La gobernanza de modelos y riesgos es el proceso mediante el cual todos los grupos de partes interesadas determinan que los modelos son suficientes. Tu proceso puede incluir la validación de modelos nuevos, la supervisión de modelos, los estándares de seguridad y cumplimiento, los procesos de asistencia, la cobertura de riesgos, los manuales de operaciones y las guías para el usuario, entre otros temas.
Como propietario de un marco de trabajo de riesgos, los siguientes artefactos te proporcionan recursos útiles para integrar la IA de la AML en tu panorama general de administración de riesgos. La IA de la prevención del fraude proporciona documentación relevante para la gobernanza de modelos y riesgos, así como varios resultados de la optimización, el entrenamiento y la evaluación de tu modelo de IA de prevención del fraude.
Documentación de la gobernanza de modelos y riesgos
El siguiente conjunto de documentación de conceptos, disponible a pedido para los clientes de IA de AML, sirve como artefactos de gobernanza en tu administración general de riesgos y modelo de IA/AA, y marco de gobernanza de riesgos:
- Arquitectura del modelo: Describe la arquitectura de modelo particular que se usa para la IA de la AML para calcular las puntuaciones de riesgo.
- Metodología de etiquetado: Describe los enfoques que se usan para definir ejemplos de entrenamiento etiquetados para la adaptación, el entrenamiento y la prueba retrospectiva de modelos de IA de AML.
- Metodología de entrenamiento de modelos: Describe el enfoque de entrenamiento y validación para los modelos de IA de AML.
- Metodología de ajuste de modelos: Describe el proceso mediante el cual la IA de la AML optimiza los hiperparámetros del modelo según tus datos.
- Metodología de evaluación de modelos: Describe las métricas que se usan para la evaluación y la simulación de modelos.
- Descripción general de las familias de atributos: Se describen las familias de atributos compatibles y cómo se usan para la explainabilidad (y en otros lugares) en la IA de AML.
- Esquema de tipología de riesgo: Describe cómo la IA contra el lavado de dinero admite tipologías de riesgo y la metodología que usa para demostrar la cobertura.
- Política de estabilidad y compatibilidad de las versiones del motor: Se describe lo que cambia y lo que no entre las versiones del motor de IA de AML, y durante cuánto tiempo se admite cada versión del motor para diferentes operaciones.
Resultados del modelo como artefactos de gobernanza
Las siguientes operaciones de IA de AML normales generan los siguientes artefactos como resultados:
- Calidad del modelo
- El resultado de la configuración del motor incluye la recuperación esperada (antes y después del ajuste) capturada en los metadatos de configuración del motor.
- Los resultados de la prueba retrospectiva te permiten medir el rendimiento del modelo entrenado en un conjunto de ejemplos que no se incluyeron en el entrenamiento.
- Calidad de los datos
- El resultado de falta de datos indica la proporción de valores faltantes por familia de atributos en tus conjuntos de datos que se usan para la optimización, el entrenamiento, la simulación de pruebas y la predicción. Los cambios significativos pueden indicar una incoherencia en tus datos subyacentes, lo que puede afectar el rendimiento del modelo.
- Los errores de validación de datos impiden que se completen las operaciones de IA de la AML, por lo que, para producir un modelo y predicciones de forma correcta, debes resolver estos errores.
- Resultados de la predicción
- Las puntuaciones de riesgo varían de 0 a 1 y, dentro de este rango, una puntuación más alta indica un mayor riesgo para la parte en el mes previsto. Las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de actividad de lavado de dinero ni de éxito de una posible investigación.
- El resultado de la IA explicable aumenta las puntuaciones de alto riesgo con puntuaciones de atribución que indican la contribución de cada familia de atributos a la puntuación de riesgo.
- Las operaciones de larga duración (LRO) te permiten hacer un seguimiento de todos los procesos de IA de la AML que se usan en la preparación y las predicciones de modelos. Para obtener más información, consulta Administra operaciones de larga duración.