Prozessübersicht

Übersicht

Auf dieser Seite erhalten Sie einen Überblick über die AML-KI-Prozesse und wichtige Konzepte für Kunden. Sie richtet sich in erster Linie an Teams, die AML-KI zum Trainieren, Testen und Bereitstellen von Modellen verwenden.

Mit AML AI können Banken Modelle zur Erkennung von Geldwäsche automatisch trainieren, testen und bereitstellen. Die AML-KI-Leitfäden sind in fünf Abschnitte auf der linken Seite unterteilt, die den folgenden fünf Schritten entsprechen.

Schritt	Beschreibung
1. AML AI einrichten	Prüfen Sie, ob Ihr Google Cloud-Projekt für die Verwendung von AML-KI bereit ist. Aktivieren Sie die erforderlichen Google Cloud-Dienste und richten Sie Protokollierung und Kontingente ein. Erstellen Sie eine oder mehrere AML-KI-Instanzen.
2. Daten für AML AI vorbereiten	Sehen Sie sich das Datenmodell und das Schema an. Legen Sie fest, welche Daten eingeschlossen werden sollen. Erfassen und transformieren Sie die erforderlichen Kernbankdaten, Daten zur Risikoprüfung und alle anderen erforderlichen Daten. Dataset erstellen und validieren
3. Modell generieren und Leistung bewerten	Informationen zu AML-KI-Engines, -Modellen und Backtests Suchmaschine konfigurieren Modell trainieren Leistung eines Modells bewerten
4. Risikobewertungen und Erklärbarkeit generieren	Registrieren Sie Ihre Kunden aus dem Einzelhandel und aus dem Firmenkundengeschäft. Verwenden Sie ein Modell, um Risikobewertungen und Erläuterungen für Folgendes zu generieren: Analyse und Tests für die Risikogovernance Vorproduktion und Produktion
5. Vorbereitung auf die Modell- und Risikogovernance	Kombinieren Sie AML-KI-Ergebnisse aus Tuning, Training, Bewertung und Vorhersage mit AML-Konzept- und Produktdokumentation, um die Anforderungen Ihres Modellrisikomanagementprozesses zu erfüllen. Hinweis: AML AI-Kunden haben Zugriff auf eine detaillierte Dokumentation von AML AI, die speziell für die Überprüfung der Modellverwaltung entwickelt wurde.

Die wichtigsten technischen AML-KI-Vorgänge zum Erstellen, Testen und Bereitstellen von Modellen sind: Diese unterstützen die Schritte 2 bis 4 in der vorherigen Tabelle.

1. AML AI-Dataset erstellen: Hiermit wird ein strukturierter Satz von BigQuery-Eingabedatentabellen für AML AI erstellt.
2. Engine-Konfiguration: Mit dieser Option wird eine AML AI-Engine an ein AML AI-Dataset angepasst, einschließlich der Hyperparameter-Abstimmung.
3. Modelltraining: Ein AML-KI-Modell wird mit einer Enginekonfiguration und einem Datensatz trainiert.
4. Backtest: Ein AML-KI-Modell wird anhand von Verlaufsdaten in einem Datensatz getestet und die Leistung zusammengefasst.
5. Register Parties: Registriert Parteien (Kunden der Bank, die Bankprodukte haben und Transaktionen senden oder empfangen), damit sie bei der Vorhersage bewertet werden können.
6. Vorhersage: Erstellt Bewertungen für Parteien und Erläuterungen für die Verwendung in der Produktion.

Für die Engine-Konfiguration, das Modelltraining, den Modell-Backtest und die Modellvorhersage ist jeweils ein AML-KI-Dataset als Eingabe erforderlich. Es werden entsprechende Artefakte zurückgegeben, die in anderen Vorgängen verwendet werden. Modelltraining gibt beispielsweise eine Referenz auf ein trainiertes AML-KI-Modell zurück, das für Backtests oder Vorhersagen verwendet werden kann. Technische Details zu den Vorgängen finden Sie in der REST-Referenzübersicht.

Abhängigkeitsstruktur für AML AI-Prozesse

Wichtige Aspekte bei der Verwendung von KI für die Geldwäscheprävention

In diesem Abschnitt erhalten Kunden eine Einführung in die wichtigsten Konzepte der KI für die Geldwäscheprävention und einige Best Practices. Die hier behandelten Themen werden in speziellen Leitfäden ausführlicher behandelt. Außerdem finden Sie Links zu weiterführenden Informationen.

Datumskonsistenz

Die AML-KI verwendet für verschiedene Vorgänge unterschiedliche Zeiträume. Die für die einzelnen Vorgänge ausgewählten Zeiträume sollten sorgfältig ausgewählt werden, um zuverlässige Ergebnisse zu erzielen. Um Verzerrungen bei den Ergebnissen zu vermeiden, ist es wichtig, dass sich die Monate, die für das Training eines AML-KI-Modells verwendet werden, nicht mit den Monaten überschneiden, die für das Backtesting verwendet werden.

