AML AI 的核心是详细、最新的理解 及其活动，尤其是涉及 以下数据：
- 事务性活动
- 账号所持有资产
- 政党受众特征
- 风险调查数据
本页面介绍了如何创建和管理以下各项： AML AI，包括数据模型、数据架构和 AML 的数据要求架构本身，包括 每个字段都显示在 AML 输入数据模型中， （CSV 文件）。合成示例数据集 （请参阅快速入门）。
本页面不涵盖以下前提条件：
数据要求概览
AML 数据模型接受零售或商业方的相关信息， 客户和交易，以及与 Google Cloud 服务相关的风险案例的详细信息 相关方。本部分介绍了数据模型的重要方面， 在不同实体间都有效
AML 数据模型架构分为三个方面：核心银行数据、风险 调查数据和补充数据。
核心银行数据
- 表格：Party、AccountPartyLink、 交易
- 用途：作为客户数据的结构化集合， 用于检测风险的银行活动。各方、账号和 要监控的事务。请提供零售或 AML AI 数据集内的商业数据
风险调查数据
- 表格：RiskCaseEvent
- 目的：
<ph type="x-smartling-placeholder">
- </ph>
- 充当风险调查数据的结构化集合 先前被认定为有风险的流程和各方
- 协助为 AML 风险模型创建训练标签
补充数据
- 表：PartySupplementaryData
- 用途：可选表，可包含其他信息 识别洗钱风险，而 架构。您应该开始使用 AML AI，而不提供任何 补充数据。
表关系
下图描述了表关系、主键和 外键。
错误
当您创建数据集时，AML AI 会自动执行数据 验证检查。有关这些检查的信息 请参阅 数据验证错误。
如需详细了解技术架构，请参阅 AML 输入数据模型 （CSV 文件）。 如需了解数据有效期要求和范围，请参阅 了解数据范围和时长。 在 BigQuery 中准备好表后，您可以使用 AML AI 创建和管理数据集。