Este glossário define termos específicos da IA de AML. Para termos gerais de aprendizagem automática, consulte o Glossário de aprendizagem automática.
A
- ADC
Cada uma das bibliotecas cliente de APIs oferece um meio de usar credenciais predefinidas da aplicação (ADC) locais
Para obter informações sobre a diferença entre as suas credenciais de ADC locais e as suas credenciais da CLI gcloud, consulte o artigo Credenciais da CLI gcloud e credenciais de ADC
B
- backtesting
- Os testes retroativos usam dados do histórico para avaliar o desempenho (recolha observada) de um modelo comparando a pontuação de risco que gera com os resultados reais das investigações do histórico.
- resultados de testes retroativos
- É criado um recurso BacktestResult de IA de AML (também conhecido como "resultados do teste retrospetivo") para testar o desempenho de um modelo num conjunto de dados.
- Para mais informações, consulte o artigo Avalie um modelo.
C
- dados bancários essenciais
- Os dados bancários essenciais incluem dados sobre partes, transações e detenções de contas. Ajuda a IA de AML a compreender os seus clientes e a respetiva atividade bancária para detetar caraterísticas e comportamentos de risco.
- período principal
O período principal refere-se ao intervalo de tempo usado numa operação de IA de AML (configuração do motor, preparação, testes retroativos e previsão) para gerar exemplos de preparação, avaliação ou resultados do modelo. Este intervalo de tempo tem de ser abrangido por todas as tabelas no conjunto de dados.
As diferentes operações da API têm requisitos diferentes para o período principal para gerar funcionalidades e etiquetas. Para mais informações, consulte o artigo Compreenda o âmbito e a duração dos dados.
Veja também o período de análise.
D
- validação de dados
- A IA da AML realiza verificações de validação de dados quando cria um conjunto de dados, uma configuração do motor, um modelo, resultados de testes retrospetivos ou resultados de previsões. Se o conjunto de dados especificado não passar na validação de dados, o recurso não é criado e são produzidos erros de validação de dados (que indicam a natureza do problema).
- Para mais informações, consulte o artigo Erros de validação de dados.
- dataset
Um recurso de conjunto de dados de IA de AML (ou apenas "conjunto de dados") é usado para especificar dados, em conformidade com o modelo de dados de entrada de AML, que podem ser usados na geração de um modelo, na avaliação do desempenho de um modelo e na geração de classificações de risco e de explicabilidade por parte.
Para mais informações, consulte o artigo Compreenda o modelo de dados e os requisitos da AML.
E
- hora de fim
As operações de IA de AML que usam um conjunto de dados requerem que especifique uma hora de fim. Este campo é usado para controlar os meses no conjunto de dados que são usados para gerar exemplos de preparação ou avaliação e resultados do modelo.
A hora de fim e todos os meses usados para uma operação têm de estar dentro do intervalo de datas do conjunto de dados associado.
Por exemplo, uma operação de preparação requer um período essencial de 15 meses. Se usar um conjunto de dados com um intervalo de datas de 15 de outubro de 2021 a 21 de maio de 2023 e uma hora de fim a 12 de abril de 2023, a formação usa exemplos dos meses civis de janeiro de 2022 a março de 2023, que se encontram no intervalo de datas do conjunto de dados.
- configuração do motor
Um recurso EngineConfig de IA de AML (também conhecido como "configuração do motor") especifica parâmetros na geração e avaliação de um modelo de IA de AML e na geração de classificações de risco e explicabilidade.
Alguns destes parâmetros são especificados na chamada API para criar uma configuração do motor, como a versão do motor e o volume de investigação esperado. Outros parâmetros são gerados automaticamente pela IA de AML com um conjunto de dados especificado, por exemplo, hiperparâmetros ajustados.
Para mais informações, consulte o artigo Configure um motor.
- versão do motor
Um recurso EngineVersion de IA de AML (também conhecido como "versão do motor") define aspetos de como a IA de AML deteta o risco, que abrange o ajuste, a preparação e a avaliação do modelo, bem como o modelo de dados de AML geral e as famílias de funcionalidades.
A configuração de um motor de IA de AML requer que especifique uma versão do motor a usar. A versão do motor é usada para preparar e avaliar modelos com essa configuração do motor e para gerar classificações de risco e capacidade de explicação.
A nomenclatura da versão do motor está estruturada da seguinte forma, com o tipo de motor a expressar a linha de negócio suportada, e o subtipo de motor, a otimização, a versão principal e a versão secundária atualizados à medida que são implementados novos comportamentos.
Exemplos de versões:
aml-retail.default.v004.008.202411-001aml-commercial.default.v004.008.202411-001
Para mais informações sobre a gestão das versões do motor, consulte o artigo Faça a gestão das versões do motor.
