Diese Seite wurde von der Cloud Translation API übersetzt.

AML AI-Glossar

In diesem Glossar werden Begriffe definiert, die sich speziell auf AML AI beziehen. Allgemein Begriffe zum maschinellen Lernen finden Sie Glossar zum maschinellen Lernen

A


ADC: Jede der API-Client-Bibliotheken bietet die Möglichkeit, lokale Anwendungen Standardanmeldedaten (ADC); Informationen zum Unterschied zwischen Ihren lokalen ADC-Anmeldedaten und Ihre Anmeldedaten für die gcloud CLI finden Sie unter Anmeldedaten für die gcloud CLI und ADC

B


Backtesting: Beim Backtest werden Verlaufsdaten zur Leistungsbewertung verwendet (beobachtete Recall). eines Modells durch Vergleichen des generierten Risikowerts mit dem der tatsächlichen Ergebnisse historischer Untersuchungen.

Backtest-Ergebnisse: Eine AML-KI-BacktestResult-Ressource (auch als „Backtest-Ergebnisse“ bezeichnet) wird erstellt, um die Leistung eines Modells anhand eines Datasets zu testen.; Weitere Informationen finden Sie unter Modell bewerten.

C


grundlegende Bankdaten: Kernbankdaten umfassen Daten zu Parteien, Transaktionen und Kontobestände. So kann die AML-KI Ihre Kunden und ihre Bankaktivitäten besser verstehen, um riskante Merkmale und Verhaltensweisen zu erkennen.

Kernzeitfenster: Kernzeitfenster bezieht sich auf den Zeitraum, der in einer AML-KI verwendet wird (Engine-Konfiguration, Training, Backtesting und Vorhersage) für Trainings-, Bewertungs- oder Modellausgaben generieren. Dieser Zeitraum muss von allen Tabellen im Dataset abgedeckt sein.; Unterschiedliche API-Vorgänge haben unterschiedliche Anforderungen an das Kernzeitfenster. Funktionen und Beschriftungen zu generieren. Weitere Informationen finden Sie unter Umfang und Dauer der Daten.; Weitere Informationen finden Sie unter Lookback-Window.

D


Datenvalidierung: AML AI führt beim Erstellen eines Datasets Datenvalidierungsprüfungen durch, Engine-Konfiguration, Modell, Backtest-Ergebnisse oder Vorhersageergebnisse. Wenn der angegebene Datensatz die Datenvalidierung nicht besteht, wird die Ressource nicht erstellt und es werden Datenvalidierungsfehler ausgegeben, die die Art des Problems angeben.; Weitere Informationen finden Sie unter Fehler bei der Datenvalidierung.

Dataset: Eine AML AI-Dataset-Ressource (oder einfach nur "Dataset") zur Angabe von Daten verwendet wird, AML-Eingabedatenmodell, das zum Generieren eines Modells verwendet werden kann, die Leistung eines Modells bewerten, Risikobewertungen generieren Erklärbarkeit pro Partei.; Weitere Informationen finden Sie unter AML-Datenmodell und -Anforderungen.

E

Ende

Bei AML AI-Vorgängen, die ein Dataset verwenden, müssen Sie ein Endzeit. In diesem Feld wird festgelegt, welche Monate im Datensatz zum Generieren von Trainings- oder Bewertungsbeispielen und Modellergebnissen verwendet werden.

Die Endzeit und alle für einen Vorgang verwendeten Monate müssen in den Zeitraum des zugehörigen Datensatzes fallen.

Für einen Trainingsvorgang ist beispielsweise ein Kernzeitfenster von 15 Monaten erforderlich. Wenn Sie verwenden ein Dataset mit einem Zeitraum vom 15. Oktober 2021 bis 21. Mai 2023 und ein Ende am 12. April 2023 festgelegt wird, dann werden für das Training Beispiele aus dem Kalender verwendet. Januar 2022 bis März 2023, was im Zeitraum Dataset.

engine config

Eine EngineConfig-Ressource von AML AI (auch "Engine-Konfiguration" genannt) gibt Parameter zum Generieren und ein AML-KI-Modell bewerten und Risikobewertungen generieren und Erklärbarkeit.

