A governança de modelos e riscos é o processo pelo qual os modelos são considerados suficientes por todos os grupos de partes interessadas. O processo pode incluir a validação de novos modelos, monitoramento de modelos, padrões de segurança e compliance, processos de suporte, cobertura de risco, manuais de operações e guias do usuário, entre outros temas.
Como proprietário de uma estrutura de risco, os artefatos a seguir oferecem recursos úteis para integrar a IA de AML ao seu cenário de gerenciamento de risco. A IA de AML contribui com a documentação relevante para a governança de modelos e riscos, além de várias saídas de ajuste, treinamento e avaliação do modelo de IA de AML.
Documentação de governança de modelos e riscos
O conjunto de documentação de conceito a seguir, disponível mediante solicitação para clientes de IA de AML, serve como artefatos de governança no seu modelo de gerenciamento de riscos e de IA/ML e na estrutura de governança de riscos:
- Arquitetura do modelo: descreve a arquitetura de modelo específica usada pela IA de AML para calcular as pontuações de risco.
- Metodologia de rotulagem: descreve as abordagens usadas para definir exemplos de treinamento rotulados para ajuste, treinamento e contrateste de modelos de IA de AML.
- Metodologia de treinamento de modelo: descreve a abordagem de treinamento e validação para modelos de IA de AML.
- Metodologia de ajuste de modelo: descreve o processo pelo qual a IA de AML otimiza os hiperparâmetros do modelo com base nos seus dados.
- Metodologia de avaliação do modelo: descreve as métricas usadas para avaliação e testes retrospectivos do modelo.
- Visão geral das famílias de recursos: descreve as famílias de recursos com suporte e como elas são usadas para explicabilidade (e em outros lugares) na IA de AML.
- 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 e o que não muda entre as versões do mecanismo de IA AML e por quanto tempo cada versão do mecanismo é compatível com operações diferentes.
Modelar saídas como artefatos de governança
Os artefatos a seguir são gerados como saídas por operações regulares de IA de AML:
- Qualidade do modelo
- A saída de configuração do mecanismo inclui a recuperação esperada (antes e depois do ajuste) capturada nos metadados de configuração do mecanismo.
- Os resultados do teste de regressão permitem medir a performance do modelo treinado em um conjunto de exemplos que não foram incluídos no treinamento.
- Qualidade dos dados
- A saída de ausência de dados indica a porcentagem de valores ausentes por família de atributos nos seus conjuntos de dados usados para ajuste, treinamento, backtesting e previsão. Mudanças significativas podem indicar uma inconsistência nos dados que podem afetar a performance do modelo.
- Erros de validação de dados impedem a conclusão das operações de IA de AML. Portanto, para produzir um modelo e previsões, é necessário resolver esses erros.
- Resultados da previsão
- As pontuações de risco variam de 0 a 1. Dentro desse intervalo, uma pontuação mais alta indica um risco maior para a parte no mês previsto. As pontuações de risco não devem ser interpretadas diretamente como uma probabilidade de atividade de lavagem de dinheiro ou do sucesso de uma possível investigação.
- A saída de IA explicável aumenta as pontuações de alto risco com pontuações de atribuição que indicam a contribuição de cada família de recursos para a pontuação de risco.
- As operações de longa duração (LROs, na sigla em inglês) permitem rastrear todos os processos de IA de AML usados na preparação e nas previsões do modelo. Para mais informações, consulte Gerenciar operações de longa duração.