Compreenda o modelo de dados e os requisitos de AML

No centro da IA de AML está uma compreensão detalhada e atualizada das partes do banco e da respetiva atividade, que abrange, em particular, os seguintes dados:

• Atividade transacional
• Participações da conta
• Dados demográficos do partido
• Dados de investigação de riscos

Esta página aborda a criação e a gestão de dados usados pela IA de AML, incluindo detalhes do modelo de dados, do esquema de dados e dos requisitos de dados para AML. O próprio esquema, incluindo detalhes dos campos individuais, aparece no modelo de dados de entrada da AML (ficheiro CSV). Também está disponível um conjunto de dados de exemplo sintético através do início rápido.

Os seguintes pré-requisitos não são abordados nesta página:

• Configuração para usar a IA de AML com um conjunto de dados de AML (consulte o artigo Configure um projeto e autorizações)
• Funcionalidades de segurança e conformidade (consulte as páginas em Funcionalidades de segurança e conformidade)

Vista geral dos requisitos de dados

O modelo de dados de AML aceita informações sobre partes comerciais ou de retalho, as respetivas contas e transações, e informações detalhadas sobre casos de risco relacionados com estas partes. Esta secção apresenta aspetos importantes do modelo de dados que são válidos nas diferentes entidades.

O esquema do modelo de dados de AML está organizado em três áreas: dados bancários essenciais, dados de investigação de riscos e dados suplementares.

Dados bancários essenciais

• Tabelas: Party, AccountPartyLink, Transaction
• Finalidade: serve como uma recolha estruturada de dados sobre os seus clientes e a respetiva atividade bancária, usada na deteção de riscos. Devem ser incluídas todas as partes, contas e transações a monitorizar. Forneça dados comerciais ou de retalho num conjunto de dados de IA de AML

Dados de investigação de riscos

• Tabela: RiskCaseEvent
• Finalidade:
  • Serve como uma recolha estruturada de dados sobre processos de investigação de riscos e partes anteriormente identificadas como arriscadas
  • Ajuda na criação de etiquetas de preparação para modelos de risco de AML

Dados suplementares

• Tabela: PartySupplementaryData
• Purpose: tabela opcional que pode conter informações adicionais relevantes para identificar o risco de branqueamento de capitais que não estão cobertas no resto do esquema. Deve começar a usar a IA de AML sem fornecer dados suplementares.

Relações entre tabelas

O diagrama seguinte descreve as relações entre tabelas, as chaves primárias e as chaves estrangeiras.

Nota: uma vez que a IA de AML usa dados ao longo do tempo, as chaves principais podem incluir validity_start_time para permitir uma representação precisa dos dados ao longo do tempo. Por exemplo, a IA de AML pode captar quando um cliente foi adicionado ou removido de uma conta conjunta. Para mais detalhes, consulte o artigo sobre como compreender como os dados mudam ao longo do tempo.

Erros

Quando cria um conjunto de dados, a IA de AML realiza automaticamente verificações de validação de dados. Para obter informações sobre estas verificações, as mensagens de erro e como as corrigir, consulte o artigo Erros de validação de dados.

Para mais informações sobre o esquema técnico, consulte o modelo de dados de entrada da AML (ficheiro CSV). Para compreender os requisitos e o âmbito da duração dos dados, consulte o artigo Compreenda o âmbito e a duração dos dados. Quando tiver tabelas prontas no BigQuery, pode usar a IA de AML para criar e gerir um conjunto de dados.

Nota: a maioria das políticas de governação de modelos define um requisito para acompanhar a linhagem de dados usados em todas as operações de AA, desde a configuração do motor, à preparação e avaliação. Para garantir que os dados permanecem inalterados, recomendamos que crie uma imagem instantânea das suas tabelas do BigQuery. Caso não crie instantâneos dos dados, as operações de IA de AML leem as tabelas do BigQuery sempre que uma operação usa o conjunto de dados. Por isso, as alterações ao conjunto de dados podem afetar o ajuste, a preparação, os testes retrospetivos e as previsões.