위험 점수는 0부터 1까지입니다. 점수가 높을수록 위험도가 높다는 것을 의미하지만 위험 점수가 자금세탁 활동 확률로 직접 해석되어서는 안 됩니다.
위험 점수는 지정된 endTime 직전의 1개월(predictionPeriods가 1보다 큰 경우에는 2개월 이상) 전체 완료 월 전체에 대해 생성됩니다.
위험 점수는 매달 각 당사자별로 계산됩니다.
생성된 각 예측 및 설명에는 전체 달이 끝난 후 자정에 risk_period_end_time이 있습니다.
예를 들어 predictionPeriods= 12 및 endTime= 2022-01-01T00:00:00Z인 경우 AML AI는 2021년 각 월의 위험 점수 및 설명 기능을 생성합니다. risk_period_end_time 값이 2021-02-01T00:00:00Z인 예측은 2021년 1월의 고객 예측을 나타냅니다.
설명 기능
AML AI 설명 기능은 특정 당사자의 위험 점수에 기여하는 행동 또는 특성(특성 계열 사용)을 나타냅니다. 설명 기능은 조사할 모든 당사자를 포함하여 위험도가 가장 높은 당사자를 포함합니다. 위험성이 낮은 고객은 설명 기능이 포함되지 않을 수 있습니다.
특성 계열
특성 계열은 조사 담당자 및 내부 감사팀에 알리기 위해 사람이 판독 가능한 범주를 제공하는 관련 AML AI 특성의 컬렉션입니다.
각 특성 계열에는 특정 거래 행동 또는 당사자의 특징 집합이 포함됩니다. 또한 일부 특성 계열에는 특정 중점 사항이 있으므로 조사 담당자가 어디에서부터 시작해야 할지를 알 수 있게 해줍니다. 중점 사항의 예시는 다음과 같습니다.
관련된 트랜잭션 유형:
은행 송금
현금
확인
카드
기타
트랜잭션의 방향:
직불(당사자를 위한 송금)
크레딧(당사자의 수취)
특성 계열 기여 분석 값
위험도가 높은 각 당사자와 각 특성 계열에 대해 기여 분석 점수가 부여되며, 이는 당사자의 위험 점수에 대한 특성 그룹의 기여도를 나타냅니다. 높은 양수 값은 위험 점수를 높이는 데 크게 기여했음을 나타냅니다. 마찬가지로 음수 값은 점수를 낮추는 데 대한 기여를 나타냅니다.
양수의 기여 분석 값이 가장 높은 특성 계열은 당사자 조사와 가장 관련성이 클 수 있습니다.
특정 당사자에 대한 다음과 같은 기여 분석 값 예시를 고려하세요.
특성 계열
기여 분석 값
비정상적인 카드 인출 활동
0.4
비정상적으로 빠르게 이동하는 자금
0.8
비정상적인 송금 인출 활동
-0.2
이 예시는 다음과 같이 해석될 수 있습니다.
당사자의 급격한 자금 이동은 높은 위험 점수에 가장 크게 기여했습니다. 여기에서 조사를 시작할 수 있습니다.
비정상적인 카드 인출 활동도 상당한 기여를 했으므로 이것도 고려해야 합니다.
당사자의 송금 인출 활동은 실제로 위험 점수를 낮추었으므로 검사가 필요할 가능성은 낮습니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["이해하기 어려움","hardToUnderstand","thumb-down"],["잘못된 정보 또는 샘플 코드","incorrectInformationOrSampleCode","thumb-down"],["필요한 정보/샘플이 없음","missingTheInformationSamplesINeed","thumb-down"],["번역 문제","translationIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2025-03-26(UTC)"],[[["This page explains the prediction outputs from AML AI, including risk scores, explainability, and feature families."],["Risk scores, which range from 0 to 1, indicate the level of risk, with higher scores signifying higher risk, calculated for each party for each month."],["Explainability identifies the behaviors or characteristics, using feature families, that contribute to a party's risk score, typically focusing on higher-risk parties."],["Feature families are collections of related AML AI features, categorized to help investigators understand the risk factors, with examples such as the type or direction of transactions."],["Attribution scores for feature families indicate their contribution to a party's risk score; high positive values signify increased risk, while negative values indicate a reduced risk contribution."]]],[]]
