AML AI 的核心是对银行各个客户的最新细致了解，尤其涵盖以下方面：
- 受众特征
- 账号持有量
- 交易活动
- 交易图表
- 风险调查活动
本页面介绍了如何创建和管理 AML AI 使用的数据，包括 AML 的数据模型、数据架构和数据要求的详细信息。架构本身（包括各个字段的详细信息）显示在 AML 输入数据模型（CSV 文件）中。
本页面不涵盖以下前提条件：
- 设置以将 AML AI 与 AML 数据集搭配使用（请参阅设置项目和权限）
- 安全与合规性主题（请参阅为模型和风险治理做好准备下的页面）
数据要求概览
AML 数据模型整合了有关零售和商业各方、其帐号和交易的信息，以及有关这些方相关风险情况的详细信息。本部分介绍数据模型在不同实体之间有效的重要方面。
AML 数据模型架构分为三个方面：核心银行数据、风险调查数据和补充数据。
核心银行业务数据
- 表：Party、AccountPartyLink、Transaction
- 用途：提供关于客户及其银行活动数据的结构化集合，用于检测风险特征和行为
风险调查数据
- 表格：RiskCaseEvent
- 目的：
- 用作与先前被认定为有风险的风险调查流程和相关方相关的结构化数据集合
- 协助为 AML 风险模型创建训练标签
补充数据
- 表格：PartySupplementaryData
- 用途：包含与识别洗钱风险相关的其他信息，架构的其余部分未涵盖
如需了解详情，请参阅 AML 输入数据模型（CSV 文件）。在 BigQuery 中准备好表后，您可以使用 AML AI 创建和管理数据集。
错误
创建数据集时，您可能会遇到一个或多个数据验证错误。如需了解如何修复这些错误，请参阅数据验证错误。