Comprendre le modèle et les exigences des données AML

Au cœur de l'AML basée sur l'IA se trouve une compréhension détaillée et actualisée des parties de la banque et de leur activité, couvrant en particulier les les données suivantes:

• Activité transactionnelle
• Avoirs du compte
• Données démographiques du groupe
• Données d'enquête sur les risques

Cette page explique comment créer et gérer les données utilisées par l'IA AML, y compris les détails du modèle de données, du schéma de données et des exigences en matière de données pour l'AML. Le schéma lui-même, y compris les détails des différents champs, apparaît dans le modèle de données d'entrée AML (fichier CSV). Un exemple d'ensemble de données synthétique est également consultez le guide de démarrage rapide.

Les conditions préalables suivantes ne sont pas abordées sur cette page :

• configurer l'AML basée sur l'IA avec un ensemble de données d'AML (voir Configurer un projet et des autorisations)
• Fonctionnalités de sécurité et de conformité (voir les pages sous Fonctionnalités de sécurité et de conformité)

Présentation des exigences concernant les données

Le modèle de données AML accepte des informations sur les entités commerciales ou commerciales, leurs comptes et transactions, ainsi que des informations détaillées sur les cas à risque liés aux ces parties. Cette section présente des aspects importants du modèle de données sont valides dans les différentes entités.

Le schéma du modèle de données AML est divisé en trois parties: les données bancaires de base, la gestion des risques les données d'investigation et les données supplémentaires.

Données bancaires essentielles

• Tables : Party, AccountPartyLink, Transaction
• Objectif : sert de collection structurée de données sur vos clients et leur activité bancaire, utilisée pour détecter les risques. Toutes les parties, comptes et transactions à surveiller doivent être inclus. Proposez des services de vente au détail ou données commerciales dans un ensemble de données d'AML basée sur l'IA

Données d'investigation des risques

• Tableau: RiskCaseEvent
• Objectif:
  • Collecte structurée de données sur l'investigation des risques processus et parties précédemment identifiés comme étant à risque
  • Aide à créer des libellés d'entraînement pour les modèles de risque de blanchiment d'argent

Données supplémentaires

• Table: PartySupplementaryData
• Objectif: tableau facultatif pouvant contenir des informations supplémentaires pertinentes à l'identification du risque de blanchiment d'argent qui n'est pas couvert du schéma. Vous devez commencer à utiliser l'AML basée sur l'IA sans fournir des données supplémentaires.

Relations entre les tables

Le schéma suivant décrit les relations entre les tables, les clés primaires et clés étrangères.

Remarque :Comme l'AML basée sur l'IA utilise les données au fil du temps, les clés primaires peuvent inclure validity_start_time pour permettre une représentation précise des données au fil du temps. Par exemple, l'IA de lutte contre le blanchiment d'argent peut déterminer quand un client a été ajouté ou supprimé d'un compte commun. Pour en savoir plus, consultez la section Comprendre l'évolution des données au fil du temps.

Erreurs

Lorsque vous créez un ensemble de données, l'AML basée sur l'IA effectue automatiquement contrôles de validation. Pour en savoir plus sur ces vérifications, les messages d'erreur et la façon de les résoudre, consultez la section Erreurs de validation des données.

Pour en savoir plus sur le schéma technique, consultez la page Modèle de données d'entrée AML (fichier CSV). Pour comprendre les exigences et la portée de la durée des données, consultez la section Comprendre la portée et la durée des données. Lorsque les tables sont prêtes dans BigQuery, vous pouvez utiliser d'AML basée sur l'IA Créer et gérer un ensemble de données

Remarque :La plupart des règles de gouvernance des modèles définissent une exigence de suivi de la traçabilité des données. utilisée dans toutes les opérations de ML (configuration du moteur, entraînement, l'évaluation. Pour vous assurer que les données restent inchangées, nous vous recommandons de créer un un instantané de vos tables BigQuery. Si vous n'utilisez pas d'instantané les opérations d'AML basée sur l'IA lisent chacune des tables BigQuery lorsqu'une opération utilise l'ensemble de données. Par conséquent, les modifications apportées à l'ensemble de données le réglage, l'entraînement, les tests rétrospectifs et les prédictions.