Neste glossário, definimos termos específicos da IA antilavagem de dinheiro. Para termos gerais de machine learning, consulte o Glossário de machine learning.
B
backtesting
O backtesting usa dados históricos para avaliar o desempenho (recall observado) de um modelo, comparando as pontuações de risco que ele gera com os resultados reais das investigações históricas.
resultados do backtest
Um recurso BacktestResult da IA antilavagem de dinheiro, também conhecido como "resultados de backtest", é criado para testar o desempenho de um model em um conjunto de dados. Para mais informações, consulte Avaliar um modelo.
C
dados dos principais serviços bancários
Os principais dados bancários incluem informações sobre partes, transações e contas de responsabilidade. Ele ajuda a IA antilavagem de dinheiro a entender seus clientes e a atividade bancária deles para detectar características e comportamentos de risco.
janela de tempo principal
A janela de tempo principal se refere ao período usado em uma operação da IA antilavagem de dinheiro (configuração de mecanismo, treinamento, backtesting e previsão) para gerar treinamento, exemplos de avaliação ou saídas do modelo. Esse intervalo de tempo precisa ser coberto por todas as tabelas do conjunto de dados.
Diferentes operações da API têm requisitos distintos de janela de tempo principal para gerar atributos e rótulos. Para mais informações, consulte Entender o escopo e a duração dos dados.
D
conjunto de dados
Um recurso de conjunto de dados da IA antilavagem de dinheiro (ou apenas "conjunto de dados") é usado para especificar dados, em conformidade com o modelo de dados de entrada da AML, que pode ser usado para gerar um modelo, avaliar o desempenho de um modelo e gerar pontuações de risco e explicabilidade por parte. Para mais informações, consulte Entender o modelo de dados e os requisitos da antilavagem de dinheiro.
validação de dados
A IA antilavagem de dinheiro realiza verificações de validação de dados ao criar um conjunto de dados, configuração de mecanismo, modelo, resultados de backtest ou de previsão. Se o conjunto de dados especificado não passar na validação de dados, o recurso não será criado e erros de validação de dados serão gerados (indicando a natureza do problema). Para mais informações, consulte Erros de validação de dados.
E
Horário de término
As operações de IA antilavagem de dinheiro que usam um conjunto de dados exigem que você especifique um horário de término. Esse campo é usado para controlar quais meses no conjunto de dados são usados para gerar exemplos de treinamento ou avaliação e saídas do modelo.
O horário de término e todos os meses usados para uma operação devem estar dentro do intervalo de datas do conjunto de dados associado. Por exemplo, uma operação de treinamento requer uma janela de tempo principal de 15 meses. Se você usar um conjunto de dados com um período de 15 de outubro de 2021 a 21 de maio de 2023 e um horário de término em 12 de abril de 2023, o treinamento usará exemplos dos meses de janeiro de 2022 a março de 2023, que está no período do conjunto de dados.
configuração do mecanismo
Um recurso EngineConfig da IA antilavagem de dinheiro, também conhecido como "configuração de mecanismo", especifica parâmetros para gerar e avaliar um modelo de IA antilavagem de dinheiro e gerar pontuações de risco e explicabilidade.
Alguns desses parâmetros são especificados na chamada de API para criar uma configuração de mecanismo, como a versão do mecanismo e o volume de investigação esperado. Outros parâmetros são gerados automaticamente pela IA antilavagem de dinheiro usando um conjunto de dados especificado, como hiperparâmetros ajustados. Para mais informações, consulte Configurar um mecanismo.
versão do mecanismo
Um recurso EngineVersion da IA antilavagem de dinheiro (também conhecido como "versão de mecanismo") define aspectos de como a IA antilavagem de dinheiro detecta riscos. Isso abrange o ajuste, o treinamento e a avaliação de modelos, bem como o modelo de dados geral da antilavagem de dinheiro e as famílias de recursos.
Configurar um mecanismo de IA antilavagem de dinheiro exige que você especifique uma versão do mecanismo a ser usada. A versão do mecanismo é usada para treinar e avaliar modelos com essa configuração e gerar pontuações de risco e explicabilidade.
A nomenclatura da versão do mecanismo é estruturada da seguinte maneira. O tipo de mecanismo expressa a linha de negócios compatível e o subtipo, ajuste, as versões principais e secundárias do mecanismo são atualizados à medida que novos comportamentos são implementados. As versões de exemplo incluem aml-retail.default.v004.000.202312-000 e aml-Commercial.default.v004.000.202312-000.
