A governança de modelo e risco é o processo pelo qual os modelos são determinados como suficientes por todos os grupos de partes interessadas. O processo pode incluir nova validação de modelo, monitoramento de modelo, padrões de segurança e conformidade, processos de suporte, cobertura de risco, manuais de operações e guias do usuário, entre outros tópicos.
Como proprietário de um framework de risco, os artefatos a seguir fornecem recursos úteis para integrar a IA antilavagem de dinheiro ao seu cenário geral de gerenciamento de risco. A IA antilavagem de dinheiro oferece documentação relevante para a governança de modelo e risco, bem como várias saídas de ajuste, treinamento e avaliação de seu modelo de IA antilavagem de dinheiro.
Documentação de governança de modelo e risco
O conjunto de documentação de conceitos a seguir, disponível mediante solicitação para clientes da IA antilavagem de dinheiro, serve como artefatos de governança no seu framework de gerenciamento de risco geral e modelo de IA/ML e governança de risco:
- Arquitetura de modelo: descreve a arquitetura de modelo específica usada para que a IA antilavagem de dinheiro calcule pontuações de risco.
- Metodologia de rotulagem: descreve as abordagens usadas para definir exemplos de treinamento rotulados para ajuste, treinamento e teste de modelos de IA antilavagem de dinheiro.
- Metodologia de treinamento de modelos: descreve a abordagem de treinamento e validação de modelos da IA antilavagem de dinheiro.
- Metodologia de ajuste de modelos: descreve o processo pelo qual a IA antilavagem de dinheiro otimiza hiperparâmetros de modelos com base nos seus dados.
- Metodologia de avaliação de modelo: descreve as métricas usadas para avaliação e teste de modelos.
- Visão geral das famílias de recursos: descreve as famílias de atributos compatíveis e como elas são usadas para explicação (e em outros lugares) na IA antilavagem de dinheiro.
- esquema de tipologia de risco: descreve como a IA antilavagem de dinheiro oferece suporte a tipologias de risco e a metodologia usada para demonstrar a cobertura.
- política de suporte e estabilidade da versão do mecanismo: descreve o que muda ou não entre as versões do mecanismo da IA antilavagem de dinheiro e por quanto tempo cada versão do mecanismo é compatível com operações diferentes.
Saídas do modelo como artefatos de governança
Os artefatos a seguir são gerados como saídas por operações regulares da IA antilavagem de dinheiro:
- Qualidade do modelo
- A saída da configuração do mecanismo inclui o recall esperado (antes e depois do ajuste) capturado nos metadados de configuração do mecanismo.
- Os resultados do backtest permitem medir o desempenho do modelo treinado em um conjunto de exemplos não incluídos no treinamento.
- Qualidade de dados
- Saída de ausência indica a parcela de valores ausentes por família de atributos nos conjuntos de dados usados para ajuste, treinamento, backtesting e previsão. Alterações significativas podem indicar uma inconsistência nos dados subjacentes, o que pode afetar o desempenho do modelo.
- Erros de validação de dados impedem a conclusão das operações da IA antilavagem de dinheiro. Portanto, para produzir um modelo e previsões, é necessário resolver esses erros.
- Resultados da previsão
- As pontuações de risco variam de 0 a 1 e, nesse intervalo, uma pontuação maior indica maior risco para a festa no mês previsto. As pontuações de risco não podem ser interpretadas diretamente como a probabilidade de atividade de lavagem de dinheiro ou o sucesso de uma possível investigação.
- A saída da Explainable AI aumenta as pontuações de alto risco com pontuações de atribuição que indicam a contribuição de cada família de atributos para a pontuação de risco.
- As operações de longa duração (LROs, na sigla em inglês) permitem que você rastreie todos os processos da IA antilavagem de dinheiro usados na preparação e nas previsões de modelos. Para mais informações, consulte Gerenciar operações de longa duração.