Cette page a été traduite par l'API Cloud Translation.

Glossaire AML AI

Ce glossaire définit les termes spécifiques à l'AML basée sur l'IA. Généralités en machine learning, consultez Glossaire du machine learning.

A


ADC: Chacune des bibliothèques clientes de l'API permet d'utiliser l'application locale Identifiants par défaut (ADC); Pour plus d'informations sur la différence entre vos identifiants ADC locaux et vos identifiants de gcloud CLI, consultez Identifiants de la CLI gcloud et identifiants ADC

B


tests rétrospectifs: Le backtesting utilise des données historiques pour évaluer les performances (rappel observé) d'un modèle en comparant le score de risque qu'il génère aux résultats réels des investigations historiques.

résultats des tests backtest: Une ressource BacktestResult d'IA AML (également appelée "résultats de backtesting") est créée pour tester les performances d'un modèle sur un ensemble de données.; Pour en savoir plus, consultez Évaluer un modèle.

C


données bancaires principales: Les données bancaires principales incluent les données sur les parties, les transactions et avoirs de comptes. Il aide l'AML basée sur l'IA à comprendre vos clients et leur activité bancaire pour détecter les caractéristiques et comportements à risque.

Fenêtre temporelle de base: La fenêtre temporelle principale fait référence à la plage de temps utilisée dans une opération d'IA AML (configuration du moteur, entraînement, rétrocompatibilité et prédiction) pour générer des exemples d'entraînement, d'évaluation ou de sortie de modèle. Cette période doit être couverte par toutes les tables de l'ensemble de données.; Les différentes opérations d'API ont des exigences différentes pour la période de base afin de générer des éléments géographiques et des libellés. Pour en savoir plus, consultez Comprendre le champ d'application et la durée des données.; Voir également la section Période d'analyse.

D


validation des données: L'AML basée sur l'IA effectue des contrôles de validation des données lors de la création d'un ensemble de données, la configuration du moteur, le modèle, les résultats des tests rétrospectifs ou les résultats de prédiction. Si le l'ensemble de données spécifié n'est pas validé, la ressource n'est pas et que des erreurs de validation des données sont générées (indiquant la nature le problème).; Pour en savoir plus, consultez la section Erreurs de validation des données.

ensemble de données: Ressource d'ensemble de données d'AML basée sur l'IA (ou simplement "ensemble de données") est utilisé pour spécifier des données, conformément au Le modèle de données d'entrée AML, qui peut être utilisé pour générer un modèle, évaluer les performances d'un modèle, et générer des scores de risque explicabilité par partie.; Pour en savoir plus, consultez la section Comprendre le modèle de données et les exigences liées à la lutte contre le blanchiment d'argent.

E

end time (heure de fin)

Les opérations d'IA AML qui utilisent un ensemble de données nécessitent de spécifier une heure de fin. Ce champ permet de contrôler les mois de l'ensemble de données qui sont utilisés. pour générer des exemples d'entraînement ou d'évaluation, ainsi que les sorties du modèle.

L'heure de fin et tous les mois utilisés pour une opération doivent se trouver dans la plage de dates de l'ensemble de données associé.

Par exemple, une opération d'entraînement nécessite une période de base de 15 mois. Si vous utilisez un ensemble de données dont la plage de dates s'étend du 15 octobre 2021 au 21 mai 2023 et une heure de fin le 12 avril 2023, l'entraînement utilise des exemples du calendrier mois de janvier 2022 à mars 2023, qui se situe dans la plage de dates du ensemble de données.

configuration du moteur

Ressource EngineConfig d'AML basée sur l'IA (également appelée "configuration du moteur") spécifie des paramètres permettant de générer et à évaluer un modèle d'AML basée sur l'IA, à générer des scores de risque explicabilité.

Certains de ces paramètres sont spécifiés dans l'appel d'API pour créer un moteur comme la version du moteur et le volume d'investigation attendu. Autre sont générés automatiquement par l'AML basée sur l'IA à l'aide l'ensemble de données spécifié, par exemple, les hyperparamètres réglés.

Pour en savoir plus, consultez l'article Configurer un moteur.

version du moteur

Une ressource EngineVersion AML AI (également appelée "version du moteur") définit des aspects de la façon dont AML AI détecte les risques, ce qui comprend le réglage, l'entraînement et l'évaluation du modèle, ainsi que le modèle de données AML global et les familles de fonctionnalités.

Pour configurer un moteur d'IA AML, vous devez spécifier une version de moteur à utiliser. La version du moteur est alors pour entraîner et évaluer des modèles avec cette configuration de moteur, et pour générer des risques les scores et l'explicabilité.

La dénomination des versions du moteur est structurée comme suit, avec le type de moteur correspondant au secteur d'activité compatible et au sous-type de moteur : réglage version majeure et mineure mise à jour à mesure que de nouveaux comportements sont implémentés.