Para mais informações sobre como gerenciar versões de mecanismo, consulte Gerenciar versões de mecanismo.
Avaliação
Consulte backtesting.
explicabilidade
Os modelos de IA antilavagem de dinheiro são usados para identificar partes que apresentam comportamentos ou características com alto risco de lavagem de dinheiro. A explicabilidade indica quais comportamentos ou características contribuíram mais para uma pontuação de alto risco para uma determinada parte. Para mais informações, consulte Entender as saídas de previsão.
exportar metadados
Vários recursos da IA antilavagem de dinheiro armazenam informações adicionais relacionadas ao desempenho e à qualidade de dados que podem ser acessadas usando a operação de exportação de metadados. Para mais informações, consulte Modelo de dados de saída da antilavagem de dinheiro.
F
família de atributos
As famílias de atributos são coleções de recursos de ML relacionados, que oferecem uma categorização simples e compreensível para informar os investigadores e equipes de auditoria internas.
I
entidade imutável
A IA antilavagem de dinheiro precisa ser capaz de recriar visualizações dos dados em diferentes momentos para ajuste, treinamento e backtesting. Para conseguir isso, a IA antilavagem de dinheiro diferencia entidades mutáveis, ou seja, entidades que podem mudar valores ao longo do tempo, e entidades imutáveis, como eventos, que, depois de existirem ou ocorrerem, não mudam de forma razoável.
No modelo de dados de entrada da antilavagem de dinheiro, as tabelas que representam entidades imutáveis não têm os campos validity_start_time e is_entity_deleted. Isso inclui a tabela RiskCaseEvent. Para mais informações, consulte
Como os dados mudam ao longo do tempo.
Consulte também entidade mutável.
instância
Um recurso de instância da IA antilavagem de dinheiro, também conhecido como "instância", fica na raiz de todos os outros recursos de IA antilavagem de dinheiro e precisa ser criado antes que você possa trabalhar com outros recursos dessa IA. Várias instâncias podem ser criadas na mesma região dentro de um projeto. Para mais informações, consulte Criar uma instância de IA antilavagem de dinheiro.
processo de investigação
Um processo de investigação abrange toda a investigação ou a sequência de investigações acionadas por um alerta. O processo começa quando a primeira parte de uma investigação começa e termina quando não são esperados outros resultados. Para mais informações, consulte Ciclo de vida de um caso de risco.
L
linha de negócios (LOB)
A linha de negócios distingue clientes bancários de varejo e comerciais com IA antilavagem de dinheiro. Conjuntos de dados, versões de mecanismo e registro de partes estão vinculados a uma linha específica de negócios, varejo ou comercial.
operação de longa duração (LRO, na sigla em inglês)
Várias operações da IA antilavagem de dinheiro, incluindo configuração do mecanismo, treinamento, backtesting e previsão, iniciam uma operação de longa duração (LRO, na sigla em inglês). Para mais informações, consulte Gerenciar operações de longa duração.
janela de lookback
Além da janela de tempo do núcleo, as operações de IA antilavagem de dinheiro exigem que os conjuntos de dados incluam uma janela de lookback para permitir a geração de recursos que rastreiam o comportamento ao longo do tempo. Para mais informações, consulte Entender o escopo e a duração dos dados.
M
Falta
A métrica "Ausência" é calculada para todas as famílias de atributos ao criar os seguintes recursos da IA antilavagem de dinheiro: configuração do mecanismo, modelo, resultados do backtest e resultados da previsão.
Essa métrica mostra a parcela de valores ausentes em todos os recursos de uma família. Uma alteração significativa na ausência de qualquer família de recursos entre o ajuste, o treinamento, a avaliação e a previsão pode indicar inconsistência nos conjuntos de dados usados.
model
Um recurso de modelo da IA antilavagem de dinheiro, também conhecido como "modelo", representa um modelo treinado que pode ser usado para gerar pontuações de risco e explicabilidade.
entidade mutável
A IA antilavagem de dinheiro precisa ser capaz de recriar visualizações dos dados em diferentes momentos para ajuste, treinamento e backtesting. Para conseguir isso, a IA antilavagem de dinheiro diferencia entidades que podem mudar valores ao longo do tempo e entidades imutáveis, como eventos, que, quando surgem ou ocorrem, não mudam de forma razoável.
No modelo de dados de entrada da antilavagem de dinheiro, as tabelas que representam entidades mutáveis têm
os campos validity_start_time e is_entity_deleted. Isso inclui as tabelas Party, AccountPartyLink,
Transaction e PartySupplementaryData.
