La administración de modelos y riesgos es el proceso mediante el cual todos los grupos de partes interesadas determinan que los modelos son suficientes. El 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 del usuario, entre otros temas.
Como propietario de un framework de riesgo, los siguientes artefactos te proporcionan recursos útiles para integrar la IA contra el lavado de dinero en tu panorama general de administración de riesgos. La IA contra el lavado de dinero aporta documentación relevante para el modelo y la administración de riesgos, así como varios resultados del ajuste, el entrenamiento y la evaluación del modelo de IA contra el lavado de dinero.
Documentación de administración de riesgos y modelos
El siguiente conjunto de documentación de conceptos, disponible a pedido para los clientes de IA contra el lavado de dinero, sirve como artefactos de administración en la administración general de riesgos, el modelo de IA/AA y el framework de administración de riesgos:
- Arquitectura del modelo: Describe la arquitectura del modelo particular que se usa para la IA contra el lavado de dinero a fin de calcular las puntuaciones de riesgo.
- Metodología de etiquetado: Describe los enfoques que se usan para definir ejemplos de entrenamiento etiquetados para ajustar, entrenar y hacer pruebas retrospectivas de modelos de IA contra lavado de dinero.
- Metodología de entrenamiento de modelos: Describe el enfoque de entrenamiento y validación para los modelos de IA contra el lavado de dinero.
- Metodología de ajuste del modelo: Describe el proceso mediante el cual la IA contra el lavado de dinero optimiza los hiperparámetros del modelo en función de tus datos.
- Metodología de evaluación del modelo: Describe las métricas que se usan para la evaluación del modelo y la evaluación inversa.
- Descripción general de las familias de funciones: Describe las familias de funciones admitidas y cómo se usan para la explicabilidad (y en otros lugares) en la IA contra el lavado de dinero.
- Esquema de tipología de riesgos: Describe cómo la IA contra el lavado de dinero admite las tipologías de riesgo y la metodología que usa para demostrar la cobertura.
- Política de compatibilidad y estabilidad de la versión del motor: Describe qué cambia y qué no cambia entre las versiones del motor de IA contra el lavado de dinero y por cuánto tiempo se admite cada versión del motor para diferentes operaciones.
Resultados del modelo como artefactos de administración
Las operaciones habituales de IA contra el lavado de dinero 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 inversa te permiten medir el rendimiento del modelo entrenado con un conjunto de ejemplos que no se incluyen en el entrenamiento.
- Calidad de los datos
- Salida de falta indica el porcentaje de valores faltantes por familia de atributos en tus conjuntos de datos que se usan para el ajuste, el entrenamiento, la prueba retrospectiva y la predicción. Los cambios significativos pueden indicar una incoherencia en los datos subyacentes, lo que puede afectar el rendimiento del modelo.
- Los errores de validación de datos impiden que se completen las operaciones de la IA contra el lavado de dinero, por lo que, para producir con éxito un modelo y predicciones, 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 riesgo mayor para la parte durante el mes previsto. Las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de actividad de lavado de dinero o del éxito de una posible investigación.
- El resultado de Explainable AI aumenta las puntuaciones de riesgo altas 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 contra el lavado de dinero que se usan en la preparación y las predicciones de modelos. Para obtener más información, consulta Administra operaciones de larga duración.