Entender o modelo de dados antilavagem de dinheiro e os requisitos

A base da IA antilavagem de dinheiro é um entendimento detalhado e atualizado de clientes individuais do banco que abrange, em especial, o seguinte:

• Informações demográficas
• Investimentos em contas
• Atividade transacional
• Gráfico de transação
• Atividade de investigação de riscos

Nesta página, abordamos a criação e o gerenciamento de dados usados pela IA antilavagem de dinheiro, incluindo detalhes do modelo de dados, esquema de dados e requisitos de dados para antilavagem de dinheiro. O esquema em si, incluindo detalhes dos campos individuais, aparece no modelo de dados de entrada da AML (arquivo CSV).

Os seguintes pré-requisitos não são abordados nesta página:

• Configuração para usar a IA antilavagem de dinheiro com um conjunto de dados antilavagem de dinheiro (consulte Configurar um projeto e as permissões)
• Tópicos de segurança e conformidade (consulte as páginas em Preparação para a governança de modelo e risco)

Visão geral dos requisitos de dados

O modelo de dados antilavagem de dinheiro combina informações sobre partes comerciais e de varejo, as contas e transações delas, além de informações detalhadas sobre casos de risco relacionados a essas partes. Nesta seção, apresentamos aspectos importantes do modelo de dados que são válidos nas diferentes entidades.

O esquema do modelo de dados antilavagem de dinheiro é organizado em três áreas: dados bancários principais, dados de investigação de risco e dados complementares.

Principais dados bancários

• Tabelas: Party, AccountPartyLink, Transaction
• Objetivo: serve como uma coleção estruturada de dados sobre seus clientes e as atividades bancárias deles, usados para detectar características e comportamentos de risco.

Dados de investigação de riscos

• Tabela: RiskCaseEvent
• Objetivo:
  • Serve como uma coleção estruturada de dados sobre processos de investigação de risco e partes identificadas anteriormente como arriscadas
  • Ajuda na criação de rótulos de treinamento para modelos de risco de antilavagem de dinheiro

Dados complementares

• Tabela: PartySupplementaryData
• Objetivo: contém informações adicionais relevantes para identificar o risco de lavagem de dinheiro que não são abordados no restante do esquema.

Para mais informações, consulte Modelo de dados de entrada da antilavagem de dinheiro (arquivo CSV). Quando as tabelas estiverem prontas no BigQuery, use a IA antilavagem de dinheiro para criar e gerenciar um conjunto de dados.

Observação: a maioria das políticas de governança de modelo define um requisito para rastrear a linhagem de dados usada em todas as operações de ML desde a configuração, o treinamento e a avaliação do mecanismo. Para garantir que os dados permaneçam inalterados, recomendamos criar um snapshot das tabelas do BigQuery depois que elas passarem na validação de dados. Caso você não gere snapshots dos dados, as operações da IA antilavagem de dinheiro lerão as tabelas do BigQuery sempre que uma operação usar o conjunto de dados. Portanto, as alterações no conjunto de dados podem afetar o ajuste, o treinamento, os backtesting e as previsões.

Erros

Ao criar um conjunto de dados, é possível encontrar um ou mais erros de validação de dados. Para mais informações sobre como corrigir esses erros, consulte Erros de validação de dados.