Para mais informações, consulte Como os dados mudam ao longo do tempo.
Consulte também entidade imutável.
O
recall observado
A IA antilavagem de dinheiro mede o desempenho do modelo em dados históricos usando a métrica de recall observado.
Essa métrica mostra a proporção de partes rotuladas positivas (por exemplo, saídas de clientes) de um período selecionado que teriam sido identificadas como de alto risco durante um período de atividade suspeita pelo modelo avaliado.
P
parte
No modelo de dados de entrada da antilavagem de dinheiro, uma parte representa um cliente do banco. Uma parte pode ser uma pessoa física ou uma pessoa jurídica. Para mais informações, consulte a tabela Party. Consulte também parte registrada.
previsão
Prediction usa um modelo para gerar pontuações de risco e explicabilidade que podem ser usadas no processo de investigação de antilavagem de dinheiro.
resultados da previsão
Um recurso PredictionResult da IA antilavagem de dinheiro, também conhecido como "resultados de previsão", é o resultado do uso de um modelo para criar previsões. Para mais detalhes sobre como gerar pontuações de risco e explicabilidade, e como usá-las no processo investigativo, consulte as páginas da seção Gerar pontuações de risco e explicabilidade.
R
parte registrada
Antes que uma parte possa ser usada para criar resultados de previsão (por exemplo, pontuações de risco e explicabilidade no nível da parte), a parte precisa ser registrada para a linha de negócios correspondente.
caso de risco
Um caso de risco abrange um processo de investigação ou um grupo de processos de investigação relacionados para partes diferentes.
Consulte a tabela RiskCaseEvent.
dados de investigação de risco
Os dados de investigação de risco são usados pela IA antilavagem de dinheiro para entender os resultados e o processo de investigação de riscos e gerar rótulos de treinamento.
pontuação de risco
Os modelos de IA antilavagem de dinheiro são usados para identificar partes que apresentam comportamentos ou características com alto risco de lavagem de dinheiro. Isso é feito por meio de uma pontuação de risco.
As pontuações de risco variam de 0 a 1. Uma pontuação mais alta indica um risco maior. No entanto, as pontuações de risco não devem ser interpretadas diretamente como uma probabilidade de atividade de lavagem de dinheiro. Para mais informações, consulte Entender as saídas de previsão.
tipografia de risco
A IA antilavagem de dinheiro pode identificar riscos de lavagem de dinheiro em cinco tipos principais de risco de antilavagem de dinheiro relacionadas ao monitoramento de transações.
Com investigação suficiente e dados complementares das partes (consulte as tabelas de dados complementares), a IA antilavagem de dinheiro pode abranger mais tipologias.
D
dados complementares
Os dados complementares são dados adicionais, além daqueles contidos nos dados bancários principais e nas áreas de dados de investigação de risco do esquema de IA antilavagem de dinheiro, que são relevantes para prever o risco de lavagem de dinheiro. Por exemplo, é possível identificar e adicionar um indicador de risco que ajuda os modelos a prever melhor uma tipologia de risco que não é bem abordada de outra forma.
Dados complementares podem ser adicionados a um conjunto de dados usando a tabela PartySupplementaryData.
período de atividade suspeita
Um período de atividade suspeita é o período em que você acredita que uma parte investigada demonstrou comportamento suspeito. Isso é usado na avaliação do modelo (por exemplo, a métrica de recall dos resultados do backtest) para confirmar que os clientes de alto risco são identificados durante os meses em que tiveram atividade suspeita. Para mais informações, consulte Ciclo de vida de um caso de risco.
T
Treinamento
A IA antilavagem de dinheiro faz o treinamento como parte da criação de um modelo usando hiperparâmetros (consulte ajuste) com base em uma configuração de mecanismo especificada.
ajuste
O ajuste é a otimização dos hiperparâmetros do modelo. a IA antilavagem de dinheiro faz ajustes como parte da criação de uma configuração do mecanismo.
V
horário de início da validade
O horário de início da validade de uma entidade mutável é usado pela IA antilavagem de dinheiro para criar uma visualização do que era conhecido pelo banco em um determinado momento. Isso permite que a IA antilavagem de dinheiro treine com precisão modelos que podem ser reutilizados nos dados mais recentes (ou seja, o que é conhecido atualmente pelo banco) para produzir pontuações de risco de alta fidelidade. O horário de início da validade de uma determinada linha representa o primeiro horário em que os dados dessa linha foram conhecidos pelo banco e estão corretos. Para mais informações, consulte Como os dados mudam ao longo do tempo.