En este glosario, se definen términos específicos de la IA contra el lavado de dinero. Para conocer los términos generales del aprendizaje automático, consulta el Glosario de aprendizaje automático.
B
análisis retrospectivo
Las pruebas retrospectivas usan datos históricos para evaluar el rendimiento (recuperación observada) de un modelo mediante la comparación de las puntuaciones de riesgo que genera con los resultados reales de las investigaciones históricas.
resultados de la prueba interna
Se crea un recurso BacktestResult de la IA contra el lavado de dinero (también conocido como “resultados de prueba inversa”) para probar el rendimiento de un model en un conjunto de datos. Para obtener más información, consulta Cómo evaluar un modelo.
C
datos bancarios básicos
Los datos bancarios principales incluyen datos sobre partes, transacciones y retenciones de cuentas. Ayuda a la IA contra el lavado de dinero a comprender a tus clientes y su actividad bancaria para detectar características y comportamientos riesgosos.
período principal
El período de tiempo principal se refiere al intervalo de tiempo que se usa en una operación de IA contra el lavado de dinero (configuración del motor, entrenamiento, análisis retroactivo y predicción) para generar entrenamiento, ejemplos de evaluación o resultados de modelos. Todas las tablas del conjunto de datos deben cubrir este intervalo de tiempo.
Las diferentes operaciones de la API tienen distintos requisitos del período principal para generar atributos y etiquetas. Para obtener más información, consulta Información sobre el alcance y la duración de los datos.
D
conjunto de datos
Se usa un recurso de conjunto de datos de IA contra el lavado de dinero (o solo "conjunto de datos") para especificar datos, de acuerdo con el modelo de datos de entrada contra el lavado de dinero, que se puede usar para generar un modelo, evaluar el rendimiento de un modelo y generar puntuaciones de riesgo y explicabilidad por parte. Para obtener más información, consulta Comprende el modelo de datos y los requisitos del lavado de dinero.
validación de datos
La IA contra el lavado de dinero realiza verificaciones de validación de datos cuando se crea un conjunto de datos, una configuración del motor, un modelo, resultados de pruebas inversas o resultados de predicción. Si el conjunto de datos especificado no pasa la validación de datos, el recurso no se crea y se producen errores de validación de datos (que indican la naturaleza del problema). Para obtener más información, consulta Errores de validación de datos.
E
hora de finalización
Las operaciones de IA contra el lavado de dinero que usan un conjunto de datos requieren que especifiques una hora de finalización. Este campo se usa a fin de controlar qué meses del conjunto de datos se usan para generar ejemplos de entrenamiento o evaluación y resultados de modelos.
La hora de finalización y todos los meses que se usan 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 desde el 15 de octubre de 2021 hasta el 21 de mayo de 2023 y una hora de finalización el 12 de abril de 2023, el entrenamiento utiliza ejemplos de meses calendario de enero de 2022 a marzo de 2023, que están en el período del conjunto de datos.
configuración del motor
Un recurso EngineConfig de IA contra el lavado de dinero (también conocido como “configuración del motor”) especifica los parámetros para generar y evaluar un modelo de IA contra el lavado de dinero y 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 contra el lavado de dinero genera automáticamente otros parámetros mediante un conjunto de datos especificado, por ejemplo, hiperparámetros ajustados. Para obtener más información, consulta Configura un motor.
versión del motor
Un recurso EngineVersion de la IA contra el lavado de dinero (también conocido como “versión de motor”) define aspectos de cómo la IA contra el lavado de dinero detecta riesgos, lo que abarca el ajuste, el entrenamiento y la evaluación de modelos, así como el modelo de datos contra el lavado de dinero y las familias de atributos generales.
Configura un motor de IA contra el lavado de dinero requiere que especifiques una versión del motor para usar. Luego, la versión del motor se usa para entrenar y evaluar modelos con esa configuración de motor y generar puntuaciones de riesgo y explicabilidad.
