Esta página foi traduzida pela API Cloud Translation.

Configurar um mecanismo

Nesta página, abordamos brevemente os conceitos relacionados à configuração de um mecanismo.

Fontes compatíveis para hiperparâmetros

Ao configurar um mecanismo, é possível selecionar a origem do hiperparâmetros usados para criar um modelo. As fontes a seguir são suportado:

Ajuste automático: a IA antilavagem de dinheiro ajusta os hiperparâmetros quando você criar um recurso EngineConfig (comportamento padrão)
Herdar: herdar hiperparâmetros de uma configuração de mecanismo anterior que foi criado com uma versão de mecanismo anterior na mesma versão de ajuste. Esta configuração permite evitar um novo ajuste sempre que você adota um novo mecanismo de modelo para a versão anterior.

Quando ajustar ou herdar

As seções a seguir descrevem quando você deve selecionar o ajuste automático e quando precisa herdar hiperparâmetros de uma configuração de mecanismo anterior.

Quando ajustar

Você tem a opção de ajustar cada nova configuração do mecanismo e, em caso de dúvida, sempre é preciso ajustar para alcançar os melhores resultados de desempenho. Consulte a seção Confira como ajustar um mecanismo para mais informações.

Para um melhor desempenho, considere o ajuste do mecanismo quando qualquer um ocorre o seguinte:

Você fizer mudanças significativas na lógica do conjunto de dados. Por exemplo, quando qualquer um seguinte alteração:
- A lógica pela qual os campos são preenchidos.
- A seleção de campos RECOMENDADOS preenchidos
- A lógica ou seleção de dados fornecida no Tabela PartySupplementaryData
Um mecanismo vai treinar um modelo para uma nova região.

Quando herdar hiperparâmetros

Para poupar tempo e custos ao adotar uma nova versão do mecanismo, você pode hiperparâmetros de um mecanismo anterior usando a mesma versão de ajuste. Consulte a seção Como adotar uma versão do mecanismo sem novo ajuste.

versões do mecanismo com a versão de ajuste v003 e versões do mecanismo lançadas antes 22/02/2024, não dão suporte à herança de hiperparâmetros, mas estas versões pode ser usado como fonte de hiperparâmetros.

Como ajustar um mecanismo

Para acionar o ajuste, consulte Criar e gerenciar configurações do mecanismo.

Especificamente, você precisa selecionar o seguinte:

Os dados usados para o ajuste do mecanismo:

Especifique um conjunto de dados e um horário de término no intervalo de datas do conjunto de dados.

O ajuste do mecanismo usa rótulos e recursos com base nos meses completos do calendário no mês da hora de término selecionada, mas não incluindo. Para mais informações, consulte Intervalos de tempo do conjunto de dados.
A versão do mecanismo a ser usada para o ajuste:

Selecione uma versão do mecanismo que corresponda à linha de negócios (varejo ou comercial) para os quais você usará os modelos associados.
O volume de investigações esperado com base nos modelos:

Especifique partyInvestigationsPerPeriodHint. Ela é usada pelo ajuste do motor, treinamento e backtesting para garantir que a IA antilavagem de dinheiro ofereça o desempenho no volume de investigação mensal.

Saída de ajuste do mecanismo

O ajuste do mecanismo gera um recurso EngineConfig, que pode ser usado para criar um recurso Model;

Os metadados de configuração do mecanismo contêm as seguintes métricas. Especificamente, essas métricas mostram o seguinte:

Ganho de desempenho esperado com o ajuste do mecanismo em comparação com o uso do padrão hiperparâmetros

Observação: as métricas de recall mostram apenas a parcela de conversões AML_EXIT eventos que seriam alertados com um determinado modelo e podem ser usados para decidir continuar testes. Como nem todos os casos são investigados, o desempenho real tem um impacto positivo.
Qualquer mudança grande nas famílias de atributos que o conjunto de dados suporta (entre ajuste de motor, treinamento, avaliação e previsão)

