La governance di modelli e rischi è il processo mediante il quale i modelli vengono ritenuti sufficienti da tutti i gruppi di stakeholder. Il tuo processo potrebbe includere, tra gli altri argomenti, la convalida di nuovi modelli, il monitoraggio dei modelli, gli standard di sicurezza e conformità, le procedure di assistenza, la copertura dei rischi, i manuali operativi e le guide per l'utente.
In qualità di proprietario di un framework di rischio, i seguenti artefatti forniscono risorse utili per integrare l'AI per l'antiriciclaggio nel panorama generale della gestione del rischio. L'AI per l'AML fornisce documentazione pertinente alla governance di modelli e rischi, nonché vari output di ottimizzazione, addestramento e valutazione del modello di AI per l'AML.
Documentazione sulla governance dei modelli e dei rischi
Il seguente insieme di documentazione sui concetti, disponibile su richiesta per i clienti di AML AI, funge da artefatti di governance nel tuo framework complessivo di gestione dei rischi e di governance dei rischi e dei modelli di AI/ML:
- Architettura del modello: Descrive l'architettura del modello specifica utilizzata per l'AI per l'antiriciclaggio per calcolare i punteggi di rischio.
- Metodologia di etichettatura: Descrive gli approcci utilizzati per definire esempi di addestramento etichettati per l'ottimizzazione, l'addestramento e il backtesting dei modelli di AI per l'antiriciclaggio.
- Metodologia di addestramento del modello: Descrive l'approccio di addestramento e convalida per i modelli AML AI.
- Metodologia di ottimizzazione del modello: Descrive il processo mediante il quale AML AI ottimizza gli iperparametri del modello in base ai tuoi dati.
- Metodologia di valutazione del modello: Descrive le metriche utilizzate per la valutazione e il backtesting del modello.
- Panoramica delle famiglie di funzionalità: Descrive le famiglie di funzionalità supportate e il modo in cui vengono utilizzate per l'interpretabilità (e altrove) nell'AI AML.
- Schema della tipologia di rischio: Descrive in che modo AML AI fornisce metriche per monitorare la qualità dei dati e il potenziale impatto sui modelli AML AI.
- Schema della tipologia di rischio: Descrive in che modo AML AI supporta le tipologie di rischio e la metodologia che utilizza per dimostrare la copertura.
- Norme di stabilità e supporto delle versioni del motore: Descrive cosa cambia e cosa non cambia tra le versioni del motore AML AI e per quanto tempo ogni versione del motore è supportata per diverse operazioni.
Output del modello come artefatti di governance
I seguenti artefatti vengono generati come output dalle normali operazioni di AI AML:
- Qualità del modello
- L'output della configurazione del motore include il richiamo previsto (prima e dopo l'ottimizzazione) acquisito nei metadati di configurazione del motore.
- I risultati del backtest ti consentono di misurare le prestazioni del modello addestrato su un insieme di esempi non inclusi nell'addestramento.
- Qualità dei dati
- Output dei valori mancanti indica la quota di valori mancanti per famiglia di funzionalità nei set di dati utilizzati per l'ottimizzazione, l'addestramento, il backtest e la previsione. Variazioni significative possono indicare un'incoerenza nei dati sottostanti, che può influire sul rendimento del modello.
- Gli errori di convalida dei dati impediscono il completamento delle operazioni di AI AML, pertanto, per produrre correttamente un modello e previsioni, devi risolvere questi errori.
- Risultati della previsione
- I punteggi di rischio variano da 0 a 1 e, all'interno di questo intervallo, un punteggio più alto indica un rischio maggiore per la parte per il mese previsto. I punteggi di rischio non devono essere interpretati direttamente come probabilità di attività di riciclaggio di denaro o di successo di una possibile indagine.
- L'output di Explainable AI aumenta i punteggi di rischio elevato con punteggi di attribuzione che indicano il contributo di ogni famiglia di caratteristiche al punteggio di rischio.
- Le operazioni di lunga durata (LRO) consentono di monitorare tutti i processi di AI AML utilizzati nella preparazione e nelle previsioni dei modelli. Per saperne di più, consulta Gestire le operazioni di lunga durata.