Strise Knowledge Graph

Forbinder erhvervslivet

Strise Knowledge Graph er et dynamisk netværk i konstant udvikling, der er designet til at hjælpe med at forstå det komplekse netværk af relationer i erhvervslivet.

Hvad er det

I sin kerne er Knowledge Graph en enorm database struktureret som et spindelvæv med to grundlæggende komponenter:

• Entiteter: Virksomheder, personer, lokationer, brancher og emner -- nøglespillerne i erhvervslivet.
• Relationer: Forbindelserne, der viser, hvordan entiteter er forbundet -- fra bestyrelsesposter til ejerskab og geografiske aktiviteter.

Hvilke data indeholder den

Entiteter

• Virksomheder: Ejerskabsstrukturer, bestyrelsesmedlemmer, finansielle oplysninger, brancheklassifikationer
• Personer: Reelle ejere (UBO'er), bestyrelsesmedlemmer, interessenter med metadata som nationalitet og fødselsdato
• Lokationer: Driftsadresser, hovedkontorer, geografisk tilstedeværelse
• Brancher: Kategoriseringer til målrettet risikoanalyse
• Emner: Temaer som adverse media, høj risiko, hvidvask af penge

Relationer

• Ejerskab: Direkte og indirekte ejerskabsstrukturer, herunder UBO'er
• Bestyrelsesposter: Enkeltpersoner forbundet med deres roller i virksomheder
• Regulatoriske forbindelser: Forbindelser til sanktioner, PEP'er og adverse media
• Geografiske forbindelser: Forbindelser til højrisikoregioner eller sanktionerede regioner

Hændelser og opdateringer

• Medieomtaler: Artikler beriget med relevansscoring
• Regulatoriske ændringer: Sanktioner, PEP-statusser, compliance-hændelser
• Virksomhedsændringer: Registeropdateringer om ejerskab, struktur eller regnskabstal

Sådan fungerer det

Dataindlæsning

Systemet indsamler enorme mængder data fra forskellige kilder og normaliserer og standardiserer dem til strukturen i Knowledge Graph.

Kontekstuel forståelse

NLP fjerner flertydighed fra termer -- og skelner for eksempel mellem virksomheden "Apple" og frugten "apple" ved at analysere konteksten.

Entitetskobling

Et avanceret modul til Entity Linking (EL) forbinder tekst i dokumenter med entiteter i Knowledge Graph:

• Kandidatudvælgelse: Identificerer potentielle entitetsmatch
• Grafbaseret scoring: Bruger PageRank-inspirerede teknikker til at score entiteter
• Maskinlæring: Forfiner match ved hjælp af popularitets- og frekvensfeatures

Grafintegration

Validerede entiteter integreres ved at oprette eller opdatere noder (entiteter) og kanter (relationer).

Afdækning af indsigter

Knowledge Graph gennemløber relationer for at opdage indirekte bånd -- for eksempel en flaget ejers forbindelser til et højrisikoland.

Værditilbud

• Helhedsorienteret overblik: Se, hvordan fakta hænger sammen, frem for blot isolerede datapunkter
• Upartisk perspektiv: Forskellige kilder giver en afbalanceret forståelse
• Skjulte relationer: Identificer risici, der ville blive overset i individuelle rapporter
• Handlingsorienteret indsigt: Få at vide, hvis en ejer er blevet underlagt sanktioner, selv uden direkte omtale i en enkelt kilde

Hovedpointer

Knowledge Graph er:

• Et netværk i konstant udvikling, der afspejler dynamikken i erhvervslivet
• Et system, der løbende lærer af nye data
• Et værktøj, der forbinder brikkerne for at afsløre skjulte relationer
• En måde at omdanne komplekse rådata til handlingsorienterede indsigter på