Los nombres de las versiones del motor se estructuran de la siguiente manera: el tipo de motor expresa la línea de negocio admitida, y las versiones de subtipo, ajuste, principales y secundarias que se actualizan a medida que se implementan nuevos comportamientos. Entre las versiones de ejemplo, se incluyen aml-retail.default.v004.000.202312-000 y aml-merchant.default.v004.000.202312-000.
Para obtener más información sobre cómo administrar versiones del motor, consulta Administra las versiones del motor.
sin conexión
Consulta backtesting.
explicabilidad
Los modelos de IA contra el lavado de dinero se usan para identificar a las partes que presentan 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 Comprende los resultados de las predicciones.
metadatos de exportación
Varios recursos de la IA contra el lavado de dinero 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 contra el lavado de dinero.
F.
familia de funciones
Las familias de atributos son colecciones de atributos del AA relacionados, lo que proporciona una categorización simple y comprensible para los humanos con el objetivo de brindar información a los investigadores y a los equipos de auditoría interna.
I
entidad inmutable
La IA contra el lavado de dinero debe poder recrear vistas de los datos en diferentes momentos para el ajuste, el entrenamiento y la prueba inversa. Para lograrlo, la IA contra el lavado de dinero distingue entre entidades mutables, es decir, entidades que pueden cambiar valores con el tiempo, y entidades inmutables, como eventos, que, después de que ocurren o ocurren, no cambian de manera razonable.
En el modelo de datos de entrada contra el lavado de dinero, las tablas que representan entidades inmutables no tienen los campos validity_start_time y is_entity_deleted. Esto incluye la tabla RiskCaseEvent. Para obtener más información, consulta Comprende cómo cambian los datos con el tiempo.
Consulta también entidad mutable.
instancia
Un recurso de instancia de la 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 debe crearse 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 Crea una instancia de IA contra el lavado de dinero.
proceso de investigación
Un proceso de investigación abarca toda la investigación o la secuencia de investigaciones que activa una alerta. El proceso comienza cuando se inicia la primera parte de una investigación y finaliza cuando no se esperan más resultados. Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
L
línea de negocio (LOB)
La línea de negocio distingue a los clientes de la banca minorista y comercial en la IA contra el lavado de dinero. Los conjuntos de datos, las versiones del motor y el registro de partes están vinculados a una línea específica de negocios, venta minorista o comercial.
operación de larga duración (LRO)
Varias operaciones de IA contra el lavado de dinero, incluidas la configuración del motor, el entrenamiento, las pruebas inversas y la predicción, inician una operación de larga duración (LRO). Para obtener más información, consulta Administra operaciones de larga duración.
ventana de visualización
Además del período principal, las operaciones de IA contra el lavado de dinero requieren que los conjuntos de datos incluyan una ventana 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.
M
Falta de
La métrica de falta se calcula para todas las familias de atributos cuando se crean los siguientes recursos de IA contra el lavado de dinero: configuración del motor, modelo, resultados de la prueba interna y resultados de la predicción.
Esta métrica muestra el porcentaje de valores faltantes en todos los atributos de una familia de atributos. Un cambio significativo en la falta de atributos de cualquier familia de atributos entre el ajuste, el entrenamiento, la evaluación y la predicción puede indicar incoherencia en los conjuntos de datos usados.
model
Un recurso de modelo de IA contra el lavado de dinero (también conocido como “modelo”) representa un modelo entrenado que se puede usar para generar puntuaciones de riesgo y explicabilidad.
entidad mutable
La IA contra el lavado de dinero debe poder recrear vistas de los datos en diferentes momentos para el ajuste, el entrenamiento y la prueba inversa. Para lograrlo, la IA contra el lavado de dinero diferencia entre entidades que pueden cambiar valores con el tiempo y entidades inmutables, como eventos, que, cuando surgen o ocurren, no cambian de manera razonable.
