Questo glossario definisce i termini specifici dell'AI AML. Per i termini generali relativi al machine learning, consulta il glossario relativo al machine learning.
B
test retrospettivo
Il backtesting utilizza dati storici per valutare le prestazioni (ricordo osservato) di un modello confrontando i punteggi di rischio che genera con i risultati effettivi delle indagini storiche.
risultati del backtest
Viene creata una risorsa BacktestResult dell'AI AML (nota anche come "risultati di backtest") per testare le prestazioni di un modello su un set di dati. Per saperne di più, consulta Valutazione di un modello.
C
dati di core banking
I dati bancari principali includono i dati su parti, transazioni e titolarità del conto. Aiuta AML AI a comprendere i tuoi clienti e la loro attività bancaria per rilevare caratteristiche e comportamenti rischiosi.
periodo di tempo del core
La finestra di tempo del core si riferisce all'intervallo di tempo utilizzato in un'operazione di IA AML (configurazione del motore, addestramento, test di backtest e previsione) per la generazione di addestramento, esempi di valutazione o output del modello. Questo intervallo di tempo deve essere coperto da tutte le tabelle nel set di dati.
Operazioni API diverse hanno requisiti diversi per la finestra temporale principale per generare funzionalità ed etichette. Per ulteriori informazioni, consulta Comprendere l'ambito e la durata dei dati.
D
set di dati
Una risorsa del set di dati (o semplicemente "set di dati") di AML AI viene utilizzata per specificare i dati, in conformità al 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 saperne di più, consulta la pagina Comprendere i requisiti e il modello dei dati AML.
convalida dei dati
AML AI esegue controlli di convalida dei dati durante la creazione di un set di dati, di una configurazione motore, di un modello, di risultati del backtest o di una previsione. Se il set di dati specificato non supera la convalida dei dati, la risorsa non viene creata e vengono generati errori di convalida dei dati (indicando la natura del problema). Per ulteriori informazioni, consulta Errori di convalida dei dati.
E
ora di fine
Le operazioni di AI AML che utilizzano un set di dati richiedono di specificare un'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 nell'intervallo di date del set di dati associato. Ad esempio, un'operazione di addestramento richiede una finestra temporale 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 la data di fine il 12 aprile 2023, l'addestramento utilizza esempi relativi ai mesi di calendario da gennaio 2022 a marzo 2023, che rientrano nell'intervallo di date del set di dati.
configurazione motore
Una risorsa EngineConfig di AML AI (nota anche come "configurazione motore") specifica i parametri per la generazione e la valutazione di un modello AI AML, nonché per la generazione di punteggi di rischio e spiegabilità.
Alcuni di questi parametri sono specificati nella chiamata API per creare una configurazione motore, ad esempio la versione del motore e il volume di indagine previsto. Altri parametri vengono generati automaticamente dall'AI AML utilizzando un set di dati specificato, ad esempio gli iperparametri ottimizzati. Per ulteriori informazioni, consulta la sezione Configurare un motore.
versione del motore
Una risorsa EngineVersion di AML AI (nota anche come "versione motore") definisce gli aspetti di come AML AI rileva il rischio, tra cui l'ottimizzazione, l'addestramento e la valutazione dei modelli, nonché il modello dei dati AML complessivo e le famiglie di funzionalità.
La configurazione di un motore AML AI richiede di specificare una versione del motore da utilizzare. La versione del motore viene quindi utilizzata per addestrare e valutare modelli con quella configurazione motore e per generare punteggi di rischio e spiegabilità.
La denominazione delle versioni del motore è strutturata come segue, con il tipo di motore che esprime la line of business supportata, mentre le versioni principali, principali e secondarie vengono aggiornate man mano che vengono implementati nuovi comportamenti. Le versioni di esempio
includono aml-retail.default.v002.000.202306-000 e
aml-commercial.default.v002.000.202306-000.
Per ulteriori informazioni sulla gestione delle versioni dei motori, consulta Gestione delle versioni dei motori.
valutazione
Consulta la sezione backtesting.
spiegabilità
I modelli di AI AML vengono utilizzati per identificare le parti che mostrano comportamenti o caratteristiche ad alto rischio di riciclaggio di denaro. La spiegabilità indica quali comportamenti o caratteristiche hanno contribuito maggiormente a un punteggio ad alto rischio per una determinata parte. Per ulteriori informazioni, consulta Comprendere gli output di previsione.
metadati dell'esportazione
Diverse risorse di AML AI archiviano informazioni aggiuntive relative alle prestazioni e alla qualità dei dati, a cui è possibile accedere utilizzando l'operazione di esportazione dei metadati. Per ulteriori informazioni, consulta Modello dei dati di output AML.
