La gouvernance des modèles et des risques est le processus par lequel tous les groupes de partenaires déterminent que les modèles sont suffisants. Votre processus peut inclure, entre autres, la validation et la surveillance des modèles, les normes de sécurité et de conformité, les processus d'assistance, la couverture des risques, les manuels d'utilisation et les guides de l'utilisateur.
En tant que propriétaire d'un framework de risque, les artefacts suivants vous fournissent des ressources utiles pour intégrer l'IA AML dans votre paysage global de gestion des risques. AML AI fournit de la documentation pertinente pour la gouvernance des modèles et des risques, ainsi que divers résultats de l'ajustement, de l'entraînement et de l'évaluation de votre modèle AML AI.
Documentation sur la gouvernance des modèles et des risques
L'ensemble suivant de documents conceptuels, disponibles sur demande pour les clients AML AI, sert d'artefact de gouvernance dans votre cadre global de gestion des risques et de gouvernance des risques et des modèles d'IA/ML :
- Architecture du modèle : Décrit l'architecture de modèle spécifique utilisée pour l'IA AML afin de calculer les scores de risque.
- Méthodologie d'étiquetage : Décrit les approches utilisées pour définir des exemples d'entraînement étiquetés pour l'ajustement, l'entraînement et le backtesting des modèles d'IA AML.
- Méthodologie d'entraînement des modèles : décrit l'approche d'entraînement et de validation des modèles d'IA AML.
- Méthodologie de réglage du modèle : Décrit le processus par lequel l'IA AML optimise les hyperparamètres du modèle en fonction de vos données.
- Méthodologie d'évaluation du modèle : Décrit les métriques utilisées pour l'évaluation et le backtesting du modèle.
- Présentation des familles de caractéristiques : Décrit les familles de caractéristiques compatibles et la façon dont elles sont utilisées pour l'explicabilité (et ailleurs) dans AML AI.
- Schéma de typologie des risques : Décrit comment AML AI fournit des métriques pour suivre la qualité des données et l'impact potentiel sur les modèles AML AI.
- Schéma de typologie des risques : Décrit comment l'AML basée sur l'IA prend en charge les typologies de risques et la méthodologie qu'elle utilise pour démontrer la couverture.
- Stabilité de la version du moteur et règlement concernant l'assistance : Décrit ce qui change et ce qui ne change pas entre les versions du moteur AML AI, ainsi que la durée pendant laquelle chaque version du moteur est compatible avec les différentes opérations.
Sorties de modèle en tant qu'artefacts de gouvernance
Les artefacts suivants sont générés en tant que sorties par les opérations d'IA AML régulières :
- Qualité du modèle
- La sortie de la configuration du moteur inclut le rappel attendu (avant et après l'optimisation) capturé dans les métadonnées de configuration du moteur.
- Les résultats du backtest vous permettent de mesurer les performances du modèle entraîné sur un ensemble d'exemples non inclus dans l'entraînement.
- Qualité des données
- La section Sortie des valeurs manquantes indique la part des valeurs manquantes par famille de caractéristiques dans vos ensembles de données utilisés pour l'optimisation, l'entraînement, le backtesting et la prédiction. Des changements importants peuvent indiquer une incohérence dans vos données sous-jacentes, ce qui peut avoir un impact sur les performances du modèle.
- Les erreurs de validation des données empêchent l'exécution des opérations AML AI. Pour générer un modèle et des prédictions, vous devez donc résoudre ces erreurs.
- Résultats de prédiction
- Les scores de risque varient de 0 à 1. Dans cette plage, un score plus élevé indique un risque plus élevé pour la partie concernée pour le mois prévu. Les scores de risque ne doivent pas être interprétés directement comme une probabilité d'activité de blanchiment d'argent ou de succès d'une éventuelle enquête.
- Les résultats d'Explainable AI augmentent les scores de risque élevé avec des scores d'attribution indiquant la contribution de chaque famille de caractéristiques au score de risque.
- Les opérations de longue durée vous permettent de suivre tous les processus d'IA AML utilisés dans la préparation et les prédictions des modèles. Pour en savoir plus, consultez Gérer les opérations de longue durée.