La gouvernance des modèles et des risques est le processus par lequel tous les groupes d'acteurs déterminent si les modèles sont suffisants. Votre processus peut inclure la validation de nouveaux modèles, la surveillance des modèles, les normes de sécurité et de conformité, les processus d'assistance, la couverture des risques, les manuels d'exploitation et les guides utilisateur, entre autres sujets.
En tant que propriétaire d'un framework de gestion des risques, les artefacts suivants vous fournissent des ressources utiles pour intégrer l'IA de lutte contre le blanchiment d'argent à votre environnement global de gestion des risques. AML AI fournit des documents pertinents pour la gouvernance des modèles et des risques, ainsi que diverses sorties issues de l'ajustement, de l'entraînement et de l'évaluation de votre modèle AML AI.
Documentation sur la gouvernance des modèles et des risques
L'ensemble de documentation sur les concepts suivant, disponible sur demande pour les clients de l'IA AML, sert d'artefacts de gouvernance dans votre gestion globale des risques, ainsi que dans votre modèle et votre framework de gouvernance des risques en IA/ML:
- Architecture de modèle: décrit l'architecture de modèle particulière utilisée pour l'IA de lutte contre le blanchiment d'argent pour calculer les scores de risque.
- Méthodologie d'étiquetage: Décrit les approches utilisées pour définir des exemples d'entraînement étiquetés à des fins de réglage, d'entraînement et de rétrotest des modèles d'IA AML.
- Méthode d'entraînement du modèle: décrit l'approche d'entraînement et de validation des modèles d'IA AML.
- Méthodologie de réglage du modèle: décrit le processus par lequel l'IA AML optimise les hyperparamètres du modèle en fonction de vos données.
- Méthode d'évaluation du modèle: Décrit les métriques utilisées pour l'évaluation et le rétrocompatibilité du modèle.
- Présentation des familles de fonctionnalités: décrit les familles de fonctionnalités compatibles et la façon dont elles sont utilisées pour l'explicabilité (et ailleurs) dans l'IA AML.
- Schéma de typologie des risques: Décrit comment l'IA de lutte contre le blanchiment d'argent prend en charge les typologies de risques et la méthodologie qu'elle utilise pour démontrer la couverture.
- Stabilité et prise en charge des versions du moteur: décrit ce qui change et ce qui ne change pas entre les versions du moteur d'IA AML, ainsi que la durée de prise en charge de chaque version du moteur pour différentes opérations.
Sorties du modèle en tant qu'artefacts de gouvernance
Les artefacts suivants sont générés en sortie par les opérations d'IA AML standards:
- Qualité du modèle
- La sortie de configuration du moteur inclut le rappel attendu (avant et après le réglage) capturé dans les métadonnées de configuration du moteur.
- Les résultats du backtest vous permettent de mesurer les performances du modèle entraîné sur un ensemble d'exemples non inclus dans l'entraînement.
- Qualité des données
- La sortie "Missingness" indique la part des valeurs manquantes par famille de fonctionnalités dans vos ensembles de données utilisés pour l'ajustement, l'entraînement, le backtesting et la prédiction. Des changements importants peuvent indiquer une incohérence dans vos données sous-jacentes, ce qui peut avoir un impact sur les performances du modèle.
- Les erreurs de validation des données empêchent l'exécution des opérations d'IA AML. Pour produire un modèle et des prédictions, vous devez donc résoudre ces erreurs.
- Résultats de prédiction
- Les scores de risque varient de 0 à 1. Dans cette plage, un score plus élevé indique un risque plus élevé pour la partie pour le mois prévu. Les scores de risque ne doivent pas être interprétés directement comme une probabilité d'activité de blanchiment d'argent ou de succès d'une enquête potentielle.
- La sortie Explainable AI augmente les scores de risque élevé avec des scores d'attribution indiquant la contribution de chaque famille de fonctionnalités au score de risque.
- Les opérations de longue durée (LRO) vous permettent de suivre tous les processus d'IA ML utilisés dans la préparation et les prédictions des modèles. Pour en savoir plus, consultez la page Gérer les opérations de longue durée.