Tata kelola model dan risiko adalah proses yang digunakan untuk menentukan apakah model sudah memadai oleh semua grup pemangku kepentingan. Proses Anda mungkin mencakup validasi model baru, pemantauan model, standar keamanan dan kepatuhan, proses dukungan, cakupan risiko, manual operasi, dan panduan pengguna, di antara topik lainnya.
Sebagai pemilik framework risiko, artefak berikut memberi Anda resource yang berguna untuk mengintegrasikan AI AML ke dalam lanskap manajemen risiko secara keseluruhan. AML AI memberikan kontribusi dokumentasi yang relevan dengan model dan tata kelola risiko, serta berbagai output dari penyesuaian, pelatihan, dan evaluasi model AML AI Anda.
Dokumentasi model dan tata kelola risiko
Kumpulan dokumentasi konsep berikut, yang tersedia berdasarkan permintaan untuk pelanggan AML AI, berfungsi sebagai artefak tata kelola dalam pengelolaan risiko umum dan model AI/ML serta framework tata kelola risiko:
- Arsitektur model: Menjelaskan arsitektur model tertentu yang digunakan untuk AI AML untuk 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 balik.
- Ringkasan kelompok fitur: Menjelaskan kelompok fitur yang didukung dan cara penggunaannya untuk keterbukaan (dan di tempat lain) di AI AML.
- Skema tipologi risiko: Menjelaskan cara AML AI mendukung tipologi risiko dan metodologi yang digunakan untuk menunjukkan cakupan.
- Kebijakan dukungan dan stabilitas versi mesin: Menjelaskan apa yang berubah dan tidak berubah di antara versi mesin AML AI, dan berapa lama setiap versi mesin 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 diambil dalam metadata konfigurasi mesin.
- Hasil pengujian balik memungkinkan Anda mengukur performa model terlatih pada serangkaian contoh yang tidak disertakan dalam pelatihan.
- Kualitas data
- Output ketidaklengkapan menunjukkan bagian nilai yang tidak ada per keluarga fitur dalam set data Anda yang digunakan untuk penyesuaian, pelatihan, pengujian balik, dan prediksi. Perubahan yang signifikan dapat menunjukkan inkonsistensi dalam data pokok Anda yang dapat memengaruhi performa model.
- Error validasi data mencegah penyelesaian operasi AI AML, sehingga untuk berhasil menghasilkan 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 untuk bulan yang diprediksi. Skor risiko tidak boleh ditafsirkan secara langsung sebagai probabilitas aktivitas pencucian uang, atau keberhasilan kemungkinan investigasi.
- Output Explainable AI meningkatkan skor risiko tinggi dengan skor atribusi yang menunjukkan kontribusi setiap keluarga fitur terhadap skor risiko.
- Operasi yang berjalan lama (LROs) memungkinkan Anda melacak semua proses AI AML yang digunakan dalam persiapan dan prediksi model. Untuk mengetahui informasi selengkapnya, lihat Mengelola operasi yang berjalan lama.