- avaliação
Veja também os testes retroativos.
- explicabilidade
Os modelos de IA de AML são usados para identificar partes que apresentam comportamentos ou características com elevado risco de branqueamento de capitais. A capacidade de explicação indica que comportamentos ou caraterísticas contribuíram mais para uma pontuação de risco elevado para uma determinada parte.
Para mais informações, consulte o artigo Compreenda os resultados da previsão.
Veja também a previsão.
- exportar metadados
Vários recursos de IA de AML armazenam informações adicionais relacionadas com o desempenho e a qualidade dos dados, que podem ser acedidas através da operação de metadados de exportação.
Para mais informações, consulte o modelo de dados de saída da AML.
F
- família de funcionalidades
- As famílias de funcionalidades são coleções de funcionalidades de ML relacionadas, que oferecem uma categorização simples e compreensível para humanos para informar os investigadores e as equipas de auditoria internas.
I
- entidade imutável
A IA de AML tem de conseguir recriar vistas dos dados em diferentes pontos no tempo para ajuste, treino e testes retroativos. Para alcançar este objetivo, a IA da AML distingue entre entidades mutáveis (que podem alterar os valores ao longo do tempo) e entidades imutáveis (que não se alteram).
Por exemplo, uma entidade mutável pode ser o saldo da sua conta corrente, que pode mudar ao longo do tempo. No entanto, uma entidade imutável pode ser um evento, como levantar 50 € a 2 de julho de 2024 às 12:00:00 da sua conta corrente, que não muda, uma vez que foi um momento específico no tempo.
No modelo de dados de entrada da AML, as tabelas que representam entidades imutáveis não têm os campos
validity_start_timeeis_entity_deleted. Isto inclui a tabela RiskCaseEvent.Para mais informações, consulte o artigo Compreender como os dados mudam ao longo do tempo.
Veja também entidade mutável.
- instance
Um recurso de instância de IA de AML (também conhecido como "instância") encontra-se na raiz de todos os outros recursos de IA de AML e tem de ser criado antes de poder trabalhar com outros recursos de IA de AML. É possível criar várias instâncias na mesma região num projeto.
Para mais informações, consulte o artigo Crie uma instância de IA de AML.
- processo de investigação
Um processo de investigação abrange toda a investigação ou sequência de investigações acionadas por um alerta. O processo começa quando a primeira parte de uma investigação é iniciada e termina quando não são esperados mais resultados desta investigação.
Para mais informações, consulte o artigo Ciclo de vida de um registo de risco.
L
- LOB
- A linha de negócio (LOB) distingue os clientes de retalho e de banca comercial na IA de combate ao branqueamento de capitais. Os conjuntos de dados, as versões do motor e o registo de terceiros estão associados a uma linha de negócio, um retalho ou um comércio específicos.
- período de análise
Além do intervalo de tempo principal, as operações de IA da AML requerem que os conjuntos de dados incluam um intervalo de análise retrospetiva para permitir a geração de caraterísticas que monitorizam o comportamento ao longo do tempo.
Para mais informações, consulte o artigo Compreenda o âmbito e a duração dos dados.
- LRO
Várias operações de IA de AML, incluindo a configuração do motor, a preparação, os testes retroativos e a previsão, iniciam uma operação de longa duração (LRO).
Para mais informações, consulte o artigo Faça a gestão de operações de longa duração.
M
- dados em falta
A métrica de dados em falta é calculada para todas as famílias de funcionalidades quando cria os seguintes recursos de IA da AML: configuração do motor, modelo, resultados de testes retrospetivos e resultados de previsão.
Esta métrica mostra a quota de valores em falta em todas as caraterísticas de uma família de caraterísticas. Uma alteração significativa na ausência de dados para qualquer família de caraterísticas entre o ajuste, a preparação, a avaliação e a previsão pode indicar uma inconsistência nos conjuntos de dados usados.
- model
Um recurso de modelo de IA de AML (também conhecido como "modelo") representa um modelo preparado que pode ser usado para gerar pontuações de risco e explicabilidade.
- entidade mutável
A IA de AML tem de conseguir recriar vistas dos dados em diferentes pontos no tempo para ajuste, treino e testes retroativos. Para o conseguir, a IA da AML distingue entre entidades mutáveis (que podem alterar os valores ao longo do tempo) e entidades imutáveis (que não se alteram).
Por exemplo, uma entidade mutável pode ser o saldo da sua conta corrente, que pode mudar ao longo do tempo. No entanto, uma entidade imutável pode ser um evento, como levantar 50 € a 2 de julho de 2024 às 12:00:00 da sua conta corrente, que não muda, uma vez que foi um momento específico no tempo.