V
famiglia di funzionalità
Le famiglie di caratteristiche sono raccolte di funzionalità ML correlate, fornendo una categorizzazione semplice e comprensibile dall'uomo per informare gli esaminatori e i team di controllo interni.
I
entità immutabile
L'AI AML deve essere in grado di ricreare le visualizzazioni dei dati in diversi momenti per l'ottimizzazione, l'addestramento e il backtest. Per raggiungere questo obiettivo, AML AI fa una distinzione tra entità modificabili, ovvero entità che possono modificare i valori nel tempo, ed entità immutabili, come gli eventi che, una volta creati o verificati, non cambiano in modo ragionevole.
Nel modello dei dati di input AML, le tabelle che rappresentano entità immutabili non hanno i campi validity_start_time e is_entity_deleted. Include la tabella RiskCaseEvent. Per saperne di più, vedi Informazioni su come i dati cambiano nel tempo.
Vedi anche entità modificabile.
istanza
Una risorsa di istanza di AML AI (nota anche come "istanza") si trova alla radice di tutte le altre risorse AML AI e deve essere creata prima di poter lavorare con altre risorse AML AI. È possibile creare più istanze nella stessa regione all'interno di un progetto. Per saperne di più, consulta Creare un'istanza AML AI.
procedura di indagine
Un processo di indagine copre l'intera indagine o sequenza di indagini attivate da un avviso. Il processo inizia quando inizia la prima parte di un'indagine e termina quando non sono previsti ulteriori risultati da questa indagine. Per saperne di più, consulta Ciclo di vita di un caso di rischio.
S
linea di business (LOB)
La linea di business distingue i clienti bancari retail e commerciali in AML AI. I set di dati, le versioni del motore e la registrazione del parti sono collegati a uno specifico settore di attività, vendita al dettaglio o commerciale.
operazione a lunga esecuzione (LRO)
Diverse operazioni AI AML, tra cui configurazione del motore, addestramento, test di backtest e previsione, avviano un'operazione a lunga esecuzione (LRO). Per saperne di più, consulta Gestire le operazioni a lunga esecuzione.
finestra temporale
Oltre alla finestra temporale principale, le operazioni dell'AI AML richiedono che i set di dati includano una finestra temporale per consentire la generazione di funzionalità che monitorano il comportamento nel tempo. Per ulteriori informazioni, consulta Comprendere l'ambito e la durata dei dati.
M
Mancanza
La metrica Mancanza viene calcolata per tutte le famiglie di funzionalità durante la creazione delle seguenti risorse AI AML: configurazione motore, modello, risultati del backtest e risultati della previsione.
Questa metrica mostra la quota di valori mancanti tra tutte le funzionalità di una famiglia di funzionalità. Un cambiamento significativo della mancanza di una famiglia di funzionalità tra l'ottimizzazione, l'addestramento, la valutazione e la previsione può indicare incoerenze nei set di dati utilizzati.
modello
Una risorsa del modello AML AI (nota anche come "modello") rappresenta un modello addestrato che può essere utilizzato per generare punteggi di rischio e spiegabilità.
entità modificabile
L'AI AML deve essere in grado di ricreare le visualizzazioni dei dati in diversi momenti per l'ottimizzazione, l'addestramento e il backtest. Per raggiungere questo obiettivo, l'AML AI distingue tra entità che possono modificare i valori nel tempo ed entità immutabili, come gli eventi, che, quando diventano esistenti o si verificano, non cambiano in modo ragionevole.
Nel modello dei dati di input AML, le tabelle che rappresentano entità modificabili hanno i campi validity_start_time e is_entity_deleted. Include le tabelle
Party, AccountPartyLink,
Transaction e PartySupplementaryData.
Per ulteriori informazioni, vedi Informazioni su come i dati cambiano nel tempo.
Vedi anche entità immutabile.
O
ricordo osservato
L'AI di AML misura le prestazioni del modello in base ai dati storici utilizzando la metrica Richiamo osservato.