Einige dieser Parameter werden im API-Aufruf angegeben, um eine Engine-Konfiguration zu erstellen, z. B. die Engine-Version und das erwartete Untersuchungsvolumen. Sonstiges werden von AML AI automatisch mithilfe eines für ein bestimmtes Dataset, z. B. abgestimmte Hyperparameter.

Weitere Informationen finden Sie unter Engine konfigurieren.

Engine-Version

Eine EngineVersion-Ressource von AML AI (auch „Engine-Version“ genannt) definiert Aspekte darüber, wie AML AI erkennt Risiken, was die Modellabstimmung, -training und -bewertung umfasst, das AML-Datenmodell und die Featurefamilien.

Wenn Sie eine AML-KI-Engine konfigurieren, müssen Sie eine zu verwendende Engine-Version angeben. Die Suchmaschinenversion ist dann zum Trainieren und Bewerten von Modellen mit dieser Engine-Konfiguration und zum Generieren von Risiken verwendet werden. Punktzahlen und Erklärbarkeit.

Die Benennung der Engine-Version ist folgendermaßen strukturiert: Der Engine-Typ gibt die unterstützte Branche an. Engine-Subtyp, Tuning, Hauptversion und Nebenversion werden aktualisiert, wenn neue Verhaltensweisen implementiert werden.

Beispiele für Versionen:

aml-retail.default.v004.000.202312-000
aml-commercial.default.v004.000.202312-000

Weitere Informationen zum Verwalten von Engine-Versionen finden Sie unter Engine-Versionen verwalten.

Bewertung

Siehe auch Backtesting.

Erklärbarkeit

AML-KI-Modelle werden verwendet, um Parteien zu identifizieren, die Verhaltensweisen oder Merkmale mit hohem Risiko für Geldwäsche aufweisen. Die Erklärbarkeit gibt an, welche Verhaltensweisen oder Merkmale zur für eine Partei am höchsten ist.

Weitere Informationen finden Sie unter Vorhersageergebnisse verstehen.

Siehe auch Vorhersage.

Metadaten exportieren

Mehrere AML AI-Ressourcen speichern zusätzliche Informationen zu die Leistung und Datenqualität, die Sie über den Export Metadatenvorgang.

Weitere Informationen finden Sie unter AML-Ausgabedatenmodell.

F


Funktionsfamilie: Featurefamilien sind Sammlungen ähnlicher ML-Features, die eine einfache, für Menschen verständliche Kategorisierung bieten, um Prüfer und interne Auditteams zu informieren.

I


Unveränderliche Entität: AML AI muss in der Lage sein, Ansichten der Daten für Feinabstimmung, Training und Backtesting. Dazu unterscheidet die AML-KI zwischen veränderlichen Entitäten (deren Werte sich im Laufe der Zeit ändern können) und unveränderlichen Entitäten (die sich nicht ändern).; Ein veränderbares Element kann beispielsweise Ihr Girokontostand sein, der sich im Laufe der Zeit ändern kann. Ein unveränderliches Element kann dagegen ein Ereignis sein, z. B. ein Abheben von 50 € am 2. Juli 2024 um 12:00:00 Uhr von Ihrem Girokonto, das sich nicht ändert, da es sich um einen zeitlichen Schnappschuss handelt.; Im AML-Eingabedatenmodell werden Tabellen, die unveränderliche Entitäten darstellen, dargestellt. die Felder validity_start_time und is_entity_deleted nicht enthalten. Dazu gehört die Tabelle RiskCaseEvent.; Weitere Informationen finden Sie unter Daten im Zeitverlauf analysieren.; Weitere Informationen finden Sie unter änderbares Objekt.

instance: Eine AML AI-Instanzressource (auch als „Instanz“ bezeichnet) befindet sich auf der Wurzel aller anderen AML AI Sie müssen erstellt werden, bevor Sie mit anderen AML AI arbeiten können. Ressourcen. Innerhalb eines Projekts können mehrere Instanzen in derselben Region erstellt werden.; Weitere Informationen finden Sie unter AML-KI-Instanz erstellen.