No modelo de dados de entrada da AML, as tabelas que representam entidades mutáveis têm os campos
validity_start_timeeis_entity_deleted. Isto inclui as tabelas Party, AccountPartyLink, Transaction e PartySupplementaryData.Para mais informações, consulte o artigo Compreender como os dados mudam ao longo do tempo.
Veja também entidade imutável.
O
- observed-recall
A IA da AML mede o desempenho do modelo em dados do histórico através da métrica Observed Recall.
Esta métrica mostra a proporção de partes etiquetadas positivas (por exemplo, saídas de clientes) de um período selecionado que teriam sido identificadas durante um período de atividade suspeita como de alto risco pelo modelo que está a ser avaliado.
P
- party
No modelo de dados de entrada de AML, uma parte representa um cliente do banco. Uma parte pode ser uma pessoa singular ou uma entidade legal.
Para mais informações, consulte a tabela Party.
Veja também partido registado.
- previsão
A previsão usa um modelo para gerar pontuações de risco e capacidade de explicação que podem ser usadas no seu processo de investigação de AML.
- resultados da previsão
Um recurso PredictionResult de IA de AML (também conhecido como "resultados da previsão") é o resultado da utilização de um modelo para criar previsões.
Para ver mais detalhes sobre como gerar classificações de risco e explicabilidade, bem como como usá-los no seu processo de investigação, consulte as páginas na secção Gere classificações de risco e explicabilidade.
R
- partido registado
- Antes de uma entidade poder ser usada para criar resultados de previsão (por exemplo, pontuações de risco e explicabilidade ao nível da entidade), a entidade tem de estar registada para a linha de negócio correspondente.
- caso de risco
Um registo de risco abrange um processo de investigação ou um grupo de processos de investigação relacionados para diferentes partes.
Consulte a tabela RiskCaseEvent.
- dados de investigação de riscos
Os dados de investigação de riscos são usados pela IA de AML para compreender o seu processo e resultados de investigação de riscos e para gerar etiquetas de preparação.
- pontuação de risco
Os modelos de IA de AML são usados para identificar partes que apresentam comportamentos ou características com elevado risco de branqueamento de capitais. Isto é feito através de uma pontuação de risco.
As pontuações de risco variam de 0 a 1. Uma pontuação mais elevada indica um risco mais elevado. No entanto, as pontuações de risco não devem ser interpretadas diretamente como uma probabilidade de atividade de branqueamento de capitais.
Para mais informações, consulte o artigo Compreenda os resultados da previsão.
- tipologia de risco
A IA de combate ao branqueamento de capitais pode identificar o risco de branqueamento de capitais em cinco tipologias de risco de combate ao branqueamento de capitais essenciais relacionadas com a monitorização de transações.
Com investigação suficiente e dados de terceiros suplementares (consulte as tabelas de dados suplementares), a IA de AML pode abranger mais tipologias.
S
- dados suplementares
Os dados suplementares são dados adicionais, além dos contidos nas áreas de dados bancários essenciais e dados de investigação de riscos do esquema de IA de AML, que são relevantes para prever o risco de branqueamento de capitais.
Por exemplo, pode identificar e adicionar um indicador de risco que ajude os modelos a prever melhor uma tipologia de risco que não esteja bem coberta de outra forma.
Pode adicionar dados suplementares a um conjunto de dados através da tabela PartySupplementaryData.
- período de atividade suspeita
Um período de atividade suspeita é um período durante o qual considera que uma parte sob investigação apresentou um comportamento suspeito. Este valor é usado na avaliação do modelo (por exemplo, a métrica de recall para resultados de testes retrospetivos) para confirmar que os clientes de alto risco são identificados durante os meses em que tiveram atividade suspeita.
Para mais informações, consulte o artigo Ciclo de vida de um registo de risco.
B
- training
- A IA da AML faz a preparação como parte da criação de um modelo com hiperparâmetros (consulte a ajustamento) a partir de uma configuração do motor especificada.
- ajuste
- O aperfeiçoamento é a otimização dos hiperparâmetros do modelo. A IA da AML faz o ajuste como parte da criação de uma configuração do motor.
V
- validity start time
A hora de início da validade de uma entidade mutável é usada pela IA de AML para construir uma vista do que era conhecido pelo banco num determinado momento. Isto permite que a IA de AML prepare com precisão modelos que podem ser reutilizados nos dados mais recentes (ou seja, o que é conhecido pelo banco) para produzir pontuações de risco de alta fidelidade.
A hora de início da validade de uma determinada linha representa a hora mais antiga em que o banco conheceu os dados desta linha e os considerou corretos.
Para mais informações, consulte o artigo Compreender como os dados mudam ao longo do tempo.