Die Modell- und Risikogovernance ist der Prozess, bei dem Modelle von allen Stakeholdergruppen als ausreichend eingestuft werden. Ihr Prozess kann unter anderem die Validierung neuer Modelle, die Modellüberwachung, Sicherheits- und Compliance-Standards, Supportprozesse, Risikoabdeckung, Betriebshandbücher und Nutzerhandbücher umfassen.
Als Inhaber eines Risikorahmens finden Sie in den folgenden Artefakten nützliche Ressourcen für die Einbindung von AML-KI in Ihr gesamtes Risikomanagement. AML AI liefert relevante Dokumentationen zur Modell- und Risikoverwaltung sowie verschiedene Ergebnisse aus der Optimierung, dem Training und der Bewertung Ihres AML AI-Modells.
Dokumentation zur Modell- und Risikogovernance
Die folgende Konzeptdokumentation, die auf Anfrage für AML AI-Kunden verfügbar ist, dient als Governance-Artefakt in Ihrem gesamten Risikomanagement und als Modell für KI/ML und Risikogovernance:
- Modellarchitektur: Beschreibt die spezifische Modellarchitektur, die für die AML-KI zur Berechnung von Risikobewertungen verwendet wird.
- Methodik zum Labeln: Beschreibt die Ansätze, die zum Definieren von gekennzeichneten Trainingsbeispielen für die Optimierung, das Training und die Backtests von AML-KI-Modellen verwendet werden.
- Methodik für das Modelltraining: Beschreibt den Ansatz für das Training und die Validierung von KI-Modellen für die Geldwäscheerkennung.
- Methodik zur Modellabstimmung: Beschreibt den Prozess, mit dem die AML-KI die Modellhyperparameter anhand Ihrer Daten optimiert.
- Methode zur Modellbewertung: Beschreibt die Messwerte, die für die Modellbewertung und den Backtest verwendet werden.
- Funktionsfamilien – Übersicht: Beschreibung der unterstützten Funktionsfamilien und ihrer Verwendung für die Erklärbarkeit (und anderswo) in der AML-KI.
- Schema für Risikotypen: Beschreibt, wie AML-KI Risikotypen unterstützt und welche Methodik verwendet wird, um die Abdeckung zu demonstrieren.
- Stabilität und Supportrichtlinie für die Engine-Version: Beschreibt, was sich zwischen den Versionen der AML-KI-Engine ändert und was nicht, und wie lange jede Engine-Version für verschiedene Vorgänge unterstützt wird.
Modellergebnisse als Governance-Artefakte
Die folgenden Artefakte werden bei regulären AML-KI-Vorgängen als Ausgabe generiert:
- Modellqualität
- Die Ausgabe der Engine-Konfiguration enthält die in den Engine-Konfigurationsmetadaten erfasste erwartete Trefferquote (vor und nach der Optimierung).
- Mit Backtest-Ergebnissen können Sie die Leistung des trainierten Modells anhand von Beispielen messen, die nicht in das Training einbezogen wurden.
- Datenqualität
- Die Ausgabe zu fehlenden Werten gibt den Anteil der fehlenden Werte pro Featurefamilie in Ihren Datasets an, die für die Optimierung, das Training, das Backtesting und die Vorhersage verwendet werden. Wesentliche Änderungen können auf eine Inkonsistenz in den zugrunde liegenden Daten hinweisen, die sich auf die Modellleistung auswirken kann.
- Datenvalidierungsfehler verhindern, dass AML-KI-Vorgänge abgeschlossen werden. Um ein Modell und Vorhersagen zu erstellen, müssen Sie diese Fehler beheben.
- Vorhersageergebnisse
- Risikobewertungen reichen von 0 bis 1. Innerhalb dieses Bereichs bedeutet ein höherer Wert ein höheres Risiko für die Partei im prognostizierten Monat. Risikobewertungen sollten nicht direkt als Wahrscheinlichkeit für Geldwäscheaktivitäten oder für den Erfolg einer möglichen Prüfung interpretiert werden.
- Die Ergebnisse der Explainable AI-Funktion ergänzen hohe Risikobewertungen um Attributionsbewertungen, die den Beitrag der einzelnen Merkmalsfamilien zur Risikobewertung angeben.
- Mit lang andauernden Vorgängen können Sie alle AML-KI-Prozesse im Blick behalten, die bei der Modellvorbereitung und -vorhersage verwendet werden. Weitere Informationen finden Sie unter Vorgänge mit langer Ausführungszeit verwalten.