Das AML-Datenmodell und die Anforderungen verstehen

Kernstück von AML AI ist ein detailliertes und aktuelles Verständnis einzelner Kunden der Bank, die insbesondere Folgendes abdecken:

• Demografie
• Kontobestand
• Transaktionsaktivität
• Transaktionsdiagramm
• Risikountersuchung

Auf dieser Seite wird das Erstellen und Verwalten der von AML AI verwendeten Daten beschrieben, einschließlich Details zum Datenmodell, dem Datenschema und den Datenanforderungen für AML. Das Schema selbst, einschließlich der Details zu den einzelnen Feldern, wird im AML-Eingabedatenmodell (CSV-Datei) angezeigt.

Die folgenden Voraussetzungen werden auf dieser Seite nicht behandelt:

• Einrichtung zur Verwendung von AML AI mit einem AML-Dataset (siehe Projekt und Berechtigungen einrichten)
• Themen zu Sicherheit und Compliance (siehe Seiten unter Vorbereiten auf Modell- und Risiko-Governance)

Übersicht über Datenanforderungen

Das AML-Datenmodell kombiniert Informationen über Einzelhandels- und Geschäftsparteien, ihre Konten und Transaktionen sowie detaillierte Informationen zu Risikofällen im Zusammenhang mit diesen Parteien. In diesem Abschnitt werden wichtige Aspekte des Datenmodells vorgestellt, die für die verschiedenen Entitäten gültig sind.

Das Schema des AML-Datenmodells ist in drei Bereiche unterteilt: wichtige Bankdaten, Risikountersuchungsdaten und ergänzende Daten.

Core-Banking-Daten

• Tabellen: Party, AccountPartyLink, Transaction
• Zweck: dient als strukturierte Sammlung von Daten zu Ihren Kunden und deren Bankaktivitäten; wird zur Erkennung von riskanten Merkmalen und Verhaltensweisen verwendet

Daten zur Risikountersuchung

• Tabelle: RiskCaseEvent
• Zweck:
  • Sie dient als strukturierte Sammlung von Daten zu Risikountersuchungsprozessen und Parteien, die zuvor als riskant identifiziert wurden.
  • Unterstützt das Erstellen von Trainingslabels für AML-Risikomodelle

Ergänzende Daten

• Tabelle: PartySupplementaryData
• Zweck: Enthält zusätzliche Informationen, die für die Identifizierung des Geldwäscherisikos relevant sind und nicht im Rest des Schemas abgedeckt sind

Weitere Informationen finden Sie unter AML-Eingabedatenmodell (CSV-Datei). Wenn Sie Tabellen in BigQuery haben, können Sie mit AML AI ein Dataset erstellen und verwalten.

Hinweis: Die meisten Richtlinien für die Modell-Governance definieren eine Anforderung zum Verfolgen der Datenherkunft, die in allen ML-Vorgängen von der Suchmaschinenkonfiguration, dem Training und der Bewertung verwendet wird. Damit die Daten unverändert bleiben, sollten Sie nach Bestehen der Datenvalidierung einen Snapshot Ihrer BigQuery-Tabellen erstellen. Falls Sie keine Daten-Snapshots erstellen, lesen AML-KI-Vorgänge die BigQuery-Tabellen jedes Mal, wenn ein Vorgang das Dataset verwendet. Änderungen am Dataset können sich also auf die Abstimmung, das Training, Backtests und Vorhersagen auswirken.

Fehler

Beim Erstellen eines Datasets können ein oder mehrere Datenvalidierungsfehler auftreten. Informationen zum Beheben dieser Fehler finden Sie unter Datenvalidierungsfehler.