Auf dieser Seite werden Best Practices für die Verwendung von Risikobewertungen und Erklärbarkeit beschrieben.
Risikobewertungen verwenden
Risikobewertungen können bei der Prüfung verwendet werden, um Prüfungen für Personen mit hohem Risiko zu priorisieren.
Gängige Ansätze sind Benachrichtigungen basierend auf der Auslastung der Prüfer oder auf einem ausgewählten Risikoniveau:
Kapazitätsgesteuert:Benachrichtigen oder untersuchen Sie die wichtigsten n Anbieter in der Ausgabetabelle. basierend auf dem Risikowert in absteigender Reihenfolge, je nach verfügbarem Prüfer Lautstärke.
Risikomanagement: Benachrichtigen oder untersuchen Sie alle Parteien mit einer Risikobewertung über einem fester Schwellenwert, der monatlich festgelegt ist. Dies basiert auch auf einem Backtest, Ergebnisse, die ein akzeptables Maß an Rückrufe früherer Fälle die Entdeckung eines neuen Risikos. Weitere Informationen finden Sie unter Artefakte zur Modell- und Risikogovernance erfassen.
Erklärbarkeit nutzen
Die Featurefamilien mit den höchsten positiven Attributionswerten können den Ermittlern zur Verfügung gestellt, damit sie Untersuchungen durchführen können, um den Zeitaufwand oder die Erfolgsquote erhöhen. Die Erfahrung zeigt, dass negative Bewertungen (die darauf hinweisen, dass eine Funktionsfamilie das Risiko eines Falls verringert hat) für Prüfer schwierig zu verwenden sein können. Einige AML-KI-Kunden zeigen diese ihren Prüfern nicht an. Die besten Ergebnisse erzielen Sie, welche Schulungen oder Anleitungen Ihre Ermittler benötigen, um Ermittlungen durchzuführen zu verschiedenen Funktionsfamilien.
Sie können Erklärbarkeit auch für andere Zwecke verwenden:
- um zu ermitteln, ob sich das Verhalten der Kundschaft so weit verändert hat, dass eine neue Prüfung auf eine zweite oder wiederholte Benachrichtigung für diesen Kunden
- Ableiten von aggregierten Erkenntnissen aus Feature-Familienbeiträgen im Laufe der Zeit
Wiederholte Benachrichtigungen herausfiltern
AML AI-Risikobewertungen identifizieren Personen mit hohem Risiko, aber nicht wiederkehrende Benachrichtigungen zu trennen. Beispiel: Eine Kundschaft, die in Im April 2023 könnte der Wert auch im April 2023 ähnlich hoch sein. aufeinanderfolgende Fälle, obwohl ihr Verhalten gleich bleibt. Sie können Regeln anwenden, um wiederholte Benachrichtigungen herausfiltern zu lassen, damit eine Partei nicht noch einmal über eine aktuelle oder vor Kurzem abgeschlossene Untersuchung informiert wird, ohne dass sich der Risikowert oder die Erklärbarkeit wesentlich geändert hat.