Questa metrica mostra la proporzione di parti etichettate positive (ad esempio, uscite di clienti) in un periodo selezionato che sarebbero state identificate come ad alto rischio durante un periodo di attività sospetta dal modello valutato.
P
festa
Nel modello dei dati di input AML, una parte rappresenta un cliente della banca. Una parte può essere una persona fisica o una persona giuridica. Per ulteriori informazioni, consulta la tabella Partito. Vedi anche parte registrata.
previsione
La previsione utilizza un modello per generare punteggi di rischio e spiegabilità che possono essere utilizzati nel processo di indagine AML.
risultati della previsione
Una risorsa PredictionResult AML AI (nota anche come "risultati di previsione") è il risultato dell'utilizzo di un modello per creare previsioni. Per ulteriori dettagli su come generare punteggi di rischio e spiegabilità e su come utilizzarli nel processo di indagine, consulta le pagine della sezione Generare punteggi di rischio e spiegabilità.
R
parte registrata
Prima che una parte possa essere utilizzata per creare risultati di previsione (ad esempio, punteggi di rischio e spiegabilità a livello di parte), la parte deve essere registrata per la linea di business corrispondente.
caso di rischio
Un caso di rischio riguarda una procedura di indagine o un gruppo di procedure di indagine correlate per diverse parti.
Consulta la tabella RiskCaseEvent.
dati sull'indagine sui rischi
I dati di indagine del rischio vengono utilizzati da AML AI per comprendere il processo e i risultati dell'indagine del rischio e per generare etichette di addestramento.
punteggio di rischio
I modelli di AI AML vengono utilizzati per identificare le parti che mostrano comportamenti o caratteristiche ad alto rischio di riciclaggio di denaro. Questo viene fatto attraverso un punteggio di rischio.
I punteggi di rischio variano da 0 a 1. Un punteggio più alto indica un rischio più alto. Tuttavia, i punteggi di rischio non devono essere interpretati direttamente come una probabilità di attività di riciclaggio di denaro. Per ulteriori informazioni, consulta Comprendere gli output di previsione.
tipologia di rischio
L'AI di AML è in grado di identificare il rischio di riciclaggio di denaro attraverso cinque tipi di rischio AML principali relative al monitoraggio delle transazioni.
Con una quantità sufficiente di dati di indagine e di parte supplementare (consulta le tabelle Dati supplementari), AML AI può coprire più tipi di tipo.
S
dati supplementari
I dati supplementari sono dati aggiuntivi, oltre a quelli contenuti nelle aree dei dati bancari principali e dei dati di indagine dei rischi dello schema di AML AI, che sono pertinenti per prevedere il rischio di riciclaggio di denaro. Ad esempio, puoi identificare e aggiungere un indicatore di rischio che aiuti i modelli a prevedere meglio una tipologia di rischio che altrimenti non sarebbe ben coperta.
È possibile aggiungere dati supplementari a un set di dati utilizzando la tabella PartySupplementaryData.
periodo di attività sospetta
Un periodo di attività sospetta è un periodo di tempo in cui ritieni che un soggetto investigato abbia mostrato un comportamento sospetto. Viene utilizzata nella valutazione del modello (ad esempio, la metrica di richiamo per i risultati dei backtest) per confermare che i clienti ad alto rischio vengano identificati durante i mesi in cui hanno avuto attività sospette. Per saperne di più, consulta Ciclo di vita di un caso di rischio.
T
addestramento
AML AI esegue l'addestramento durante la creazione di un modello utilizzando gli iperparametri (vedi l'ottimizzazione) da una configurazione motore specificata.
ottimizzazione
L'ottimizzazione è l'ottimizzazione degli iperparametri del modello. AML AI esegue l'ottimizzazione come parte della creazione di una configurazione motore.
V
ora di inizio validità
L'ora di inizio della validità di un'entità modificabile viene utilizzata da AML AI per creare una vista di ciò che era noto alla banca in un determinato momento. Ciò consente ad AML AI di addestrare con precisione i modelli che possono essere riutilizzati sui dati più recenti (ovvero quelli attualmente noti dalla banca) per produrre punteggi di rischio ad alta fedeltà. L'ora di inizio validità di una determinata riga rappresenta il primo momento in cui i dati in questa riga sono stati noti alla banca e corretti. Per saperne di più, vedi Informazioni su come i dati cambiano nel tempo.