模型和风险治理是指所有利益相关者群体确定模型是否充分的过程。您的流程可能包括新的模型验证、模型监控、安全和合规性标准、支持流程、风险覆盖范围、操作手册和用户指南等主题。
作为风险框架的所有者，以下制品可为您提供有用的资源，以便将 AML AI 集成到您的整体风险管理格局中。AML AI 会提供与模型和风险治理相关的文档，以及调整、训练和评估 AML AI 模型后生成的各种输出。
模型和风险治理文档
以下概念文档集可供 AML AI 客户索取，可作为您整体风险管理和 AI/ML 模型与风险治理框架中的治理制品：
- 模型架构： 介绍用于计算风险得分的 AML AI 的特定模型架构。
- 标签方法： 描述了用于定义带标签的训练示例以对 AML AI 模型进行调优、训练和回测的方法。
- 模型训练方法： 描述了 AML AI 模型的训练和验证方法。
- 模型调优方法： 描述了 AML AI 如何根据您的数据优化模型超参数。
- 模型评估方法： 说明用于模型评估和回测的指标。
- 功能系列概览： 介绍了支持的功能系列以及如何在 AML AI 中将它们用于可解释性（和其他方面）。
- 风险类型学架构： 描述了 AML AI 如何提供指标来跟踪数据质量以及对 AML AI 模型的潜在影响。
- 风险类型学架构： 介绍了 AML AI 如何支持风险类型学以及它用于展示覆盖范围的方法。
- 引擎版本稳定性和支持政策： 说明了 AML AI 引擎版本之间哪些会发生变化，哪些不会发生变化，以及每个引擎版本在不同操作中受支持的时间。
模型输出作为治理制品
常规 AML AI 操作会生成以下工件作为输出：
- 模型质量
- 引擎配置输出包括引擎配置元数据中捕获的预期召回率（调整前后）。
- 借助回测结果，您可以衡量训练后的模型在未纳入训练的一组示例中的表现。
- 数据质量
- 缺失性输出表示用于调优、训练、回测和预测的数据集中每个特征系列的缺失值比例。显著变化可能表明基础数据存在不一致性，这会影响模型效果。
- 数据验证错误会阻止 AML AI 操作完成，因此您必须解决这些错误，才能成功生成模型和预测结果。
- 预测结果
- 风险得分介于 0 到 1 之间，在此范围内，得分越高表示相应方在预测月份的风险越高。风险得分不应直接解读为洗钱活动的概率，也不应解读为可能进行的调查取得成功的概率。
- AI Explanations 输出会使用归因分数来增强高风险分数，这些分数表示每个特征系列对风险分数的贡献。
- 借助长时间运行的操作 (LRO)，您可以跟踪模型准备和预测中使用的所有 AML AI 流程。如需了解详情，请参阅管理长时间运行的操作。