Merci de désactiver le bloqueurs de pub pour visualiser cette vidéo.
L’AMF remercie les nombreux participants à son challenge Entity Name Matching sur Codalab

L’AMF remercie les nombreux participants à son challenge Entity Name Matching sur Codalab

Du 13 janvier au 12 mars 2021, l’AMF a lancé un défi aux codeurs passionnés : proposer une méthode d’identification efficace des acteurs de marchés à l’aide de techniques de traitement du langage naturel. Le challenge a été remporté par Robert Stanca, étudiant en informatique à l’Université Politehnica de Bucarest.

Le 13 janvier 2021, l’Autorité des marchés financiers lançait son challenge Entity Name Matching sur Codalab, une plateforme open-source spécialisée dans les compétitions de datascience.

Le challenge invitait les participants à proposer une méthode d’identification efficace des acteurs de marché : à partir du nom d’un intervenant mentionné dans un document de façon plus ou moins approximative, il s’agissait de déterminer son LEI (Legal Entity Identifier ou Identifiant d'entité juridique), autrement dit son code unique d’identification. Les solutions proposées pourraient permettre à l’AMF de mieux croiser les différentes sources de données pour n’obtenir qu’une seule et même vue consolidée.

Le challenge s’est achevé le 12 mars 2021. L’AMF remercie l’ensemble des contributeurs et en particulier le lauréat Robert Stanca. A l’aide de techniques pour le traitement du langage naturel (NLP), Robert Stanca a proposé une approche permettant de calculer la similarité entre le nom de l’entité mentionnée dans un document et les données du répertoire mondial des identifiants d'entité juridique (LEI).

Pour calculer cette ressemblance, il faut d’abord transformer le texte (comme le nom des entités) en valeurs numériques : c’est ce qu’on appelle l’encoding. Mais cette étape ne doit pas se faire au hasard : en réalité, on transpose le texte dans un espace vectoriel de sorte à ce que celui-ci conserve les propriétés du texte. Par exemple les vecteurs associés aux mots « maison » et « appartement » doivent être assez proches l’un de l’autre parce qu’ayant un sens proche ; les mots « participer » et « participant » aussi parce que partageant une racine commune.

De cette façon, l’algorithme détecte dans le référentiel quelle serait la ligne qui contient la valeur la plus proche du nom de l’intervenant recherché, et, puisque le référentiel contient également le LEI associé, le tour est joué !

Actifs numériques : renforcement par ordonnance du cadre de la lutte contre le blanchiment de capitaux et le financement du terrorisme (LCB-FT) appliqués aux PSAN
12 février 2021
Actifs numériques : renforcement par ordonnance du cadre de la lutte contre le blanchiment de capitaux et le financement du terrorisme (LCB-FT) appliqués aux PSAN Actifs numériques : renforcement par ordonnance du cadre de la lutte contre le blanchiment de capitaux et le financement du terrorisme (LCB-FT) appliqués aux PSAN
Discours de Robert Ophèle, président de l'AMF - Afore Consulting – 5th Annual Fintech and Regulation - "Regulatory considerations in an era of digital acceleration", 2-4…
08 février 2021
Discours de Robert Ophèle, président de l'AMF - Afore Consulting – 5th Annual Fintech and Regulation - "Regulatory considerations in an era of digital acceleration", 2-4… Discours de Robert Ophèle, président de l'AMF - Afore Consulting – 5th Annual Fintech and Regulation - "Regulatory considerations in an era of digital acceleration", 2-4 février 2021 (en anglais uniquement)