El modelo y la administración de riesgos es el proceso mediante el cual se determina que los modelos son suficientes para todos los grupos de partes interesadas. Tu 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 de AML en el panorama general de administración de riesgos. La IA de AML aporta documentación relevante para el modelo y la administración de riesgos, además de varios resultados del ajuste, el entrenamiento y la evaluación del modelo de IA de AML.
Documentación de la administración de riesgos y modelos
El siguiente conjunto de documentación conceptual, disponible a pedido para los clientes de IA de AML, sirve como artefactos de administración en tu modelo de administración de riesgos y de IA/AA y framework de administración de riesgos generales:
- Arquitectura del modelo: Describe la arquitectura del modelo particular que se usa para la IA AML para calcular las puntuaciones de riesgo.
- Metodología de etiquetado: Describe los enfoques que se usan para definir ejemplos de entrenamiento etiquetados para el ajuste, el entrenamiento y el backtesting de modelos de IA de AML.
- Metodología de entrenamiento de modelos: Se describe el enfoque de entrenamiento y validación para los modelos de IA de AML.
- Metodología de ajuste del modelo: Describe el proceso por el cual la IA AML optimiza los hiperparámetros del modelo en función de tus datos.
- Metodología de evaluación del modelo: Describe las métricas que se usan para la evaluación y la prueba inversa del modelo.
- Descripción general de las familias de funciones: Describe las familias de funciones compatibles y cómo se usan para la explicabilidad (y en otros lugares) en AML AI.
- Esquema de tipología de riesgos: Describe cómo la IA AML admite las tipoologías de riesgo y la metodología que usa para demostrar la cobertura.
- Política de compatibilidad y estabilidad de la versión del motor: Se describe lo que cambia y lo que no entre las versiones del motor de AML AI, y por cuánto tiempo cada versión del motor es compatible con diferentes operaciones.
Resultados del modelo como artefactos de administración
Los siguientes artefactos se generan como resultados mediante operaciones habituales de IA de AML:
- 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 interna te permiten medir el rendimiento del modelo entrenado con un conjunto de ejemplos no incluidos en el entrenamiento.
- Calidad de los datos
- El resultado de ausencia indica la proporción de valores faltantes por familia de atributos en tus conjuntos de datos que se usan para el ajuste, el entrenamiento, la evaluación 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 IA de AML, por lo que debes resolver estos errores para producir un modelo y predicciones de manera correcta.
- 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 más alto para la parte para el mes previsto. Las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de una 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 funciones a la puntuación de riesgo.
- Las operaciones de larga duración (LRO) te permiten realizar un seguimiento de todos los procesos de IA de AML que se usan en la preparación y las predicciones de modelos. Para obtener más información, consulta Administra operaciones de larga duración.