Vista geral
Esta página fornece uma vista geral dos processos de IA de AML e aborda os principais conceitos que os clientes devem compreender. Destina-se principalmente a equipas que vão usar a IA de AML para preparar, testar e implementar modelos.
A IA de AML permite que os bancos formem, testem e implementem automaticamente modelos para detetar branqueamento de capitais. Os guias de IA de AML estão divididos em cinco secções de navegação à esquerda que correspondem aos cinco passos seguintes.
| Passo | Descrição |
|---|---|
| 1. Configure a IA de AML | Certifique-se de que o seu Google Cloud projeto está pronto para usar a IA de AML. Ative os serviços Google Cloud necessários e configure o registo e as quotas. Crie uma ou mais instâncias de IA de AML. |
| 2. Prepare os dados para a IA de AML | Reveja o modelo de dados e o esquema. Priorizar os dados a incluir. Recolha e transforme os dados bancários essenciais necessários, os dados de investigação de riscos e quaisquer outros dados de que necessite. Crie e valide um conjunto de dados. |
| 3. Gere um modelo e avalie o desempenho | Compreenda os motores, os modelos e os testes retroativos de IA de AML.
|
| 4. Gere pontuações de risco e capacidade de explicação | Registe os seus clientes de banca comercial e de retalho. Use um modelo para
gerar classificações de risco por parte e capacidade de explicação para:
|
| 5. Prepare-se para a governança de modelos e riscos | Combine os resultados da IA de AML da otimização, da preparação, da avaliação e da previsão com a documentação do produto e do conceito de AML para cumprir os requisitos do seu processo de governação de risco do modelo. |
As operações técnicas de IA de AML essenciais para criar, testar e implementar modelos são as seguintes. Estes passos de apoio técnico correspondem aos passos 2 a 4 na tabela anterior.
- Create AML AI Dataset: cria um conjunto estruturado de tabelas de dados de entrada do BigQuery para a IA de AML
- Configuração do motor: ajusta um motor de IA de AML a um conjunto de dados de IA de AML, incluindo o ajuste de hiperparâmetros
- Preparação do modelo: prepara um modelo de IA de AML usando uma configuração do motor e um conjunto de dados
- Teste retrospetivo: testa um modelo de IA de AML com dados históricos num conjunto de dados e resume o desempenho
- Registar partes: regista partes (clientes do banco que têm produtos bancários e enviam ou recebem transações) para que possam ser classificadas na previsão
- Previsão: gera pontuações de terceiros e capacidade de explicação para utilização em produção
A configuração do motor, a preparação do modelo, o teste retrospetivo do modelo e a previsão do modelo requerem um conjunto de dados de IA da AML como entrada e devolvem artefactos correspondentes que são usados noutras operações. Por exemplo, Model Training devolve uma referência a um modelo de IA de AML preparado que pode ser usado para testes retrospetivos ou previsões. Para ver detalhes técnicos das operações, consulte a vista geral da referência REST.
Árvore de dependências para processos de IA de AML
Considerações importantes ao usar a IA de AML
Esta secção foi concebida para apresentar aos clientes os principais conceitos da IA de AML e dar conselhos sobre algumas práticas recomendadas. Os tópicos aqui abordados são tratados com mais detalhe em guias dedicados, e são fornecidos links para leitura adicional.
Consistência das datas
A IA de AML usa períodos diferentes para diferentes operações. Deve ter cuidado com as datas selecionadas para cada operação para garantir resultados fiáveis. Em particular, para evitar parcialidade nos resultados, é importante que os meses usados para a preparação de um modelo de IA de AML não se sobreponham aos meses usados para os testes retroativos.
Uma vez que um conjunto de dados de IA de AML contém dados de muitos meses, os conjuntos de dados podem ser usados para várias operações, sujeitos a estas seleções de datas corretas. O diagrama seguinte ilustra um ciclo de desenvolvimento que usa a IA de AML, em que são usados diferentes períodos num único conjunto de dados que abrange 42 meses para configurar um motor (ajuste de hiperparâmetros), preparação e testes retrospetivos. Todos estes processos usam períodos de análise que fornecem contexto ao modelo e podem sobrepor-se em segurança aos dados usados para outras operações.
Para mais informações sobre os conjuntos de dados de IA de AML e os períodos para diferentes operações, consulte o artigo Compreenda o âmbito e a duração dos dados.
Para garantir que regista corretamente as alterações aos seus dados ao longo do tempo, consulte o artigo Alterações aos dados ao longo do tempo.
Frequência do lote de produção
Na previsão, a IA de AML produz classificações de risco de AML com base no mês civil. Normalmente, os clientes usam a IA de AML como parte de um processo em lote mensal e é aconselhável que executem previsões em meses com dados de transações completos o mais possível.
Consistência dos campos
Tal como acontece com qualquer processo de aprendizagem automática, os dados devem ser o mais consistentes possível entre os dados de preparação e os dados de teste. Se os campos não forem preenchidos de forma consistente, as alterações podem causar resultados não fiáveis. É vivamente recomendável que sejam tomadas medidas para garantir que os campos são preenchidos de forma consistente para cada operação num ciclo de desenvolvimento. Isto é especialmente importante se forem usados conjuntos de dados diferentes para cada operação. Para mais informações, consulte o artigo sobre a consistência do conjunto de dados.
Configurações do motor
Normalmente, depois de criar uma configuração do motor, não é necessário recriá-la para cada novo conjunto de dados ou em cada ciclo de desenvolvimento. Os hiperparâmetros escolhidos numa configuração do motor para um conjunto de dados geralmente têm um bom desempenho em conjuntos de dados semelhantes.
Os ciclos de desenvolvimento iterativos são ilustrados no diagrama seguinte, enquanto o diagrama anterior usa um único conjunto de dados para as operações de preparação do modelo e teste retrospetivo.
Para mais informações, consulte quando ajustar ou herdar.
Linhagem de dados
A maioria das políticas de governação de modelos define um requisito para acompanhar a linhagem de dados usada em todas as operações de AA, desde a configuração do motor, a preparação, a avaliação e a previsão. Os clientes são responsáveis por acompanhar esta linhagem de dados.
Recomendamos que use um identificador exclusivo nos nomes de todos os dados de entrada, recursos de IA da AML e dados de saída para acompanhar a linhagem em todas as fases. Isto ajuda a garantir uma associação forte entre os recursos numa execução específica. Os clientes também podem etiquetar todos os recursos de IA de AML para cumprir os requisitos de linhagem.
Além disso, recomendamos que use instantâneos do BigQuery em pedidos API para garantir uma linhagem de dados precisa.
Esta configuração ajuda a responder a perguntas como "de onde veio esta configuração do motor?" e "de onde veio este modelo?", ao mesmo tempo que ajuda a investigar e resolver incidentes.
Para ver detalhes sobre como criar e gerir recursos de IA de AML, consulte as páginas da API REST.
