Halaman ini diterjemahkan oleh Cloud Translation API.

Glosarium AML AI

Glosarium ini mendefinisikan istilah khusus untuk AI AML. Untuk istilah machine learning umum, lihat Glosarium Machine Learning.

A


ADC: Setiap library klien API menyediakan cara untuk menggunakan kredensial default aplikasi (ADC) lokal; Untuk mengetahui informasi tentang perbedaan antara kredensial ADC lokal dan kredensial gcloud CLI, lihat kredensial gcloud CLI dan kredensial ADC

B


backtesting: Pengujian balik menggunakan data historis untuk mengevaluasi performa (recall yang diamati) model dengan membandingkan skor risiko yang dihasilkan dengan hasil aktual dari investigasi historis.

hasil uji coba balik: Resource BacktestResult AML AI (juga dikenal sebagai "hasil backtest") dibuat untuk menguji performa model pada set data.; Untuk mengetahui informasi selengkapnya, lihat Mengevaluasi model.

C


data perbankan inti: Data core banking mencakup data tentang pihak, transaksi, dan rekening. Hal ini membantu AI AML memahami pelanggan Anda dan aktivitas perbankan mereka untuk mendeteksi karakteristik dan perilaku berisiko.

periode waktu inti: Periode waktu inti mengacu pada rentang waktu yang digunakan dalam operasi AI AML (konfigurasi mesin, pelatihan, pengujian balik, dan prediksi) untuk membuat pelatihan, contoh evaluasi, atau output model. Rentang waktu ini harus dicakup oleh semua tabel dalam set data.; Operasi API yang berbeda memiliki persyaratan yang berbeda untuk periode waktu inti guna menghasilkan fitur dan label. Untuk mengetahui informasi selengkapnya, lihat Memahami cakupan dan durasi data.; Lihat juga periode lihat balik.

D


validasi data: AML AI melakukan pemeriksaan validasi data saat membuat set data, konfigurasi mesin, model, hasil uji coba balik, atau hasil prediksi. Jika set data yang ditentukan tidak lulus validasi data, resource tidak akan dibuat dan error validasi data akan dihasilkan (menunjukkan sifat masalah).; Untuk informasi selengkapnya, lihat Error validasi data.

set data: Resource set data AML AI (atau hanya "set data") digunakan untuk menentukan data, yang sesuai dengan model data input AML, yang dapat digunakan dalam membuat model, mengevaluasi performa model, dan menghasilkan skor risiko serta kemampuan penjelasan per pihak.; Untuk mengetahui informasi selengkapnya, lihat Memahami model dan persyaratan data AML.

E

end time

Operasi AI AML yang menggunakan set data mengharuskan Anda menentukan waktu berakhir. Kolom ini digunakan untuk mengontrol bulan mana dalam set data yang digunakan untuk menghasilkan contoh pelatihan atau evaluasi dan output model.

Waktu akhir dan semua bulan yang digunakan untuk operasi harus berada dalam rentang tanggal set data terkait.

Misalnya, operasi pelatihan memerlukan periode waktu inti 15 bulan. Jika Anda menggunakan set data dengan rentang tanggal 15 Oktober 2021 hingga 21 Mei 2023 dan waktu berakhir pada 12 April 2023, pelatihan akan menggunakan contoh dari bulan kalender Januari 2022 hingga Maret 2023, yang berada dalam rentang tanggal set data.

engine config

Resource EngineConfig AML AI (juga dikenal sebagai "konfigurasi mesin") menentukan parameter dalam membuat dan mengevaluasi model AML AI serta dalam membuat skor risiko dan kemampuan menjelaskan.

Beberapa parameter ini ditentukan dalam panggilan API untuk membuat konfigurasi mesin, seperti versi mesin dan volume investigasi yang diharapkan. Parameter lainnya dibuat secara otomatis oleh AI AML menggunakan set data yang ditentukan, misalnya, hyperparameter yang disesuaikan.

Untuk informasi selengkapnya, lihat Mengonfigurasi mesin.

versi mesin

Resource EngineVersion AML AI (juga dikenal sebagai "versi mesin") menentukan aspek cara AML AI mendeteksi risiko, yang mencakup penyesuaian, pelatihan, dan evaluasi model, serta model data dan keluarga fitur AML secara keseluruhan.

Untuk mengonfigurasi mesin AI AML, Anda harus menentukan versi mesin yang akan digunakan. Versi mesin kemudian digunakan untuk melatih dan mengevaluasi model dengan konfigurasi mesin tersebut serta untuk menghasilkan skor risiko dan kemampuan menjelaskan.

Penamaan versi mesin disusun sebagai berikut, dengan jenis mesin yang menyatakan lini bisnis yang didukung, dan subjenis mesin, penyesuaian, versi utama, dan versi minor yang diperbarui saat perilaku baru diterapkan.

Contoh versi mencakup:

aml-retail.default.v004.008.202411-001
aml-commercial.default.v004.008.202411-001

Untuk mengetahui informasi selengkapnya tentang mengelola versi mesin, lihat Mengelola versi mesin.

evaluation

Lihat juga backtesting.

explainability

Model AI AML digunakan untuk mengidentifikasi pihak yang menunjukkan perilaku atau karakteristik dengan risiko pencucian uang yang tinggi. Explainability menunjukkan perilaku atau karakteristik mana yang paling berkontribusi pada skor berisiko tinggi untuk pihak tertentu.

