Tata kelola model dan risiko adalah proses yang menentukan apakah model sudah memadai bagi semua kelompok pemangku kepentingan. Proses Anda dapat mencakup validasi model baru, pemantauan model, standar keamanan dan kepatuhan, proses dukungan, cakupan risiko, panduan operasi, dan panduan pengguna, serta topik lainnya.
Sebagai pemilik framework risiko, artefak berikut memberi Anda sumber daya yang berguna untuk mengintegrasikan AI AML ke dalam lanskap pengelolaan risiko secara keseluruhan. AML AI memberikan kontribusi dokumentasi yang relevan dengan tata kelola model dan risiko, serta berbagai output dari penyesuaian, pelatihan, dan evaluasi model AML AI Anda.
Dokumentasi tata kelola model dan risiko
Kumpulan dokumentasi konsep berikut, yang tersedia berdasarkan permintaan untuk pelanggan AML AI, berfungsi sebagai artefak tata kelola dalam framework tata kelola risiko dan model AI/ML serta risiko Anda secara keseluruhan:
- Arsitektur model: Menjelaskan arsitektur model tertentu yang digunakan untuk AI AML guna menghitung skor risiko.
- Metodologi pelabelan: Menjelaskan pendekatan yang digunakan untuk menentukan contoh pelatihan berlabel untuk penyesuaian, pelatihan, dan pengujian ulang model AI AML.
- Metodologi pelatihan model: Menjelaskan pendekatan pelatihan dan validasi untuk model AI AML.
- Metodologi penyesuaian model: Menjelaskan proses yang digunakan AML AI untuk mengoptimalkan hyperparameter model berdasarkan data Anda.
- Metodologi evaluasi model: Menjelaskan metrik yang digunakan untuk evaluasi model dan pengujian ulang.
- Ringkasan kelompok fitur: Menjelaskan kelompok fitur yang didukung dan cara penggunaannya untuk keterjelasan (dan di tempat lain) di AI AML.
- Skema tipologi risiko: Menjelaskan cara AML AI memberikan metrik untuk melacak kualitas data dan potensi dampaknya pada model AML AI.
- Skema tipologi risiko: Mendeskripsikan cara AML AI mendukung tipologi risiko dan metodologi yang digunakannya untuk menunjukkan cakupan.
- Kebijakan dukungan dan stabilitas versi engine: Menjelaskan apa yang berubah dan tidak berubah di antara versi engine AI AML, dan berapa lama setiap versi engine didukung untuk berbagai operasi.
Output model sebagai artefak tata kelola
Artefak berikut dihasilkan sebagai output oleh operasi AI AML reguler:
- Kualitas model
- Output konfigurasi mesin mencakup recall yang diharapkan (sebelum dan setelah penyesuaian) yang dicatat dalam metadata konfigurasi mesin.
- Hasil pengujian ulang memungkinkan Anda mengukur performa model terlatih pada serangkaian contoh yang tidak disertakan dalam pelatihan.
- Kualitas data
- Output ketidaktersediaan menunjukkan bagian nilai yang tidak ada per kelompok fitur dalam set data yang digunakan untuk penyesuaian, pelatihan, pengujian ulang, dan prediksi. Perubahan signifikan dapat menunjukkan inkonsistensi dalam data pokok Anda yang dapat memengaruhi performa model.
- Error validasi data mencegah penyelesaian operasi AI AML, jadi untuk berhasil membuat model dan prediksi, Anda harus menyelesaikan error ini.
- Hasil prediksi
- Skor risiko bervariasi dari 0 hingga 1, dan dalam rentang ini, skor yang lebih tinggi menunjukkan risiko yang lebih tinggi bagi pihak tersebut untuk bulan yang diprediksi. Skor risiko tidak boleh ditafsirkan secara langsung sebagai probabilitas aktivitas pencucian uang, atau keberhasilan kemungkinan penyelidikan.
- Output Explainable AI meningkatkan skor risiko tinggi dengan skor atribusi yang menunjukkan kontribusi setiap kelompok fitur terhadap skor risiko.
- Operasi yang berjalan lama (LRO) memungkinkan Anda melacak semua proses AI AML yang digunakan dalam penyiapan dan prediksi model. Untuk mengetahui informasi selengkapnya, lihat Mengelola operasi yang berjalan lama.