Comprender los requisitos y el modelo de datos de AML

En el núcleo de la IA de AML, se encuentra información detallada y actualizada de clientes individuales del banco que abarcan, en particular, los siguientes aspectos:

• Datos demográficos
• Tenencias de la cuenta
• Actividad transaccional
• Gráfico de transacciones
• Actividad de investigación de riesgos

En esta página, se explica la creación y la administración de los datos que usa la IA de AML, incluidos los detalles del modelo de datos, el esquema de datos y los requisitos de datos para AML. El esquema en sí, incluidos los detalles de los campos individuales, aparece en el modelo de datos de entrada AML (archivo CSV).

Los siguientes requisitos previos no se abordan en esta página:

• Realiza una configuración para usar AML AI con un conjunto de datos AML (consulta Configura un proyecto y permisos).
• Temas de seguridad y cumplimiento (consulta las páginas en Prepara el modelo y la administración de riesgos)

Descripción general de los requisitos de los datos

El modelo de datos AML combina información sobre las partes minoristas y comerciales, sus cuentas y transacciones, y la información detallada sobre casos de riesgo relacionados con estas partes. En esta sección, se presentan aspectos importantes del modelo de datos que son válidos en las diferentes entidades.

El esquema del modelo de datos AML se organiza en tres áreas: datos bancarios principales, datos de investigación de riesgos y datos complementarios.

Datos bancarios básicos

• Tablas: Party, AccountPartyLink y Transaction
• Propósito: Sirve como una colección estructurada de datos sobre tus clientes y su actividad bancaria que se usa para detectar características y comportamientos riesgosos.

Datos de investigación de riesgos

• Tabla: RiskCaseEvent
• Objetivo:
  • Sirve como una recopilación estructurada de datos sobre procesos de investigación de riesgos y partes identificadas previamente como riesgosas
  • Ayuda en la creación de etiquetas de entrenamiento para modelos de riesgo de AML

Datos complementarios

• Tabla: PartyPartyaryData
• Propósito: Contiene información adicional relevante para identificar el riesgo de lavado de dinero que no se aborda en el resto del esquema.

Para obtener más información, consulta Modelo de datos de entrada de AML (archivo CSV). Cuando tengas tablas listas en BigQuery, usa la IA de AML para crear y administrar un conjunto de datos.

Nota: La mayoría de las políticas de administración de modelos definen un requisito para hacer un seguimiento del linaje de datos que se usa en todas las operaciones de AA desde la configuración, el entrenamiento y la evaluación del motor. Para asegurarte de que los datos permanezcan sin cambios, te recomendamos que crees una instantánea de tus tablas de BigQuery después de que pasen la validación de datos. En el caso de que no tomes instantáneas de los datos, las operaciones de IA de AML leen las tablas de BigQuery cada vez que una operación usa el conjunto de datos, por lo que los cambios en el conjunto de datos podrían afectar el ajuste, el entrenamiento, la prueba inversa y las predicciones.

Errores

Cuando creas un conjunto de datos, puedes encontrar uno o más errores de validación de datos. Para obtener información sobre cómo corregir estos errores, consulta Errores de validación de datos.