Nome da métrica Descrição da métrica Exemplo de valor de métrica

ExpectedRecallPreTuning

Nome da métrica	Descrição da métrica	Exemplo de valor de métrica
ExpectedRecallPreTuning	Métrica de recall medida em um conjunto de teste com o uso hiperparâmetros padrão da versão do mecanismo. Essa medição de recall considera o número de investigações por mês especificado em `partyInvestigationsPerPeriodHint`.	{ "recallValues": [ { "partyInvestigationsPerPeriod": 5000, "recallValue": 0.72, "scoreThreshold": 0.42, }, ], }
ExpectedRecallPostTuning	Métrica de recall medida em um conjunto de teste com o uso hiperparâmetros ajustados. Essa medição de recall considera o número de investigações por mês especificado em `partyInvestigationsPerPeriodHint`.	{ "recallValues": [ { "partyInvestigationsPerPeriod": 5000, "recallValue": 0.80, "scoreThreshold": 0.43, }, ], }
Falta	Compartilhamento de valores ausentes entre todos os atributos em cada família de atributos. O ideal é que todas as famílias de recursos da IA antilavagem de dinheiro tenham Falta próxima de 0. Pode haver exceções quando os dados essas famílias de recursos não estão disponíveis para integração. Uma mudança significativa nesse valor para qualquer família de atributos entre o ajuste, treinamento, avaliação e previsão podem indicar inconsistências dos conjuntos de dados usados.	{ "featureFamilies": [ { "featureFamily": "unusual_wire_credit_activity", "missingnessValue": 0.00, }, ... ... { "featureFamily": "party_supplementary_data_id_3", "missingnessValue": 0.45, }, ], }

Métrica de recall medida em um conjunto de teste com o uso hiperparâmetros padrão da versão do mecanismo.

Essa medição de recall considera o número de investigações por mês especificado em partyInvestigationsPerPeriodHint.

{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.72,
      "scoreThreshold": 0.42,
    },
  ],
}

ExpectedRecallPostTuning

Métrica de recall medida em um conjunto de teste com o uso hiperparâmetros ajustados.

Essa medição de recall considera o número de investigações por mês especificado em partyInvestigationsPerPeriodHint.

{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.80,
      "scoreThreshold": 0.43,
    },
  ],
}

Falta

Compartilhamento de valores ausentes entre todos os atributos em cada família de atributos.

O ideal é que todas as famílias de recursos da IA antilavagem de dinheiro tenham Falta próxima de 0. Pode haver exceções quando os dados essas famílias de recursos não estão disponíveis para integração.

Uma mudança significativa nesse valor para qualquer família de atributos entre o ajuste, treinamento, avaliação e previsão podem indicar inconsistências dos conjuntos de dados usados.

{
  "featureFamilies": [
    {
      "featureFamily": "unusual_wire_credit_activity",
      "missingnessValue": 0.00,
    },
    ...
    ...
    {
      "featureFamily": "party_supplementary_data_id_3",
      "missingnessValue": 0.45,
    },
  ],
}

Como adotar uma versão do mecanismo sem reajuste

Para reutilizar os hiperparâmetros de uma configuração de mecanismo anterior, consulte a seção Crie uma configuração de mecanismo que herde hiperparâmetros (na página Criar e gerenciar configurações do mecanismo). Em particular, você precisa selecionar o seguinte:

Tipo de origem do hiperparâmetro:selecione INHERITED como o hyperparameterSourceType. Se você não especificar o tipo de origem, a o tipo de origem do hiperparâmetro está definido como TUNING para permitir a reversão compatibilidade.
Origem do hiperparâmetro:especifique o nome completo do recurso da origem configuração do mecanismo de pesquisa no objeto hyperparameterSource. As saídas do configuração do mecanismo de origem são usados para a nova configuração do mecanismo. O mecanismo de origem a configuração precisa ter sido criada com uma versão anterior do mecanismo no mesmo versão do mecanismo de ajuste que você está usando no momento.
Versão do mecanismo a ser usada na configuração do mecanismo: Selecione uma versão do mecanismo que corresponda à linha de negócios (varejo ou comercial) para os modelos que você quer usar. Essa linha de negócios precisa corresponder a linha de negócios na configuração do mecanismo usada como origem do hiperparâmetro.

Saída e linhagem ao herdar

Herdar hiperparâmetros de outra versão do mecanismo cria uma Recurso EngineConfig, que pode ser usado para criar recurso Model usando os hiperparâmetros da configuração do mecanismo de origem.

Para a linhagem, os seguintes campos do recurso EngineConfig são definidos como segue ao herdar hiperparâmetros de outra configuração de mecanismo:

hyperparameterSourceType: INHERITED
hyperparameterSource: a configuração do mecanismo usada como a origem do hiperparâmetro
tuning: objeto tuning original, incluindo a referência ao usado para o ajuste do mecanismo original (primaryDataset) e o hora mais recente a partir da qual os dados foram usados para gerar atributos para treinamento (endTime)
performanceTarget: objeto performanceTarget original, incluindo o volume de investigações esperado com base nos modelos especificados (partyInvestigationsPerPeriodHint)
Metadados de configuração do mecanismo do ajuste do mecanismo original