Untersuchungsverfahren: Ein Untersuchungsprozess umfasst die gesamte Untersuchung oder Abfolge von durch eine Benachrichtigung ausgelöste Prüfungen. Der Prozess beginnt, wenn der erste Teil einer Untersuchung beginnt, und endet, wenn von dieser Untersuchung keine weiteren Ergebnisse erwartet werden.; Weitere Informationen finden Sie unter Lebenszyklus eines Risikofalls.

L


LOB: Der Geschäftsbereich (Line of Business, LOB) unterscheidet bei der AML-KI zwischen Kunden des Einzelhandels und Geschäftsbanken. Datensätze, Engine-Versionen und die Registrierung von Rechtssubjekten sind mit einem bestimmten Geschäftsbereich, Einzelhandel oder kommerziellen Unternehmen verknüpft.


Lookback-Window: Neben dem Kernzeitraum müssen Datasets für AML-KI-Vorgänge ein Rückschaufenster enthalten, damit Funktionen generiert werden können, die das Verhalten im Zeitverlauf verfolgen.; Weitere Informationen finden Sie unter Umfang und Dauer der Daten.

LRO: Mehrere AML AI-Vorgänge, einschließlich der Engine-Konfiguration, Training, Backtesting und Vorhersagen, Initiieren eines lang andauernden Vorgangs LRO:; Weitere Informationen finden Sie unter Vorgänge mit langer Ausführungszeit verwalten.

$


Fehlende Daten: Der Messwert für fehlende Werte wird für alle Featurefamilien berechnet, wenn die folgenden AML-KI-Ressourcen erstellt werden: Engine-Konfiguration, Modell, Backtestergebnisse und Vorhersageergebnisse.; Dieser Messwert gibt den Anteil der fehlenden Werte bei allen Funktionen in einer Funktionsfamilie an. Eine erhebliche Änderung der fehlenden Werte für eine beliebige Funktionsfamilie zwischen Optimierung, Training, Bewertung und Vorhersage kann auf Inkonsistenzen in den verwendeten Datensätzen hinweisen.

model: Eine Modellressource für die AML-KI (auch als „Modell“ bezeichnet) ist ein trainiertes Modell, mit dem Risikobewertungen und Erklärbarkeit generiert werden können.

Veränderliche Entität: AML AI muss in der Lage sein, Ansichten der Daten für Feinabstimmung, Training und Backtesting. Ziel unterscheidet AML AI zwischen änderbaren Entitäten, im Zeitverlauf ändern) und unveränderliche Entitäten (die sich nicht ändern).; Ein veränderliches Element kann beispielsweise Ihr Girokontostand sein, der sich im Laufe der Zeit ändern kann. Ein unveränderliches Element kann dagegen ein Ereignis sein, z. B. ein Abheben von 50 € am 2. Juli 2024 um 12:00:00 Uhr von Ihrem Girokonto, das sich nicht ändert, da es sich um einen bestimmten Zeitpunkt handelt.; Im AML-Eingabedatenmodell haben Tabellen, die mutable Entitäten darstellen, die Felder validity_start_time und is_entity_deleted. Dazu gehören die Partei, AccountPartyLink, Transaction und PartySupplementaryData.; Weitere Informationen finden Sie unter Änderungen von Daten im Zeitverlauf.; Siehe auch Unveränderliche Entität.

O


Beobachtete Wiedergabe: AML AI misst die Modellleistung anhand von Verlaufsdaten mithilfe des Beobachteter Recall-Messwert.; Dieser Messwert zeigt den Anteil der Parteien, die mit einem Label versehen wurden (z. B. Kundenausstiege) aus einem ausgewählten Zeitraum, der während Zeitraum mit verdächtiger Aktivität das bewertete Modell.

P


party: Im AML-Eingabedatenmodell steht eine Partei für einen Kunden der Bank. Eine Partei kann eine natürliche Person oder eine juristische Person sein.; Weitere Informationen finden Sie in der Tabelle Party.; Siehe auch registrierte Partei.

Vorhersage: Bei der Vorhersage werden mithilfe eines Modells Risikobewertungen und Erklärbarkeiten generiert, die im AML-Prüfprozess verwendet werden können.

