Comprendre le modèle de données et les exigences de l'AML

L'AML basée sur l'IA repose sur une compréhension détaillée et à jour des clients individuels de la banque, en particulier:

• Données démographiques
• Avoirs de comptes
• Activité transactionnelle
• Graphique des transactions
• Activité d'enquête sur les risques

Cette page explique comment créer et gérer les données utilisées par l'AML basée sur l'IA, y compris les détails du modèle et du schéma de données, ainsi que les exigences en termes de données pour l'AML. Le schéma lui-même, y compris les détails des champs individuels, apparaît dans le modèle de données d'entrée AML (fichier CSV).

Les conditions préalables suivantes ne sont pas abordées sur cette page:

• Configuration pour utiliser l'AML basée sur l'IA avec un ensemble de données AML (consultez Configurer un projet et les autorisations)
• Sujets liés à la sécurité et à la conformité (consultez les pages de la section Préparer le modèle et la gouvernance des risques)

Présentation des exigences concernant les données

Le modèle de données AML combine des informations sur les parties du commerce et des parties commerciales, leurs comptes et leurs transactions, ainsi que des informations détaillées sur les cas de risque qui leur sont associés. Cette section présente des aspects importants du modèle de données valides pour les différentes entités.

Le schéma du modèle de données AML est organisé en trois domaines: données bancaires principales, données d'investigation sur les risques et données supplémentaires.

Données bancaires principales

• Tables: Party, AccountPartyLink, Transaction.
• Objectif: servir de collection structurée de données sur vos clients et leur activité bancaire, utilisées pour détecter les caractéristiques et les comportements à risque

Données d'enquête sur les risques

• Tableau: RiskCaseEvent
• Objectif :
  • Sert de collecte structurée de données sur les processus d'enquête sur les risques et les parties précédemment identifiées comme risquées
  • Aide à la création d'étiquettes d'entraînement pour les modèles de risque AML

Données supplémentaires

• Tableau: PartySupplementaryData
• Objectif: contient des informations supplémentaires pertinentes pour identifier le risque de blanchiment d'argent qui ne sont pas couvertes dans le reste du schéma.

Pour en savoir plus, consultez la section Modèle de données d'entrée AML (fichier CSV). Lorsque les tables sont prêtes dans BigQuery, utilisez l'AML basée sur l'IA pour créer et gérer un ensemble de données.

Remarque: La plupart des règles de gouvernance des modèles définissent une exigence pour suivre la traçabilité des données utilisée dans toutes les opérations de ML, depuis la configuration du moteur, l'entraînement et l'évaluation. Pour vous assurer que les données restent inchangées, nous vous recommandons de créer un instantané de vos tables BigQuery après leur validation des données. Si vous n'effectuez pas d'instantané des données, les opérations d'AML basée sur l'IA lisent les tables BigQuery chaque fois qu'une opération utilise l'ensemble de données. Les modifications apportées à l'ensemble de données peuvent donc avoir un impact sur le réglage, l'entraînement, le rétrotest et les prédictions.

Erreurs

Lorsque vous créez un ensemble de données, vous pouvez rencontrer une ou plusieurs erreurs de validation des données. Pour savoir comment corriger ces erreurs, consultez la page Erreurs de validation des données.