Auf dieser Seite werden die Vorhersageausgaben beschrieben, die sich aus dem Anfordern von Vorhersageergebnissen von AML AI ergeben.
Informationen zum Schema und zu den Feldern der Vorhersageausgaben in BigQuery finden Sie unter Vorhersageausgaben.
Risiko-Punktzahlen
Die Risikobewertungen liegen zwischen 0 und 1. Eine höhere Punktzahl weist auf ein höheres Risiko hin. Risikobewertungen sollten jedoch nicht direkt als Wahrscheinlichkeit von Geldwäscheaktivitäten interpretiert werden.
Risikobewertungen werden für einen abgeschlossenen Kalendermonat erstellt, der unmittelbar vor dem angegebenen endTime liegt (oder mehr, wenn predictionPeriods größer als ein ist).
Für jede Partei und jeden Monat wird eine Risikobewertung berechnet.
Erklärbarkeit
Die Erklärbarkeit von AML AI gibt an, welche Verhaltensweisen oder Merkmale mithilfe von Featurefamilien zur Risikobewertung einer bestimmten Partei beitragen. Erklärbarkeit deckt die Parteien mit dem höchsten Risiko ab, einschließlich aller Parteien, die Sie untersuchen würden. Für Kunden mit geringerem Risiko ist Erklärbarkeit möglicherweise nicht enthalten.
Funktionsfamilien
Featurefamilien sind Sammlungen verwandter AML AI-Features, die eine für Menschen verständliche Kategorisierung bieten, um Prüfer und interne Audit-Teams zu informieren.
Jede Featurefamilie deckt einen bestimmten Satz von Transaktionsverhalten oder Partyeigenschaften ab. Darüber hinaus haben einige Funktionsfamilien einen bestimmten Schwerpunkt, sodass Ermittler wissen, wo sie anfangen sollen. Beispiele für den Fokus:
- Die Art der betreffenden Transaktion:
- Kabel
- Barzahlung
- Häkchen
- Karte
- Sonstiges
- Richtung der Transaktionen:
- Lastschrift (für die Partei ausgehend)
- Kredit (Einkommen für die Partei)
Attributionswert der Featurefamilie
Für jede Partei mit hohem Risiko und jede Featurefamilie wird ein Attributionswert vergeben, der den Beitrag der Featurefamilie zur Risikobewertung der Partei angibt. Ein hoher positiver Wert deutet auf einen starken Beitrag zur Erhöhung des Risikowerts hin. Entsprechend weist ein negativer Wert auf einen Beitrag zur Senkung der Punktzahl hin.
Featurefamilien mit dem höchsten positiven Attributionswert sind für eine Untersuchung der Partei wahrscheinlich am relevantesten.
Sehen Sie sich die folgenden Beispiele für Attributionswerte für eine bestimmte Partei an:
| Funktionsgruppe | Attributionswert |
|---|---|
| Ungewöhnliche Kartenbelastungsaktivitäten | 0,4 |
| Ungewöhnlich schnelle Geldbewegungen | 0,8 |
| Ungewöhnliche Überweisungen | -0,2 |
Dieses Beispiel kann so interpretiert werden:
- Die schnelle Finanzierung der Partei hat den größten Beitrag zu ihrer hohen Risikobewertung geleistet. Dort könnte eine Untersuchung beginnen.
- Ungewöhnliche Fälle von Debitkarten haben ebenfalls einen großen Beitrag geleistet und sollten deshalb ebenfalls berücksichtigt werden.
- Durch die Überweisungen der Partei hat die Risikobewertung tatsächlich reduziert. Daher ist es unwahrscheinlich, dass eine Überprüfung erforderlich ist.