Entender o modelo de dados e os requisitos da antilavagem de dinheiro

A base da IA antilavagem de dinheiro é um entendimento detalhado e atualizado das partes do banco e a atividade delas, incluindo, especificamente, as seguintes dados:

• Atividade transacional
• Investimentos de contas
• Informações demográficas do partido
• Dados de investigação de risco

Esta página aborda a criação e o gerenciamento de dados usados pela IA antilavagem de dinheiro, incluindo detalhes do modelo de dados, do esquema de dados e dos requisitos de dados para a AML. O esquema em si, incluindo detalhes dos campos individuais, aparece no modelo de dados de entrada do AML (arquivo CSV). Um conjunto de dados sintéticos de exemplo também está disponível no Guia de início rápido.

Os pré-requisitos a seguir não são abordados nesta página:

• Configurar a AI antilavagem de dinheiro com um conjunto de dados de AML (consulte Configurar um projeto e permissões).
• Recursos de segurança e compliance (consulte as páginas em Recursos de segurança e compliance)

Visão geral dos requisitos de dados

O modelo de dados de AML aceita informações sobre partes comerciais ou de varejo, suas contas e transações, além de informações detalhadas sobre casos de risco relacionados a essas partes. Esta seção apresenta aspectos importantes do modelo de dados que são válidos para as diferentes entidades.

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

Dados bancários principais

• Tabelas: Party, AccountPartyLink, Transação
• Finalidade: serve como uma coleta estruturada de dados sobre seus clientes e a atividade bancária deles, usada na detecção de riscos. Todas as partes, contas e transações a serem monitoradas devem ser incluídas. Fornecer dados comerciais ou de varejo em um conjunto de dados de IA de AML

Dados de investigação de risco

• Tabela: RiskCaseEvent
• Finalidade:
  • Serve como uma coleção estruturada de dados sobre investigação de risco. processos e partes previamente identificados como arriscados
  • Ajuda na criação de rótulos de treinamento para modelos de risco de AML

Dados complementares

• Tabela: PartySupplementaryData
• Finalidade: tabela opcional que pode conter informações adicionais relevantes até identificar o risco de lavagem de dinheiro que não está coberto no restante esquema. Comece a usar a IA de AML sem fornecer dados complementares.

Relações de tabelas

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

Observação: como a IA de AML usa dados ao longo do tempo, as chaves primárias podem incluir validity_start_time para permitir a representação precisa dos dados ao longo do tempo. Por exemplo, a IA de AML pode detectar quando um cliente foi adicionado ou removido de uma conta conjunta. Para mais detalhes, consulte entender como os dados mudam ao longo do tempo.

Erros

Quando você cria um conjunto de dados, a IA de AML realiza automaticamente verificações de validação de dados. Para informações sobre essas verificações, as mensagens de erro e como corrigi-los, consulte Erros de validação de dados.

Para mais informações sobre o esquema técnico, consulte Modelo de dados de entrada da AML (arquivo CSV). Para entender os requisitos e o escopo de duração dos dados, consulte Entenda o escopo e a duração dos dados. Quando as tabelas estiverem prontas no BigQuery, use a IA AML para criar e gerenciar um conjunto de dados.

Observação: a maioria das políticas de governança de modelos 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 não sejam alterados, recomendamos que você crie um snapshot das suas tabelas do BigQuery. Caso você não faça o snapshot dados, as operações de IA antilavagem de dinheiro leem as tabelas do BigQuery cada vez que uma operação usa o conjunto de dados, portanto, as alterações no conjunto de dados podem afetar ajustes, treinamento, backtesting e previsões.