模型和風險治理是指所有利害關係人團體判斷模型是否足夠的程序。您的程序可能包括新模型驗證、模型監控、安全和法規遵循標準、支援程序、風險涵蓋範圍、作業手冊和使用者指南等主題。
身為風險架構擁有者，您可以透過下列構件取得實用資源，將 AML AI 整合至整體風險管理領域。AML AI 會提供與模型和風險控管相關的文件，以及調整、訓練和評估 AML AI 模型時的各種輸出內容。
模型和風險管理文件
AML AI 客戶可要求取得下列概念文件，做為整體風險管理和 AI/機器學習模型與風險治理架構中的治理構件：
- 模型架構： 說明用於計算風險分數的 AML AI 特定模型架構。
- 標記方法： 說明用於定義標記訓練範例的方法，以利調整、訓練及回溯測試 AML AI 模型。
- 模型訓練方法： 說明 AML AI 模型的訓練和驗證方法。
- 模型調整方法： 說明 AML AI 如何根據您的資料，最佳化模型超參數。
- 模型評估方法： 說明用於模型評估和回溯測試的指標。
- 功能系列總覽： 說明支援的功能系列，以及這些系列在 AML AI 中如何用於可解釋性 (和其他用途)。
- 風險類型結構定義： 說明 AML AI 如何提供指標，追蹤資料品質和對 AML AI 模型的潛在影響。
- 風險類型結構定義： 說明 AML AI 如何支援風險類型，以及用來證明涵蓋範圍的方法。
- 引擎版本穩定性和支援政策： 說明 AML AI 引擎版本之間會變更和不會變更的項目，以及各引擎版本支援不同作業的時間長度。
模型輸出內容做為控管構件
一般 AML AI 作業會產生下列構件做為輸出內容：
- 模型品質
- 引擎設定輸出內容包含引擎設定中繼資料擷取的預期召回率 (調整前後)。
- 回溯測試結果可讓您評估訓練模型在未納入訓練的一組範例中的成效。
- 資料品質
- 遺漏值輸出會指出用於微調、訓練、回溯測試和預測的資料集中，每個特徵系列的遺漏值比例。重大變化可能表示基礎資料不一致，進而影響模型成效。
- 資料驗證錯誤會導致 AML AI 作業無法完成，因此您必須解決這些錯誤，才能順利產生模型和預測結果。
- 預測結果
- 風險分數介於 0 到 1 之間，分數越高，表示該當事人在預測月份的風險越高。風險分數不應直接解讀為洗錢活動的機率，或可能調查成功的機率。
- Explainable AI 輸出內容會以歸因分數來提高風險分數，指出每個特徵系列對風險分數的貢獻。
- 長時間執行的作業 (LRO) 可讓您追蹤模型準備和預測作業中使用的所有 AML AI 程序。詳情請參閱「管理長時間執行的作業」。