Untuk mengetahui informasi selengkapnya, lihat Memahami output prediksi.

Lihat juga prediksi.

ekspor metadata

Beberapa resource AI AML menyimpan informasi tambahan terkait performa dan kualitas data yang dapat diakses menggunakan operasi metadata ekspor.

Untuk informasi selengkapnya, lihat Model data output AML.

F


keluarga fitur: Keluarga fitur adalah kumpulan fitur ML terkait, yang memberikan kategorisasi sederhana dan mudah dipahami manusia untuk menginformasikan penyelidik dan tim audit internal.

I


entity yang tidak dapat diubah: AI AML harus dapat membuat ulang tampilan data pada titik waktu yang berbeda untuk penyesuaian, pelatihan, dan pengujian balik. Untuk mencapainya, AML AI membedakan antara entity yang dapat diubah (yang dapat mengubah nilai dari waktu ke waktu) dan entity yang tidak dapat diubah (yang tidak berubah).; Misalnya, entity yang dapat diubah mungkin adalah saldo rekening giro Anda, yang dapat berubah dari waktu ke waktu; tetapi entity yang tidak dapat diubah mungkin adalah peristiwa, seperti mencairkan $50 pada 2 Juli 2024 pukul 12.00.00 dari rekening giro Anda, yang tidak berubah karena merupakan snapshot pada waktu tertentu.; Dalam model data input AML, tabel yang mewakili entity yang tidak dapat diubah tidak memiliki kolom validity_start_time dan is_entity_deleted. Hal ini menyertakan tabel RiskCaseEvent.; Untuk mengetahui informasi selengkapnya, lihat Memahami perubahan data dari waktu ke waktu.; Lihat juga entity yang dapat diubah.

instance: Resource Instance AML AI (juga dikenal sebagai "instance") berada di root semua resource AML AI lainnya dan harus dibuat sebelum Anda dapat menggunakan resource AML AI lainnya. Beberapa instance dapat dibuat di region yang sama dalam project.; Untuk mengetahui informasi selengkapnya, lihat Membuat instance AI AML.

proses investigasi: Proses investigasi mencakup seluruh investigasi atau urutan investigasi yang dipicu oleh pemberitahuan. Proses ini dimulai saat bagian pertama investigasi dimulai dan berakhir saat tidak ada hasil lebih lanjut yang diharapkan dari investigasi ini.; Untuk mengetahui informasi selengkapnya, lihat Siklus proses kasus risiko.

L


LOB: Lini bisnis (LOB) membedakan pelanggan perbankan retail dan komersial dalam AI AML. Set data, versi mesin, dan pendaftaran pihak ditautkan ke lini bisnis, retail, atau komersial tertentu.


periode lihat balik: Selain periode waktu inti, operasi AI AML mewajibkan set data menyertakan periode lihat balik untuk memungkinkan pembuatan fitur yang melacak perilaku dari waktu ke waktu.; Untuk mengetahui informasi selengkapnya, lihat Memahami cakupan dan durasi data.

LRO: Beberapa operasi AML AI, termasuk konfigurasi mesin, pelatihan, pengujian balik, dan prediksi, memulai operasi yang berjalan lama (LRO).; Untuk mengetahui informasi selengkapnya, lihat Mengelola operasi yang berjalan lama.

M


ketidaklengkapan: Metrik ketidaklengkapan dihitung untuk semua grup fitur saat membuat resource AML AI berikut: konfigurasi mesin, model, hasil pengujian balik, dan hasil prediksi.; Metrik ini menunjukkan bagian nilai yang hilang di semua fitur dalam keluarga fitur. Perubahan yang signifikan pada Ketidaklengkapan untuk setiap keluarga fitur antara penyesuaian, pelatihan, evaluasi, dan prediksi dapat menunjukkan ketidakkonsistenan dalam set data yang digunakan.

model: Resource model AML AI (juga dikenal sebagai "model") mewakili model terlatih yang dapat digunakan untuk menghasilkan skor risiko dan kemampuan menjelaskan.

entity yang dapat diubah: AI AML harus dapat membuat ulang tampilan data pada titik waktu yang berbeda untuk penyesuaian, pelatihan, dan pengujian balik. Untuk mencapai hal ini, AML AI membedakan antara entitas yang dapat diubah (yang dapat mengubah nilai dari waktu ke waktu) dan entitas yang tidak dapat diubah (yang tidak berubah).; Misalnya, entity yang dapat diubah mungkin adalah saldo rekening giro Anda, yang dapat berubah dari waktu ke waktu; tetapi entity yang tidak dapat diubah mungkin adalah peristiwa, seperti mencairkan $50 pada 2 Juli 2024 pukul 12.00.00 dari rekening giro Anda, yang tidak berubah karena merupakan snapshot pada waktu tertentu.; Dalam model data input AML, tabel yang mewakili entity yang dapat diubah memiliki kolom validity_start_time dan is_entity_deleted. Hal ini mencakup tabel Party, AccountPartyLink, Transaction, dan PartySupplementaryData.; Untuk mengetahui informasi selengkapnya, lihat Memahami perubahan data dari waktu ke waktu.; Lihat juga entitas yang tidak dapat diubah.

