os diferentes pontos de vista para tomar uma decisão atempada. Do ponto de vista do processo, trata-se de traduzir consistentemente esse feedback na ferramenta. Construímos a ferramenta de forma a ligar todas as peças, e a tecnologia ajuda-nos a incorporar imediatamente o feedback em todos os locais onde esse ponto de dados, métrica ou empresa específica se encontra na plataforma.
Chris Ciompi: Obrigado a todos pelas vossas opiniões!
