AML AI 的核心是对银行各个客户的最新详细了解，尤其是以下方面：
- 受众特征
- 所持有账户
- 交易活动
- 交易图表
- 风险调查活动
本页面介绍了如何创建和管理 AML AI 使用的数据，包括数据模型的详细信息、数据架构以及 AML 的数据要求。架构本身（包括各个字段的详细信息）显示在 AML 输入数据模型（CSV 文件）中。
本页面不涵盖以下前提条件：
- 设置将 AML AI 与 AML 数据集搭配使用（请参阅设置项目和权限）
- 安全性与合规性主题（请参阅为模型和风险治理做好准备下的页面）
数据要求概览
AML 数据模型汇总了有关零售和商业实体、其帐号和交易的信息，以及有关这些各方相关风险案例的详细信息。本部分介绍数据模型在不同实体中有效的重要方面。
AML 数据模型架构分为三个部分：核心银行数据、风险调查数据和补充数据。
核心银行业务数据
- 表：Party、AccountPartyLink、Transaction
- 用途：提供关于您的客户及其银行活动的结构化数据集合，用于检测有风险的特征和行为
风险调查数据
- 表：RiskCaseEvent
- 用途：
- 提供关于风险调查流程和先前被识别为有风险的相关方的结构化数据集合
- 协助为 AML 风险模型创建训练标签
补充数据
- 表格：PartySupplementaryData
- 用途：包含与识别洗钱风险相关的信息（架构的其余部分未涵盖）
如需了解详情，请参阅 AML 输入数据模型（CSV 文件）。在 BigQuery 中准备好表后，您可以使用 AML AI 创建和管理数据集。
错误数
创建数据集时，您可能会遇到一个或多个数据验证错误。如需了解如何修正这些错误，请参阅数据验证错误。