A governança de modelos e riscos é o processo pelo qual todos os grupos de partes interessadas determinam que os modelos são suficientes. Seu processo pode incluir validação e monitoramento de novos modelos, padrões de segurança e compliance, processos de suporte, cobertura de riscos, manuais de operações e guias do usuário, entre outros temas.
Como proprietário de uma estrutura de risco, os seguintes artefatos oferecem recursos úteis para integrar a IA de AML ao seu cenário geral de gerenciamento de riscos. A IA de AML contribui com documentação relevante para a governança de modelos e riscos, além de várias saídas de ajuste, treinamento e avaliação do seu modelo de IA de AML.
Documentação de governança de modelo e risco
O conjunto a seguir de documentação de conceitos, disponível mediante solicitação para clientes de IA de AML, serve como artefatos de governança na sua estrutura geral de gerenciamento de riscos e governança de riscos e modelos de IA/ML:
- Arquitetura do modelo: Descreve a arquitetura do modelo específico usado para a IA de AML para calcular pontuações de risco.
- Metodologia de rotulagem: Descreve as abordagens usadas para definir exemplos de treinamento rotulados para ajuste, treinamento e backtesting 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 do AML otimiza os hiperparâmetros do modelo com base nos seus dados.
- Metodologia de avaliação do modelo: Descreve as métricas usadas para avaliação e backtesting do modelo.
- Visão geral das famílias de recursos: Descreve as famílias de recursos compatíveis 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 fornece métricas para acompanhar a qualidade dos dados e o possível impacto nos modelos de IA antilavagem de dinheiro.
- 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 AML AI e por quanto tempo cada versão do mecanismo é compatível com diferentes operações.
Saídas do modelo como artefatos de governança
Os seguintes artefatos são gerados como saídas por operações regulares de IA de AML:
- Qualidade do modelo
- A saída da configuração do mecanismo inclui o recall esperado (antes e depois do ajuste) capturado nos metadados de configuração do mecanismo.
- Com os resultados do backtest, é possível medir a performance do modelo treinado em um conjunto de exemplos não incluídos no treinamento.
- Qualidade dos dados
- A saída de ausência de dados indica a proporção de valores ausentes por família de recursos nos conjuntos de dados usados para ajuste, treinamento, backtesting e previsão. Mudanças significativas podem indicar uma inconsistência nos dados subjacentes, o que pode afetar a performance do modelo.
- Erros de validação de dados impedem a conclusão das operações de IA de AML. Para gerar um modelo e previsões, é necessário resolver esses erros.
- Resultados da previsão
- As pontuações de risco variam de 0 a 1, e, dentro dessa faixa, uma pontuação mais alta indica maior risco para a parte no mês previsto. Os indicadores de risco não devem ser interpretados diretamente como uma probabilidade de atividade de lavagem de dinheiro ou de sucesso de uma possível investigação.
- A saída da 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) permitem rastrear todos os processos de IA de AML usados na preparação e nas previsões de modelos. Para mais informações, consulte Gerenciar operações de longa duração.