O


recall-diamati: AI AML mengukur performa model pada data historis menggunakan Metrik Perolehan yang Diamati.; Metrik ini menunjukkan proporsi pihak berlabel positif (misalnya, keluar pelanggan) dari periode yang dipilih yang akan diidentifikasi selama periode aktivitas yang mencurigakan sebagai berisiko tinggi oleh model yang sedang dievaluasi.

P


party: Dalam model data input AML, pihak mewakili pelanggan bank. Pihak dapat berupa individu atau entitas hukum.; Untuk mengetahui informasi selengkapnya, lihat tabel Pihak.; Lihat juga pihak terdaftar.

prediction: Prediksi adalah penggunaan model untuk menghasilkan skor risiko dan penjelasan yang dapat digunakan dalam proses investigasi AML Anda.

hasil prediksi: Resource PredictionResult AI AML (juga dikenal sebagai "hasil prediksi") adalah hasil penggunaan model untuk membuat prediksi.; Untuk mengetahui detail selengkapnya tentang cara membuat skor risiko dan kemampuan menjelaskan, serta cara menggunakannya dalam proses investigasi, lihat halaman di bagian Membuat skor risiko dan kemampuan menjelaskan.

R


pihak terdaftar: Sebelum pihak dapat digunakan untuk membuat hasil prediksi (misalnya, skor risiko dan kemampuan menjelaskan tingkat pihak), pihak tersebut harus terdaftar untuk bidang bisnis yang sesuai.

kasus risiko: Kasus risiko mencakup proses investigasi atau sekelompok proses investigasi terkait untuk berbagai pihak.; Lihat tabel RiskCaseEvent.

data investigasi risiko: Data investigasi risiko digunakan oleh AI AML untuk memahami proses dan hasil investigasi risiko Anda serta untuk membuat label pelatihan.

skor risiko: Model AI AML digunakan untuk mengidentifikasi pihak yang menunjukkan perilaku atau karakteristik dengan risiko tinggi untuk pencucian uang. Hal ini dilakukan melalui skor risiko.; Skor risiko bervariasi dari 0 hingga 1. Skor yang lebih tinggi menunjukkan risiko yang lebih tinggi. Namun, skor risiko tidak boleh ditafsirkan secara langsung sebagai probabilitas aktivitas pencucian uang.; Untuk mengetahui informasi selengkapnya, lihat Memahami output prediksi.

tipologi risiko: AML AI dapat mengidentifikasi risiko pencucian uang di seluruh lima tipologi risiko AML inti yang terkait dengan pemantauan transaksi.; Dengan data pihak tambahan dan investigasi yang memadai (lihat tabel Data tambahan), AML AI dapat mencakup lebih banyak tipologi.

S


data tambahan: Data tambahan adalah data tambahan, selain yang terdapat di area data perbankan inti dan data investigasi risiko dalam skema AML AI, yang relevan untuk memprediksi risiko pencucian uang.; Misalnya, Anda dapat mengidentifikasi dan menambahkan indikator risiko yang membantu model memprediksi tipologi risiko dengan lebih baik yang tidak tercakup dengan baik.; Data tambahan dapat ditambahkan ke set data menggunakan tabel PartySupplementaryData.


periode aktivitas mencurigakan: Periode aktivitas mencurigakan adalah jangka waktu saat Anda yakin bahwa pihak yang diselidiki menunjukkan perilaku yang mencurigakan. Metrik ini digunakan dalam evaluasi model (misalnya, metrik recall untuk hasil pengujian balik) untuk mengonfirmasi bahwa pelanggan berisiko tinggi diidentifikasi selama beberapa bulan saat mereka melakukan aktivitas yang mencurigakan.; Untuk mengetahui informasi selengkapnya, lihat Siklus proses kasus risiko.

S


pelatihan: AML AI melakukan pelatihan sebagai bagian dari pembuatan model menggunakan hyperparameter (lihat penyesuaian) dari konfigurasi mesin yang ditentukan.

tuning: Penyesuaian adalah pengoptimalan hyperparameter model. AML AI melakukan penyesuaian sebagai bagian dari pembuatan konfigurasi mesin.

V


validity start time: Waktu mulai validitas untuk entity yang dapat diubah digunakan oleh AML AI untuk membuat tampilan tentang apa yang diketahui oleh bank pada titik waktu tertentu. Hal ini memungkinkan AI AML melatih model secara akurat yang dapat digunakan kembali pada data terbaru (yaitu, yang diketahui oleh bank) untuk menghasilkan skor risiko fidelitas tinggi.; Waktu mulai validitas untuk baris tertentu mewakili waktu paling awal data di baris ini diketahui oleh bank dan benar.; Untuk mengetahui informasi selengkapnya, lihat Memahami perubahan data dari waktu ke waktu.