AML AI 的核心是详细、最新的理解 及其活动，尤其是涉及 以下数据：
- 事务性 activity
- 账号持仓
- 派系特征
- 风险调查数据
本页面介绍了如何创建和管理以下各项： AML AI，包括数据模型、数据架构和 AML 的数据要求架构本身，包括 每个字段都显示在 AML 输入数据模型中， （CSV 文件）。合成示例数据集 （请参阅快速入门）。
本页未介绍以下前提条件：
数据要求概览
AML 数据模型接受零售或商业方的相关信息， 客户和交易，以及与 Google Cloud 服务相关的风险案例的详细信息 相关方。本部分介绍了数据模型中适用于不同实体的各个重要方面。
反洗钱数据模型架构分为三个区域：核心银行数据、风险调查数据和补充数据。
核心银行数据
- 表：Party、AccountPartyLink、Transaction
- 用途：作为客户及其银行活动的结构化数据集，用于检测风险。各方、账号和 要监控的事务。请提供零售或 AML AI 数据集内的商业数据
风险调查数据
- 表：RiskCaseEvent
- 用途：
- 作为有关风险调查流程和之前被认定为存在风险的相关方的结构化数据集
- 协助为 AML 风险模型创建训练标签
补充数据
- 表：PartySupplementaryData
- 用途：可选表，可包含其他信息 识别洗钱风险，而 架构。您无需提供任何补充数据，即可开始使用 AML AI。
表关系
下图介绍了表关系、主键和外键。
错误
当您创建数据集时，AML AI 会自动执行数据 验证检查。有关这些检查的信息 请参阅 数据验证错误。
如需详细了解技术架构，请参阅 AML 输入数据模型（CSV 文件）。 如需了解数据时长要求和范围，请参阅了解数据范围和时长。在 BigQuery 中准备好表后，您可以使用 AML AI 创建和管理数据集。