Questo glossario definisce i termini specifici di AML AI. Per informazioni generali i termini del machine learning, Glossario del machine learning.
A
- ADC
Ognuna delle librerie client dell'API offre un mezzo per utilizzare applicazioni locali credenziali predefinite (ADC)
Per informazioni sulla differenza tra le credenziali ADC locali e le credenziali gcloud CLI, consulta Credenziali di gcloud CLI e credenziali ADC
B
- backtesting
- Il backtesting utilizza dati storici per valutare il rendimento (ricordo osservato) di un modello confrontando il punteggio di rischio che genera i risultati effettivi delle indagini storiche.
- Risultati del backtest
- Una risorsa BacktestResult ad AML AI (noti anche come "risultati backtest") vengono creati per testare le prestazioni di un model su un dataset. di Gemini Advanced.
- Per ulteriori informazioni, consulta Valutare un modello.
C
- dati bancari principali
- I dati bancari principali includono dati relativi a parti, transazioni e proprietà dell'account. Aiuta AML AI a comprendere i tuoi clienti e la loro attività bancaria per rilevare caratteristiche e comportamenti rischiosi.
- finestra temporale core
La finestra temporale principale si riferisce all'intervallo di tempo utilizzato in una piattaforma AML AI operazioni (configurazione del motore, addestramento, backtesting e previsione) per generare addestramento, esempi di valutazione o output del modello. Questo intervallo di tempo deve essere coperto da tutte le tabelle nel set di dati.
Le operazioni dell'API diverse hanno requisiti diversi per la finestra temporale dei core. per generare caratteristiche ed etichette. Per ulteriori informazioni, vedi Comprendi l'ambito e la durata dei dati.
Vedi anche finestra temporale.
D
- convalida dei dati
- AML AI esegue dei controlli di convalida dei dati durante la creazione di un set di dati, configurazione del motore, modello, risultati backtest o risultati delle previsioni. Se set di dati specificato non supera la convalida dei dati, allora la risorsa non e vengono generati errori di convalida dei dati (che indicano la natura il problema). di Gemini Advanced.
- Per ulteriori informazioni, consulta la sezione Errori di convalida dei dati.
- set di dati
Una risorsa set di dati di AML AI (o semplicemente "set di dati") viene utilizzato per specificare i dati, in conformità alle Modello dei dati di input AML, che può essere utilizzato per generare un modello. valutare le prestazioni di un modello e generare punteggi di rischio e spiegabilità per parte.
Per ulteriori informazioni, vedi Comprendere il modello dei dati AML e i relativi requisiti.
E
- ora di fine
Le operazioni di AML AI che utilizzano un set di dati richiedono di specificare e ora di fine. Questo campo viene utilizzato per controllare quali mesi nel set di dati vengono utilizzati per generare esempi di addestramento o valutazione e output del modello.
L'ora di fine e tutti i mesi utilizzati per un'operazione devono rientrare nella data del set di dati associato.
Ad esempio, un'operazione di addestramento richiede una finestra temporale principale di 15 mesi. Se utilizzi un set di dati con un intervallo di date compreso tra il 15 ottobre 2021 e il 21 maggio 2023 e un'ora di fine il 12 aprile 2023, quindi l'addestramento utilizza gli esempi mesi da gennaio 2022 a marzo 2023, che rientra nell'intervallo di date del set di dati.
- configurazione motore
Una risorsa EngineConfig di AML AI (noto anche come "configurazione motore") specifica i parametri durante la generazione e valutare un modello di IA AML e generare punteggi di rischio e spiegabilità.
Alcuni di questi parametri sono specificati nella chiamata API per creare un motore come la versione del motore e il volume di indagine previsto. Altro vengono generati automaticamente da AML AI utilizzando specifico, ad esempio iperparametri ottimizzati.
Per ulteriori informazioni, consulta la sezione Configurare un motore.
- versione motore
Una risorsa EngineVersion di AML AI (nota anche come "versione motore") definisce aspetti di AML AI rileva i rischi, che comprendono l'ottimizzazione, l'addestramento e la valutazione nonché il modello generale dei dati e le famiglie di caratteristiche AML.
Configurare un motore AML AI richiede la specifica versione del motore da utilizzare. La versione del motore diventa quindi usata per addestrare e valutare i modelli con quella configurazione motore e generare rischi punteggi e spiegabilità.
La denominazione delle versioni del motore è strutturata come segue, con il tipo di motore che esprime il line of business supportato, il sottotipo di motore, l'ottimizzazione principale e secondaria aggiornata man mano che vengono implementati nuovi comportamenti.
Le versioni di esempio includono:
aml-retail.default.v004.000.202312-000
aml-commercial.default.v004.000.202312-000
.
Per ulteriori informazioni sulla gestione delle versioni del motore, consulta Gestisci le versioni del motore.