En el modelo de datos de entrada contra el lavado de dinero, las tablas que representan entidades mutables tienen los campos validity_start_time y is_entity_deleted. Esto incluye las tablas Party, AccountPartyLink, Transaction y PartySupplementaryData.
Para obtener más información, consulta Comprende cómo cambian los datos a lo largo del tiempo.
Consulta también entidad inmutable.
O
recuperación observada
La IA contra el lavado de dinero mide el rendimiento de los modelos con datos históricos mediante la métrica de recuperación observada.
Esta métrica muestra la proporción de partes etiquetadas positivas (por ejemplo, salidas de clientes) de un período seleccionado que, durante un período de actividad sospechosa, habrían identificado como de alto riesgo en el modelo que se está evaluando.
P
parte
En el modelo de datos de entrada contra el lavado de dinero, una parte representa a un cliente del banco. Una parte puede ser una persona física o una entidad legal. Para obtener más información, consulta la tabla Party. Consulta también el grupo registrado.
Predicción
En la predicción, se usa un modelo para generar puntuaciones de riesgo y explicabilidad que se pueden usar en el proceso de investigación contra el lavado de dinero.
resultados de la predicción
Un recurso de PredictionResult de la IA contra el lavado de dinero (también conocido como “resultados de predicción”) es el resultado del uso de un modelo para crear predicciones. Para obtener más detalles sobre cómo generar puntuaciones de riesgo y explicabilidad, y cómo usarlas en tu proceso de investigación, consulta las páginas de la sección Cómo generar puntuaciones de riesgo y explicabilidad.
R
parte registrada
Antes de que se pueda usar una parte para crear resultados de predicción (por ejemplo, puntuaciones de riesgo a nivel de grupo y explicabilidad), la parte debe estar registrada 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 de RiskCaseEvent.
datos de investigación de riesgos
La IA contra el lavado de dinero usa los datos de 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 contra el lavado de dinero se usan para identificar a las partes que presentan 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 más alto. Sin embargo, las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de actividad de lavado de dinero. Para obtener más información, consulta Comprende los resultados de las predicciones.
tipología de riesgos
La IA contra el lavado de dinero puede identificar riesgos de lavado de dinero en cinco tipologías principales de riesgo contra el lavado de dinero 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 tipoologías.
S
datos complementarios
Los datos complementarios son datos adicionales, más allá de los que contienen las áreas de datos bancarios principales y de 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 lo contrario, no estaría bien cubierta.
Los datos complementarios se pueden agregar a un conjunto de datos mediante la tabla PartySupplementaryData.
período de actividad sospechosa
Un período de actividad sospechosa es aquel en el que crees que una parte investigada mostró un comportamiento sospechoso. Esto se usa en la evaluación del modelo (por ejemplo, la métrica de recuperación para los resultados de la prueba interna) para confirmar que los clientes de alto riesgo se identifican durante los meses en los que tuvieron actividad sospechosa. Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
T
modelos
La IA contra el lavado de dinero realiza el entrenamiento como parte de la creación de un modelo mediante hiperparámetros (consulta ajuste) a partir de una configuración de motor especificada.
ajuste
El ajuste es la optimización de los hiperparámetros del modelo. La IA contra el lavado de dinero se ajusta como parte de la creación de una configuración del motor.
V
hora de inicio de validez
La IA contra el lavado de dinero usa la hora de inicio de validez de una entidad mutable para crear una vista de lo que el banco conocía en un momento determinado. Esto permite que la IA contra el lavado de dinero entrene con precisión modelos que se pueden volver a usar en los datos más recientes (es decir, lo que el banco conoce actualmente) para producir puntuaciones de riesgo de alta fidelidad. El tiempo de inicio de validez de una fila determinada representa el momento más antiguo en el que el banco conoció los datos de esta fila y fueron correctos. Para obtener más información, consulta Comprende cómo cambian los datos con el tiempo.