Erläuterung des AML-Datenmodells und der Anforderungen

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

• Demografie
• Kontobestände
• Transaktionsaktivität
• Transaktionsdiagramm
• Risikountersuchung

Auf dieser Seite werden die Erstellung und Verwaltung der von AML AI verwendeten Daten beschrieben, einschließlich Details zum Datenmodell, zum Datenschema und zu 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 Auf Modell- und Risiko-Governance vorbereiten)

Übersicht über Datenanforderungen

Das AML-Datenmodell kombiniert Informationen über Einzelhandels- und Handelsparteien, 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 AML-Datenmodellschema ist in drei Bereiche unterteilt: Kernbankdaten, Risikountersuchungsdaten und ergänzende Daten.

Core-Banking-Daten

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

Daten zur Risikountersuchung

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

Ergänzende Daten

• Tabelle: PartySupplementaryData
• Zweck: Enthält zusätzliche Informationen zur Identifizierung des Risikos von Geldwäsche, die im restlichen Schema nicht abgedeckt sind.

Weitere Informationen finden Sie unter AML-Eingabedatenmodell (CSV-Datei). Wenn Tabellen in BigQuery bereit sind, verwenden Sie AML AI, um ein Dataset zu erstellen und zu verwalten.

Hinweis: Die meisten Richtlinien für die Modell-Governance definieren eine Anforderung zum Verfolgen der Datenherkunft, die in allen ML-Vorgängen der Engine-Konfiguration, des Trainings 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 AI-Vorgänge die BigQuery-Tabellen jedes Mal aus, 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.