Vorhersageergebnisse: Eine PredictionResult-Ressource (auch als „Vorhersageergebnisse“ bezeichnet) ist das Ergebnis der Verwendung eines Modells zum Erstellen von Vorhersagen.; Weitere Informationen zum Generieren von Risikobewertungen und Erklärbarkeit sowie zur Verwendung dieser in Ihrem Analyseprozess finden Sie auf den Seiten im Abschnitt Risikobewertungen und Erklärbarkeit generieren.

R


registrierte Partei: Bevor eine Partei verwendet werden kann, um Prognoseergebnisse zu erstellen (z. B. Risikobewertungen und Erklärbarkeit auf Parteiebene), muss sie für die entsprechende Branche registriert sein.

Risikofall: Ein Risikofall umfasst einen Untersuchungsprozess oder eine Gruppe verwandter Prüfverfahren für verschiedene Parteien.; Weitere Informationen finden Sie in der Tabelle RiskCaseEvent.

Risikountersuchungsdaten: Daten zur Risikoprüfung werden von der AML-KI verwendet, um den Prozess und die Ergebnisse der Risikoprüfung zu verstehen und Trainingslabels zu generieren.

Risikobewertung: AML-KI-Modelle werden verwendet, um Parteien zu identifizieren, die Verhaltensweisen oder Merkmale mit hohem Risiko für Geldwäsche aufweisen. Dies geschieht anhand eines Risiko-Scores.; Risikobewertungen reichen von 0 bis 1. Je höher der Wert, desto höher ist das Risiko. Sie können jedoch Risikobewertungen sollten nicht direkt als Wahrscheinlichkeit von Geldbeträgen interpretiert werden. Waschaktivitäten.; Weitere Informationen finden Sie unter Vorhersageausgaben verstehen

Risikotypologie: AML-KI kann das Geldwäscherisiko in fünf AML-Risikotypen im Zusammenhang mit dem Transaktionsmonitoring identifizieren.; Mit ausreichenden Untersuchungen und ergänzenden Daten (siehe Tabelle mit ergänzenden Daten), kann AML AI die weitere Typologien.

S


ergänzende Daten: Ergänzende Daten sind zusätzliche Daten, die über das hinausgehen, was in der grundlegende Bankdaten und Risikountersuchungsdaten des AML AI-Schemas, das für die Vorhersage das Risiko der Geldwäsche.; Sie können beispielsweise einen Risikoindikator ermitteln und hinzufügen, der Modellen hilft, eine Risikotypologie besser vorherzusagen, die sonst nicht gut abgedeckt ist.; Mithilfe der Tabelle PartySupplementaryData können Sie einem Datensatz ergänzende Daten hinzufügen.


Zeitraum mit verdächtigen Aktivitäten: Ein Zeitraum mit verdächtiger Aktivität ist ein Zeitraum, die untersuchte Partei ein verdächtiges Verhalten gezeigt hat. Dieser Wert wird bei der Modellbewertung verwendet (z. B. der Recall-Messwert für Backtest-Ergebnisse), um zu bestätigen, dass Kunden mit hohem Risiko in Monaten erkannt werden, in denen sie verdächtige Aktivitäten hatten.; Weitere Informationen finden Sie unter Lebenszyklus eines Risikofalls.

T


Training: AML AI führt das Training im Rahmen der Erstellung eines Modells mithilfe von Hyperparametern (siehe Abstimmung) aus einer bestimmten Engine-Konfiguration durch.

Tuning: Die Abstimmung ist die Optimierung der Modellhyperparameter. Die AML-KI führt die Optimierung im Rahmen der Erstellung einer Engine-Konfiguration durch.

V


Gültigkeitsbeginn: Der Beginn der Gültigkeitsdauer für ein veränderliches Rechtssubjekt wird von der AML-KI verwendet, um eine Ansicht dessen zu erstellen, was der Bank zu einem bestimmten Zeitpunkt bekannt war. So können AML-KI-Modelle genau trainiert werden, um sie für die neuesten Daten (d. h. die der Bank bekannten Daten) wiederverwenden und so hochpräzise Risikobewertungen erstellen zu können.; Die Gültigkeitsstartzeit einer bestimmten Zeile ist der früheste Zeitpunkt, zu dem die Daten in dieser Zeile der Bank bekannt und korrekt waren.; Weitere Informationen finden Sie unter Änderungen von Daten im Zeitverlauf.