- valutazione
Vedi anche backtesting.
- spiegabilità
I modelli di IA AML vengono usati per identificare le parti che comportamenti o caratteristiche ad alto rischio di riciclaggio di denaro. La spiegabilità indica quali comportamenti o caratteristiche hanno contribuito a un punteggio di rischio elevato per una determinata parte.
Per ulteriori informazioni, vedi Informazioni sugli output delle previsioni.
Vedi anche previsione.
- esportare metadati
Diverse risorse di IA AML memorizzano informazioni aggiuntive relative alle prestazioni e alla qualità dei dati, a cui è possibile accedere un'operazione sui metadati.
Per ulteriori informazioni, vedi Modello dei dati di output AML.
V
- famiglia di funzionalità
- Le famiglie di caratteristiche sono raccolte di caratteristiche ML correlate, una categorizzazione semplice e comprensibile per le persone, investigatori e team di audit interni.
I
- entità immutabile
AML AI deve essere in grado di ricreare le viste dei dati diversi momenti per l'ottimizzazione, l'addestramento e il backtesting. Per raggiungere Questo, AML AI differenzia tra entità mutabili (ovvero possono modificare i valori nel tempo) e le entità immutabili (che non cambiano).
Ad esempio, un'entità modificabile potrebbe essere il saldo del conto corrente, che possono cambiare nel tempo; ma un'entità immutabile potrebbe essere un evento, prelevare 50 $il 2 luglio 2024 alle 12:00:00 dal tuo conto corrente, che non cambia poiché si tratta di un'istantanea nel tempo.
Nel modello dei dati di input AML, le tabelle che rappresentano entità immutabili non include i campi
validity_start_time
eis_entity_deleted
. Questo include la tabella RiskCaseEvent.Per ulteriori informazioni, consulta la sezione Informazioni su come cambiano i dati nel tempo.
Vedi anche entità modificabile.
- istanza
Una risorsa istanza di AML AI (nota anche come "istanza") si trova alla base di tutte le altre applicazioni di AML AI e devono essere creati prima di poter lavorare con altre risorse AML AI Google Cloud. È possibile creare più istanze nella stessa regione all'interno di un progetto.
Per ulteriori informazioni, vedi Crea un'istanza di AML AI.
- processo di indagine
Un processo di indagine copre l'intera indagine o sequenza di ricerca attivate da un avviso. Il processo inizia quando la prima parte di un'indagine inizia e termina quando non sono previsti ulteriori risultati da questa indagine.
Per ulteriori informazioni, vedi Ciclo di vita di un caso di rischio.
L
- LOB
- La line of business (LOB) contraddistingue i servizi bancari retail e commerciali in AML AI. Set di dati, versioni del motore e parte sono collegate a un ramo specifico di business, retail o commerciale. di Gemini Advanced.
- finestra temporale
Oltre alla finestra temporale principale, Le operazioni di AML AI richiedono che i set di dati includano una finestra per consentire la generazione di caratteristiche che monitorano il comportamento nel tempo.
Per ulteriori informazioni, vedi Comprendi l'ambito e la durata dei dati.
- LRO
Diverse operazioni di AML AI, inclusa la configurazione del motore, l'addestramento, il backtesting e la previsione, avviano un'operazione a lunga esecuzione (LRO).
Per ulteriori informazioni, vedi Gestire le operazioni a lunga esecuzione.
M
- mancantezza
La metrica di mancanza viene calcolata per tutte le famiglie di caratteristiche durante la creazione del parametro seguenti risorse AML AI: configurazione del motore, modello, backtest i risultati delle previsioni e i risultati delle previsioni.
Questa metrica mostra la quota di valori mancanti in tutte le caratteristiche in un famiglia di funzionalità. Un cambiamento significativo in Mancanza per una famiglia di funzionalità tra ottimizzazione, addestramento, valutazione e previsione può indicare dei set di dati utilizzati.
- modello
Una risorsa modello di AML AI (noto anche come "modello") rappresenta un modello addestrato che può essere utilizzato generare punteggi di rischio e comprensibilità.
- entità modificabile
AML AI deve essere in grado di ricreare le viste dei dati diversi momenti per l'ottimizzazione, l'addestramento e il backtesting. Per raggiungere Questo, AML AI differenzia tra entità modificabili (che possono cambiano i valori nel tempo) ed entità immutabili (che non cambiano).
Ad esempio, un'entità modificabile potrebbe essere il saldo del conto corrente, che possono cambiare nel tempo; ma un'entità immutabile potrebbe essere un evento, prelevare 50 $il 2 luglio 2024 alle 12:00:00 dal tuo conto corrente, che non cambia poiché si tratta di un'istantanea nel tempo.
