Analysing the role of technology in compliance and regulatory structures
Notice bibliographique
Résumé
This paper does not set out to be an expert treatise on RegTech or FinTech, or any of the other catchy compound words that have entered our daily lexicon. It simply outlines one organisation’s journey in determining the need for a technological solution for a myriad of compliance obligations. The firm in which the author works has eight (soon to be nine) offices around the world, with two in Australia, and one in the UK, Germany, Switzerland (applying for registration), South Korea, Hong Kong, Japan and the USA. There are some group entities also licenced in Canada and the Cayman Islands. Some regimes require more than one licence (eg, five in Australia alone). The subsequent regulatory burden is significant. Add to that a global insurance programme, a global taxation programme, a global risk management framework, a global governance framework plus the day to day burden of simply running a business — the compliance obligations are huge. Yet, on number of staff alone, the present author’s organisation is nothing like some of the massive financial behemoths around the world, a potential cause of compliance management headaches. This paper is about IFM Investors’ experience in implementing technology into the business to become more effective, and less intrusive on the front line teams when it comes to meeting firm-wide compliance tasks. In doing so, IFM Investors had some learnings along the way from which readers might avoid some of the challenges faced.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».