本页介绍了向 AML AI 请求预测结果后生成的预测输出。
对于 BigQuery 中预测输出的架构和字段， 请参阅预测输出。
风险评分
风险得分介于 0 到 1 之间。得分越高，风险越高，但风险得分不应直接解读为洗钱活动的概率。
系统会针对指定 endTime 前一个完整日历月（如果 predictionPeriods 大于 1，则为 1 个月或更长时间）生成风险信号。系统会按月为每个相关方计算风险信号。
生成的每项预测和解释都有一个 risk_period_end_time，位于
整个日历月结束后的午夜。
例如，如果 predictionPeriods= 12 和 endTime= 2022-01-01T00:00:00Z，则 AML AI 会为 2021 年的每个月生成风险得分和可解释性。risk_period_end_time 值为 2021-02-01T00:00:00Z 的预测
表示客户对 2021-01 月份的预测。
可解释性
AML AI 的可解释性表示 哪些行为或特征（使用功能系列） 有助于提升特定方的风险得分。可解释性涵盖风险最高的各方，包括您要调查的所有方。风险较低的客户可能无法获得可解释性。
功能系列
特征族是一系列相关的反洗钱 AI 特征，提供人类可理解的分类，以便向调查人员和内部审核团队提供信息。
每个功能系列都涵盖一组特定的交易行为或方 特征。此外，某些特征族具有特定的重点，可让调查人员知道从何处着手。重点示例包括：
- 涉及的交易类型：
- 电线
- 现金
- 检查
- 卡片
- 其他
- 交易方向：
- 借记（对方为出款方）
- 贷记（对方收到的款项）
特征族归因值
系统会为每个高风险方和每个特征系列提供一个归因分数， 指示特征系列对风险得分的 。较高的正值表示对增加风险的贡献很大 得分。同样，负值表示有助于降低 得分。
正归因值最高的特征族可能与对相关方的调查最相关。
请考虑以下针对特定方提供的归因值示例：
| 特征系列 | 归因值 |
|---|---|
| 异常的银行卡扣款活动 | 0.4 |
| 异常快速的资金流动 | 0.8 |
| 异常的银行电汇扣款活动 | -0.2 |
此示例可作如下解释：
- 该方快速转移资金对其高风险评分贡献最大。我们可能会从那里着手调查。
- 异常的银行卡扣款活动也起到了重要作用，因此也应考虑在内。
- 该方的电汇扣款活动实际上降低了风险评分，因此不太可能需要进行检查。