AML 데이터 모델 및 요구사항 이해

AML AI의 핵심은 은행 당사자와 은행 당사자의 최근 상황에 대한 상세한 이해이며 특히 다음과 같은 분야에 집중됩니다.

  • 트랜잭션 활동
  • 계좌 소유
  • 당사자 인구통계
  • 위험 조사 데이터

이 페이지에서는 AML의 데이터 모델, 데이터 스키마, 데이터 요구사항에 대한 세부정보를 포함하여 AML AI에 사용되는 데이터의 생성과 관리에 대해 설명합니다. 개별 필드의 세부정보를 포함하는 스키마 자체는 AML 입력 데이터 모델(CSV 파일)에 나타납니다. 빠른 시작을 통해 합성 예시 데이터 세트도 사용할 수 있습니다.

다음 기본 요건은 이 페이지에서 다루지 않습니다.

데이터 요구사항 개요

AML 데이터 모델은 소매업 또는 상업 당사자에 대한 정보, 당사자의 계좌 및 트랜잭션, 당사자와 관련된 위험 사례에 대한 상세 정보를 허용합니다. 이 섹션에서는 여러 항목 간에 유효한 데이터 모델의 중요한 측면을 소개합니다.

AML 데이터 모델 스키마는 핵심 뱅킹 데이터, 위험 조사 데이터, 보조 데이터라는 세 가지 영역으로 구성됩니다.

핵심 뱅킹 데이터

  • 테이블: Party, AccountPartyLink ,Transaction
  • 용도: 고객과 고객의 은행 거래 활동에 대한 데이터의 구조화된 컬렉션으로서 위험을 감지하는 데 사용됩니다. 모니터링할 모든 당사자, 계정, 트랜잭션이 포함되어야 합니다. AML AI 데이터 세트에 소매업 또는 상업 데이터를 제공합니다.

위험 조사 데이터

  • 테이블: RiskCaseEvent
  • 목적:
    • 위험 조사 프로세스 및 이전에 위험한 것으로 식별된 당사자에 대한 데이터의 구조화된 컬렉션입니다.
    • AML 위험 모델의 학습 라벨을 만드는 데 도움을 줍니다.

보조 데이터

  • 테이블: PartySupplementaryData
  • 용도: 스키마의 나머지 부분에서 다루지 않는 자금 세탁 위험 식별과 관련된 추가 정보를 포함할 수 있는 선택적인 테이블입니다. 추가 데이터를 제공하지 않고 AML AI를 사용해야 합니다.

테이블 관계

다음 다이어그램은 테이블 관계, 기본 키, 외래 키를 설명합니다.

AML 데이터 모델 스키마 다이어그램

오류

데이터 세트를 만들면 AML AI가 자동으로 데이터 유효성 검사를 실행합니다. 이러한 검사, 오류 메시지, 해결 방법에 관한 자세한 내용은 데이터 유효성 검사 오류를 참조하세요.

기술 스키마에 대한 자세한 내용은 AML 입력 데이터 모델(CSV 파일)을 참조하세요. 데이터 기간 요구사항 및 범위를 알아보려면 데이터 범위 및 기간 이해를 참조하세요. BigQuery에 테이블이 준비되면 AML AI를 사용하여 데이터 세트를 만들고 관리할 수 있습니다.