Exemples de versions:

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

Pour en savoir plus sur la gestion des versions du moteur, consultez Gérez les versions du moteur.

évaluation

Voir aussi backtesting.

explicabilité

Les modèles d'AML basée sur l'IA permettent d'identifier les parties comportements ou caractéristiques présentant un risque élevé de blanchiment d'argent. L'explicabilité indique quels comportements ou caractéristiques ont le plus contribué à un score à haut risque pour un tiers donné.

Pour en savoir plus, consultez Comprenez les résultats de prédiction.

Voir également Prédiction.

exporter les métadonnées

Plusieurs ressources d'IA AML stockent des informations supplémentaires sur les performances et la qualité des données, auxquelles vous pouvez accéder à l'aide de l'opération d'exportation des métadonnées.

Pour en savoir plus, consultez Modèle de données de sortie AML

F


famille de fonctionnalités: Les familles de caractéristiques sont des ensembles de caractéristiques de ML associées. en fournissant une catégorisation simple et compréhensible par l'humain pour informer les enquêteurs et les équipes d'audit internes.

I


entité immuable: L'IA AML doit pouvoir recréer des vues des données à différents moments pour l'ajustement, l'entraînement et le rétrocompatibilité. Pour atteindre L'AML basée sur l'IA fait la différence entre les entités modifiables (qui peuvent changer les valeurs au fil du temps) et les entités immuables (qui ne changent pas).; Par exemple, une entité modifiable peut être le solde de votre compte courant, qui peut changer au fil du temps. Une entité immuable peut être un événement, comme le retrait de 50 $ de votre compte courant le 2 juillet 2024 à 12h00, qui ne change pas, car il s'agit d'un instantané.; Dans le modèle de données d'entrée AML, les tables représentant des entités immuables ne contiennent pas les champs validity_start_time et is_entity_deleted. Ce inclut la table RiskCaseEvent.; Pour en savoir plus, consultez Comprendre comment les données changent au fil du temps.; Voir aussi entité modifiable.

instance: Une ressource d'instance d'IA AML (également appelée "instance") se trouve à la racine de toutes les autres ressources d'IA AML et doit être créée avant que vous puissiez travailler avec d'autres ressources d'IA AML. Vous pouvez créer plusieurs instances dans la même région au sein d'un projet.; Pour en savoir plus, consultez la section Créer une instance d'IA AML.

procédure d'investigation: Un processus d'investigation couvre l'ensemble de l'enquête ou la séquence d'enquêtes déclenchées par une alerte. Le processus commence lorsque la première partie d'une investigation commence et se termine lorsqu'aucun autre résultat n'est attendu de cette enquête.; Pour en savoir plus, consultez Cycle de vie d'un cas de risque.

L


LOB: La ligne d'activité permet de distinguer les clients de services aux particuliers et de services commerciaux dans l'IA de lutte contre le blanchiment d'argent. les ensembles de données, les versions du moteur sont liés à un secteur d'activité spécifique, commercial.


période d'analyse: En plus de la période principale, Les opérations d'AML basée sur l'IA nécessitent que les ensembles de données incluent une période d'analyse pour permettre la création de fonctionnalités de suivi du comportement au fil du temps.; Pour en savoir plus, consultez Comprendre le champ d'application et la durée des données.

LRO: Plusieurs opérations d'IA AML, y compris la configuration du moteur, l'entraînement, le backtesting et la prédiction, lancent une opération de longue durée (LRO).; Pour en savoir plus, consultez Gérez les opérations de longue durée.

M


valeurs manquantes: La métrique de manque est calculée pour toutes les familles de caractéristiques lors de la création de la Ressources d'AML basée sur l'IA suivantes: configuration du moteur, modèle, test rétroactif les résultats de recherche et les résultats de prédiction.; Cette métrique indique la part des valeurs manquantes pour toutes les fonctionnalités d'une famille de fonctionnalités. Changement significatif du nombre de personnes manquantes pour toutes les familles de fonctionnalités entre réglage, entraînement, évaluation et prédiction peut indiquer d'incohérences dans les ensembles de données utilisés.

model: Une ressource de modèle d'IA AML (également appelée "modèle") représente un modèle entraîné qui peut être utilisé pour générer des scores de risque et une explicabilité.

entité modifiable: L'AML basée sur l'IA doit pouvoir recréer des vues des données à différents moments pour le réglage, l'entraînement et les tests rétrospectifs. Pour atteindre L'AML basée sur l'IA fait la différence entre les entités modifiables (qui peuvent les valeurs modifiées au fil du temps) et les entités immuables (qui ne changent pas).; Par exemple, une entité modifiable peut être le solde de votre compte courant, qui peut changer au fil du temps. En revanche, une entité immuable peut être un événement, comme le retrait de 50 $ de votre compte courant le 2 juillet 2024 à 12h00, qui ne change pas, car il s'agit d'un instantané.; Dans le modèle de données d'entrée AML, les tables représentant des entités modifiables comportent les champs validity_start_time et is_entity_deleted. Cela inclut les tables Party, AccountPartyLink, Transaction et PartySupplementaryData.; Pour en savoir plus, consultez Comprendre comment les données changent au fil du temps.; Voir également la section Entité immuable.