Da ein AML-KI-Dataset Daten aus vielen Monaten enthält, können Datasets bei korrekter Datumsauswahl für mehrere Vorgänge verwendet werden. Das folgende Diagramm zeigt einen Entwicklungszyklus mit AML-KI, bei dem verschiedene Zeiträume innerhalb eines einzelnen Datasets über einen Zeitraum von 42 Monaten verwendet werden, um eine Engine zu konfigurieren (Hyperparameter-Abstimmung), zu trainieren und zu Backtesten. Bei all diesen Prozessen werden Lookback-Windows verwendet, die dem Modell Kontext bieten und sich problemlos mit Daten überschneiden können, die für andere Vorgänge verwendet werden.

Hinweis :Bei neueren Engine-Versionen sind möglicherweise weniger Monate an Daten erforderlich. Lesen Sie die Dokumentation der Engine-Version, die Sie verwenden werden.

Weitere Informationen zu AML-KI-Datensätzen und Zeitfenstern für verschiedene Vorgänge finden Sie unter Datenumfang und -dauer.

Wie Sie Änderungen an Ihren Daten im Zeitverlauf korrekt erfassen, erfahren Sie unter Datenänderungen im Zeitverlauf.

Häufigkeit der Produktionsbatches

Bei der Vorhersage generiert die AML-KI AML-Risikobewertungen auf Basis eines Kalendermonats. Kunden verwenden AML-KI häufig als Teil eines monatlichen Batch-Prozesses. Es wird empfohlen, Vorhersagen nach Möglichkeit für Monate mit vollständigen Transaktionsdaten auszuführen.

Hinweis: Wenn in einem Monat einige Transaktionen fehlen, kann sich das auf die Qualität der Risikobewertungen von Drittanbietern auswirken.

Feldkonsistenz

Wie bei jedem Prozess des maschinellen Lernens sollten die Daten zwischen Trainings- und Testdaten möglichst konsistent sein. Wenn Felder nicht einheitlich ausgefüllt sind, können die Änderungen zu unzuverlässigen Ergebnissen führen. Es wird dringend empfohlen, Maßnahmen zu ergreifen, damit die Felder für jeden Vorgang in einem Entwicklungszyklus einheitlich ausgefüllt werden. Dies gilt insbesondere, wenn für jeden Vorgang unterschiedliche Datensätze verwendet werden. Weitere Informationen finden Sie unter Dataset-Konsistenz.

Hinweis :Mit dem Skew-Messwert in den Ressourcen „Vorhersageergebnisse“ und „Backtestergebnisse“ können Sie Änderungen an den Daten zwischen dem Modelltraining und der Vorhersage beobachten.

Engine-Konfigurationen

Nachdem eine Engine-Konfiguration erstellt wurde, ist es normalerweise nicht erforderlich, sie für jeden neuen Datensatz oder in jedem Entwicklungszyklus neu zu erstellen. Die in einer Engine-Konfiguration für einen Datensatz ausgewählten Hyperparameter eignen sich in der Regel auch für ähnliche Datensätze.

Hinweis :Wenn die Datasets erheblich geändert werden, kann die Leistung durch eine neue Engine-Konfiguration verbessert werden. Das gilt insbesondere, wenn die Implementierung in einem neuen Markt erfolgt oder die Daten zu Risikofallereignissen oder die ergänzenden Daten zu Parteien erheblich aktualisiert werden.

Im folgenden Diagramm sind iterative Entwicklungszyklen dargestellt. Im vorherigen Diagramm wird dagegen ein einzelnes Dataset sowohl für das Modelltraining als auch für Backtests verwendet.

Weitere Informationen finden Sie unter Wann Sie ein Modell optimieren oder übernehmen sollten.

Data Lineage

Die meisten Richtlinien zur Modellverwaltung definieren die Anforderung, die Datenabfolge zu erfassen, die bei allen ML-Vorgängen verwendet wird, von der Enginekonfiguration über das Training, die Bewertung bis hin zur Vorhersage. Kunden sind dafür verantwortlich, diese Datenabfolge zu verfolgen.

Wir empfehlen, in den Namen aller Eingabedaten, AML-KI-Ressourcen und Ausgabedaten eine eindeutige Kennung zu verwenden, um die Herkunft über alle Phasen hinweg zu verfolgen. So wird eine starke Verknüpfung zwischen den Ressourcen in einem bestimmten Lauf gewährleistet. Kunden können auch alle AML-KI-Ressourcen kennzeichnen, um die Anforderungen an die Herkunft zu erfüllen.

Außerdem empfehlen wir, BigQuery-Snapshots in API-Anfragen zu verwenden, um eine korrekte Datenabfolge zu gewährleisten.

Diese Konfiguration hilft bei der Beantwortung von Fragen wie „Woher stammt diese Engine-Konfiguration?“ und „Woher stammt dieses Modell?“ und unterstützt Sie bei der Untersuchung und Behebung von Vorfällen.

Weitere Informationen zum Erstellen und Verwalten von AML-KI-Ressourcen finden Sie auf den Seiten zur REST API.