En este glosario, se definen los términos específicos de la IA de la AML. Para ver los términos generales del aprendizaje automático, consulta el Glosario de aprendizaje automático.
A
- ADC
Cada una de las bibliotecas cliente de la API proporciona un medio para usar las credenciales predeterminadas de la aplicación (ADC) locales.
Si deseas obtener información sobre la diferencia entre tus credenciales locales de ADC y tus credenciales de gcloud CLI, consulta Credenciales de la CLI de gcloud y credenciales de ADC.
B
- backtesting
- La prueba retrospectiva usa datos históricos para evaluar el rendimiento (recuperación observada) de un modelo comparando la puntuación de riesgo que genera con los resultados reales de las investigaciones históricas.
- resultados de la prueba
- Se crea un recurso BacktestResult de IA de AML (también conocido como "resultados de la prueba retrospectiva") para probar el rendimiento de un modelo en un conjunto de datos.
- Para obtener más información, consulta Cómo evaluar un modelo.
C
- datos bancarios principales
- Los datos bancarios principales incluyen datos sobre las partes, las transacciones y las posiciones de las cuentas. Ayuda a la IA de la AML a comprender a tus clientes y su actividad bancaria para detectar características y comportamientos riesgosos.
- ventana de tiempo principal
El período de tiempo principal se refiere al intervalo de tiempo que se usa en una operación de IA de AML (configuración del motor, entrenamiento, pruebas retrospectivas y predicción) para generar ejemplos de entrenamiento, evaluación o resultados del modelo. Todas las tablas del conjunto de datos deben abarcar este período.
Las diferentes operaciones de la API tienen diferentes requisitos para el período principal para generar atributos y etiquetas. Para obtener más información, consulta Información sobre el alcance y la duración de los datos.
Consulta también ventana de visualización.
D
- validación de datos
- La IA de la AML realiza verificaciones de validación de datos cuando se crea un conjunto de datos, una configuración del motor, un modelo, resultados de la prueba retrospectiva o resultados de la predicción. Si el conjunto de datos especificado no pasa la validación de datos, no se crea el recurso y se producen errores de validación de datos (que indican la naturaleza del problema).
- Para obtener más información, consulta Errores de validación de datos.
- conjunto de datos
Un recurso de conjunto de datos de IA contra el lavado de dinero (o simplemente "conjunto de datos") se usa para especificar datos que se ajustan al modelo de datos de entrada contra el lavado de dinero, que se puede usar para generar un modelo, evaluar su rendimiento y generar puntuaciones de riesgo y explicabilidad por parte.
Para obtener más información, consulta Información sobre el modelo de datos y los requisitos de la AML.
E
- hora de finalización
Las operaciones de IA de la AML que usan un conjunto de datos requieren que especifiques una hora de finalización. Este campo se usa para controlar qué meses del conjunto de datos se usan para generar ejemplos de entrenamiento o evaluación y resultados del modelo.
La hora de finalización y todos los meses que se usen para una operación deben estar dentro del período del conjunto de datos asociado.
Por ejemplo, una operación de entrenamiento requiere un período principal de 15 meses. Si usas un conjunto de datos con un período del 15 de octubre de 2021 al 21 de mayo de 2023 y una hora de finalización el 12 de abril de 2023, el entrenamiento usará ejemplos de los meses calendario de enero de 2022 a marzo de 2023, que se encuentra en el período del conjunto de datos.
- Configuración del motor
Un recurso EngineConfig de IA de AML (también conocido como "configuración del motor") especifica parámetros para generar y evaluar un modelo de IA de AML, así como para generar puntuaciones de riesgo y explicabilidad.
Algunos de estos parámetros se especifican en la llamada a la API para crear una configuración del motor, como la versión del motor y el volumen de investigación esperado. La IA de AML genera automáticamente otros parámetros con un conjunto de datos especificado, por ejemplo, hiperparámetros ajustados.
Para obtener más información, consulta Cómo configurar un motor.
- versión del motor
Un recurso EngineVersion de la IA contra el lavado de dinero (también conocido como "versión del motor") define aspectos de cómo la IA contra el lavado de dinero detecta el riesgo, lo que abarca la optimización, el entrenamiento y la evaluación del modelo, así como el modelo de datos general de la IA contra el lavado de dinero y las familias de atributos.
Para configurar un motor de IA de AML, debes especificar una versión del motor que se usará. Luego, se usa la versión del motor para entrenar y evaluar modelos con esa configuración del motor y generar puntuaciones de riesgo y explicabilidad.
La nomenclatura de las versiones de motores se estructura de la siguiente manera, con el tipo de motor que expresa la línea de negocio compatible, y el subtipo de motor, el ajuste, la versión principal y la versión secundaria que se actualizan a medida que se implementan nuevos comportamientos.
