AML AI의 핵심은 개별 은행 고객의 최근 상황에 대한 상세한 이해이며 특히 다음과 같은 분야에 집중됩니다.
- 인구통계
- 계좌 소유
- 트랜잭션 활동
- 트랜잭션 그래프
- 위험 조사 활동
이 페이지에서는 AML의 데이터 모델, 데이터 스키마, 데이터 요구사항에 대한 세부정보를 포함하여 AML AI에 사용되는 데이터의 생성과 관리에 대해 설명합니다. 개별 필드에 대한 세부정보를 포함한 스키마 자체가 AML 입력 데이터 모델(CSV 파일)에 표시됩니다.
다음 기본 요건은 이 페이지에서 다루지 않습니다.
- AML 데이터 세트와 함께 AML AI를 사용하도록 설정(프로젝트 및 권한 설정 참조)
- 보안 및 규정 준수 주제(모델 및 위험 거버넌스 준비 페이지 참조)
데이터 요구사항 개요
AML 데이터 모델은 소매업 및 상업 당사자에 대한 정보, 당사자의 계좌 및 트랜잭션, 당사자와 관련된 위험 사례에 대한 상세 정보를 결합합니다. 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 위험한 특성과 행동을 감지하는 데 사용됩니다.
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 포함합니다.
자세한 내용은 AML 입력 데이터 모델(CSV 파일)을 참조하세요. BigQuery에 테이블이 준비되면 AML AI를 사용하여 데이터 세트를 만들고 관리합니다.
오류
데이터 세트를 만들 때 데이터 검증 오류가 하나 이상 발생할 수 있습니다. 이러한 오류를 수정하는 방법은 데이터 검증 오류를 참조하세요.