O


observation-rappel: L'IA AML mesure les performances du modèle sur les données historiques à l'aide de la métrique "Rappel observé".; Cette métrique indique la proportion de parties libellées comme positives (par exemple, les sorties de clients) sur une période sélectionnée qui auraient été identifiées comme présentant un risque élevé par le modèle évalué au cours d'une période d'activité suspecte.

P


fête: Dans le modèle de données d'entrée AML, une partie représente un client Google Cloud. Une partie peut être une personne physique ou une entité juridique.; Pour en savoir plus, consultez le tableau Parti.; Voir aussi partie enregistrée

prédiction: La prédiction utilise un modèle pour générer des scores de risque. l'explicabilité que vous pouvez utiliser dans votre AML ; processus d'investigation.

résultats de prédiction: Ressource PredictionResult d'AML basée sur l'IA (également appelé "résultats de prédiction") est le résultat de l'utilisation d'un modèle pour créer des prédictions.; Pour plus de détails sur la façon de générer des scores de risque et l'explicabilité, ainsi que comment les utiliser dans votre processus d'enquête, reportez-vous aux pages de la section Générer des scores de risque et des explications.

R


partie enregistrée: Avant de pouvoir utiliser une partie pour créer des résultats de prédiction (par exemple, les niveaux de risque et l'explicabilité au niveau de la partie), la partie doit être pour le secteur d'activité correspondant.

cas de risque: Un cas de risque couvre un processus d'enquête ou un groupe de processus d'enquête associés pour différentes parties.; Consultez le tableau RiskCaseEvent.

données d'enquête sur les risques: L'AML basée sur l'IA utilise les données d'enquête sur les risques pour comprendre le processus d’investigation des risques et les résultats et de générer des étiquettes de formation.

score de risque: Les modèles d'AML basée sur l'IA permettent d'identifier les parties comportements ou caractéristiques présentant un risque élevé de blanchiment d'argent. Cela se fait à l'aide d'un score de risque.; Les scores de risque varient de 0 à 1. Plus le score est élevé, plus le risque est important. Toutefois, les scores de risque ne doivent pas être interprétés directement comme une probabilité d'activité de blanchiment d'argent.; Pour en savoir plus, consultez Comprenez les résultats de prédiction.

typologie de risque: L'IA AML peut identifier le risque de blanchiment d'argent dans les cinq principales typologies de risques AML liées à la surveillance des transactions.; Avec une investigation et des données supplémentaires sur les parties suffisantes (voir les tableaux Données supplémentaires), l'IA AML peut couvrir plus de typologies.

S


données supplémentaires: Les données supplémentaires sont des données en plus de celles contenues dans les sections Données bancaires de base et Données d'investigation des risques du schéma d'IA de lutte contre le blanchiment d'argent, qui sont pertinentes pour prédire le risque de blanchiment d'argent.; Par exemple, vous pouvez identifier et ajouter un indicateur de risque qui aide les modèles à mieux prédire une typologie de risque qui n'est pas bien couverte.; Vous pouvez ajouter des données supplémentaires à un ensemble de données à l'aide de la table PartySupplementaryData.


période d'activité suspecte: Une période d'activité suspecte est une période pendant laquelle, selon vous, la partie faisant l'objet d'une enquête a fait preuve d'un comportement suspect. Il est utilisé dans le modèle (par exemple, la métrique de rappel des résultats des tests rétrospectifs) pour confirmer que les clients à haut risque sont identifiés pendant les mois où ils ont eu activité suspecte.; Pour en savoir plus, consultez Cycle de vie d'une demande à risque.

T


formation: L'AML basée sur l'IA s'entraîne lors de la création d'un modèle d'hyperparamètres (voir le réglage) à partir d'une configuration de moteur spécifiée.

accordage: Le réglage consiste à optimiser les hyperparamètres du modèle. AML basée sur l'IA qui effectue les réglages lors de la création d'une configuration de moteur.

V


validity start time: L'heure de début de validité est utilisée pour une entité modifiable. par AML AI pour élaborer une vision de ce que la banque à un moment précis. Cela permet à l'IA de lutte contre le blanchiment d'argent d'entraîner avec précision des modèles pouvant être réutilisés sur les dernières données (c'est-à-dire ce que la banque connaît) afin de produire des scores de risque haute fidélité.; L'heure de début de validité d'une ligne donnée représente la date et l'heure les plus anciennes auxquelles la banque a connu les données de cette ligne et qu'elles étaient correctes.; Pour en savoir plus, consultez Comprendre comment les données changent au fil du temps.