Estos son algunos ejemplos de versiones:
aml-retail.default.v004.000.202312-000aml-commercial.default.v004.000.202312-000
Para obtener más información sobre la administración de versiones de motores, consulta Administra versiones de motores.
- evaluación
Consulta también backtesting.
- explicabilidad
Los modelos de IA de AML se usan para identificar a las partes que muestran comportamientos o características con alto riesgo de lavado de dinero. La explicabilidad indica qué comportamientos o características contribuyeron más a una puntuación de alto riesgo para una parte determinada.
Para obtener más información, consulta Información sobre los resultados de la predicción.
Consulta también predicción.
- exportar metadatos
Varios recursos de IA de la AML almacenan información adicional relacionada con el rendimiento y la calidad de los datos a la que se puede acceder mediante la operación de exportación de metadatos.
Para obtener más información, consulta Modelo de datos de salida de la AML.
F
- familia de funciones
- Las familias de atributos son colecciones de atributos de AA relacionados que proporcionan una categorización sencilla y comprensible para los investigadores y los equipos de auditoría interna.
I
- entidad inmutable
La IA de la AML debe poder volver a crear vistas de los datos en diferentes momentos para la optimización, el entrenamiento y la prueba retrospectiva. Para lograr esto, la IA de la AML diferencia entre entidades mutables (que pueden cambiar de valor con el tiempo) y entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, que puede cambiar con el tiempo, pero una entidad inmutable podría ser un evento, como retirar USD 50 el 2 de julio de 2024 a las 12:00:00 de tu cuenta corriente, que no cambia, ya que es un resumen de un momento determinado.
En el modelo de datos de entrada contra el lavado de dinero, las tablas que representan entidades inmutables no tienen los campos
validity_start_timeyis_entity_deleted. Esto incluye la tabla RiskCaseEvent.Para obtener más información, consulta Cómo cambian los datos con el tiempo.
Consulta también entidad mutable.
- instancia
Un recurso de instancia de IA contra el lavado de dinero (también conocido como "instancia") se encuentra en la raíz de todos los demás recursos de IA contra el lavado de dinero y se debe crear antes de que puedas trabajar con otros recursos de IA contra el lavado de dinero. Se pueden crear varias instancias en la misma región dentro de un proyecto.
Para obtener más información, consulta Cómo crear una instancia de IA de AML.
- proceso de investigación
Un proceso de investigación abarca toda la investigación o secuencia de investigaciones activadas por una alerta. El proceso comienza cuando comienza la primera parte de una investigación y finaliza cuando no se esperan más resultados de esta investigación.
Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
L
- LOB
- La línea de negocio (LOB) distingue a los clientes de la banca minorista y comercial en la IA de la AML. Los conjuntos de datos, las versiones del motor y el registro de las partes están vinculados a una línea de negocio, venta minorista o comercial específica.
- ventana de visualización
Además del período principal, las operaciones de IA de la AA requieren que los conjuntos de datos incluyan un período de visualización para permitir la generación de atributos que hagan un seguimiento del comportamiento a lo largo del tiempo.
Para obtener más información, consulta Información sobre el alcance y la duración de los datos.
- LRO
Varias operaciones de IA de AML, incluida la configuración del motor, el entrenamiento, la simulación de pruebas y la predicción, inician una operación de larga duración (LRO).
Para obtener más información, consulta Administra operaciones de larga duración.
M
- ausencia de datos
La métrica de faltantes se calcula para todas las familias de atributos cuando se crean los siguientes recursos de IA de AML: configuración del motor, modelo, resultados de la prueba retrospectiva y resultados de la predicción.
Esta métrica muestra la proporción de valores faltantes en todas las funciones de una familia de funciones. Un cambio significativo en la falta de datos de cualquier familia de atributos entre la optimización, el entrenamiento, la evaluación y la predicción puede indicar inconsistencias en los conjuntos de datos utilizados.
- model
Un recurso de modelo de IA para la prevención del fraude (también conocido como "modelo") representa un modelo entrenado que se puede usar para generar puntuaciones de riesgo y explicabilidad.
- entidad mutable
La IA de la AML debe poder volver a crear vistas de los datos en diferentes momentos para la optimización, el entrenamiento y la prueba retrospectiva. Para lograr esto, la IA de la AML diferencia entre entidades mutables (que pueden cambiar de valor con el tiempo) y entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, que puede cambiar con el tiempo, pero una entidad inmutable podría ser un evento, como retirar USD 50 de tu cuenta corriente el 2 de julio de 2024 a las 12:00:00, que no cambia, ya que es un resumen de un momento determinado.