Nel modello dei dati di input AML, le tabelle che rappresentano entità modificabili con i campi
validity_start_time
eis_entity_deleted
. Sono inclusi Party, AccountPartyLink, Transaction e PartySupplementaryData.Per ulteriori informazioni, consulta la sezione Informazioni su come cambiano i dati nel tempo.
Vedi anche entità immutabile.
O
- ricordo-osservato
AML AI misura le prestazioni del modello sui dati storici utilizzando Metrica Richiamo osservato.
Questa metrica mostra la proporzione di parti positive contrassegnate con etichette (ad esempio, il cliente esce) da un periodo selezionato che sarebbe stato identificato durante un periodo di attività sospetta come ad alto rischio per il modello che viene valutato.
P
- festa
Nel modello dei dati di input AML, una parte rappresenta un cliente del banca. Una parte può essere una persona fisica o una persona giuridica.
Per ulteriori informazioni, consulta la tabella Party.
Vedi anche la parte registrata.
- previsione
La previsione utilizza un modello per generare punteggi di rischio e spiegabilità che può essere utilizzata nel tuo account AML processo di indagine.
- risultati delle previsioni
Una risorsa PredictionResult di AML AI (noti anche come "risultati della previsione") è il risultato dell'utilizzo di un modello per creare per le previsioni.
Per maggiori dettagli su come generare punteggi di rischio e spiegabilità, come usarli nel tuo processo investigativo, consulta le pagine nella sezione Genera punteggi di rischio e spiegabilità.
R
- parte registrata
- Prima che una parte possa essere utilizzata per creare risultati di previsioni (ad esempio, punteggi di rischio e spiegabilità a livello di parte), la parte deve registrati per il settore di attività corrispondente.
- caso di rischio
Un caso di rischio riguarda un processo di indagine o un gruppo di processi di indagine per parti diverse.
Vedi la tabella RiskCaseEvent.
- dati di indagine sui rischi
I dati dell'indagine del rischio vengono utilizzati da AML AI per comprendere il processo di indagine e i relativi risultati e generare etichette di addestramento.
- punteggio di rischio
I modelli di IA AML vengono usati per identificare le parti che comportamenti o caratteristiche ad alto rischio di riciclaggio di denaro. Fatto attraverso un punteggio di rischio.
I punteggi di rischio variano da 0 a 1. Un punteggio più alto indica un rischio più elevato. Tuttavia, i punteggi di rischio non devono essere interpretati direttamente come una probabilità attività di riciclaggio.
Per ulteriori informazioni, vedi Informazioni sugli output delle previsioni.
- tipo di rischio
AML AI può identificare il rischio di riciclaggio di denaro cinque tipi principali di rischio AML relativi al monitoraggio delle transazioni.
Con un'indagine sufficiente e dati supplementari della parte (vedi di dati supplementari), AML AI può coprire altre tipologie.
S
- dati aggiuntivi
Per dati supplementari si intendono dati aggiuntivi, oltre a quelli contenuti nei dati bancari principali e dati di indagine sui rischi aree dello schema AML AI, che è pertinente per prevedere il rischio di riciclaggio di denaro.
Ad esempio, potresti identificare e aggiungere un indicatore di rischio che aiuti i modelli a prevedere meglio una tipologia di rischio che non è altrimenti ben coperta.
È possibile aggiungere dati supplementari a un set di dati utilizzando Tabella PartySupplementaryData.
di Gemini Advanced.
- periodo di attività sospetta
Un periodo di attività sospette è un periodo di tempo in cui ritieni che la parte investigata ha manifestato un comportamento sospetto. Viene utilizzato nel modello (ad esempio, la metrica di richiamo per i risultati del backtest) per confermare i clienti ad alto rischio vengano identificati nei mesi in cui avevano attività sospette.
Per ulteriori informazioni, consulta Ciclo di vita di un caso di rischio.
T
- addestramento
- AML AI svolge l'addestramento come parte della creazione di un modello (vedi ottimizzazione) di una configurazione del motore specificata.
- ottimizzazione
- L'ottimizzazione è l'ottimizzazione degli iperparametri del modello. IA AML l'ottimizzazione nell'ambito della creazione di una configurazione del motore.
V
- ora di inizio validità
Viene utilizzata l'ora di inizio della validità per un'entità modificabile da AML AI per creare una visione di ciò che era noto alla banca in un determinato momento. Ciò consente ad AML AI di addestrare con precisione che possono essere riutilizzati con i dati più recenti (ovvero ciò che è noto banca) per produrre punteggi di rischio ad alta fedeltà.
L'ora di inizio della validità per una determinata riga rappresenta il primo momento in cui i dati di questa riga era noto alla banca e corretto.
Per ulteriori informazioni, consulta la sezione Informazioni su come cambiano i dati nel tempo.