En el modelo de datos de entrada contra el lavado de dinero, las tablas que representan entidades mutables tienen los campos
validity_start_timeyis_entity_deleted. Esto incluye las tablas Party, AccountPartyLink, Transaction y PartySupplementaryData.Para obtener más información, consulta Cómo cambian los datos con el tiempo.
Consulta también entidad inmutable.
O
- recordatorio observado
La IA de la AML mide el rendimiento del modelo en los datos históricos con la métrica de recuperación observada.
Esta métrica muestra la proporción de partes etiquetadas como positivas (por ejemplo, salidas de clientes) de un período seleccionado que el modelo que se evalúa habría identificado como de alto riesgo durante un período de actividad sospechosa.
P
- party
En el modelo de datos de entrada contra el lavado de dinero, una parte representa a un cliente del banco. Una de las partes puede ser una persona física o una entidad legal.
Para obtener más información, consulta la tabla Partido.
Consulta también parte registrada.
- predicción
La predicción consiste en usar un modelo para generar puntajes de riesgo y explicabilidad que se pueden usar en tu proceso de investigación de la AML.
- resultados de la predicción
Un recurso PredictionResult de IA de AML (también conocido como "resultados de la predicción") es el resultado de usar un modelo para crear predicciones.
Para obtener más detalles sobre cómo generar puntuaciones de riesgo y explicabilidad, así como sobre cómo usarlas en tu proceso de investigación, consulta las páginas de la sección Genera puntuaciones de riesgo y explicabilidad.
R
- Partido registrado
- Para que se pueda usar un tercero para crear resultados de predicción (por ejemplo, puntuaciones de riesgo y explicabilidad a nivel del tercero), este debe estar registrado en la línea de negocio correspondiente.
- caso de riesgo
Un caso de riesgo abarca un proceso de investigación o un grupo de procesos de investigación relacionados para diferentes partes.
Consulta la tabla RiskCaseEvent.
- datos de la investigación de riesgos
La IA de la AML usa los datos de la investigación de riesgos para comprender el proceso y los resultados de la investigación de riesgos y generar etiquetas de entrenamiento.
- Puntuación de riesgo
Los modelos de IA de AML se usan para identificar a las partes que muestran comportamientos o características con alto riesgo de lavado de dinero. Esto se hace a través de una puntuación de riesgo.
Las puntuaciones de riesgo varían de 0 a 1. Una puntuación más alta indica un riesgo mayor. Sin embargo, las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de actividad de lavado de dinero.
Para obtener más información, consulta Información sobre los resultados de la predicción.
- tipología de riesgos
La IA de AML puede identificar el riesgo de lavado de dinero en cinco tipologías de riesgo de AML principales relacionadas con la supervisión de transacciones.
Con una investigación suficiente y datos complementarios de las partes (consulta las tablas de datos complementarios), la IA contra el lavado de dinero puede abarcar más tipologías.
S
- datos complementarios
Los datos complementarios son datos adicionales, más allá de lo que se incluye en las áreas de datos bancarios principales y datos de investigación de riesgos del esquema de IA contra el lavado de dinero, que son relevantes para predecir el riesgo de lavado de dinero.
Por ejemplo, puedes identificar y agregar un indicador de riesgo que ayude a los modelos a predecir mejor una tipología de riesgo que, de otro modo, no está bien cubierta.
Los datos complementarios se pueden agregar a un conjunto de datos con la tabla PartySupplementaryData.
- período de actividad sospechosa
Un período de actividad sospechosa es un período en el que crees que una de las partes investigadas mostró un comportamiento sospechoso. Esto se usa en la evaluación del modelo (por ejemplo, la métrica de recuperación para los resultados de la prueba retrospectiva) para confirmar que se identifiquen a los clientes de alto riesgo durante los meses en los que tuvieron actividad sospechosa.
Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
T
- entrenamiento
- La IA contra el lavado de dinero realiza el entrenamiento como parte de la creación de un modelo con hiperparámetros (consulta ajuste) a partir de una configuración de motor especificada.
- ajuste
- El ajuste es la optimización de los hiperparámetros del modelo. La IA de AML realiza la optimización como parte de la creación de una configuración de motor.
V
- validity start time
La IA de la AML usa la hora de inicio de validez de una entidad mutable para construir una vista de lo que el banco sabía en un momento determinado. Esto permite que la IA de la AML entrene con precisión modelos que se pueden volver a usar en los datos más recientes (es decir, lo que el banco sabe) para producir puntuaciones de riesgo de alta fidelidad.
La hora de inicio de la validez de una fila determinada representa la hora más antigua en la que el banco conoció los datos de esta fila y los corrigió.
Para obtener más información, consulta Cómo cambian los datos con el tiempo.