模型和风险治理是指由所有利益相关方群体共同确定模型是否足够的过程。您的流程可能包括新模型验证、模型监控、安全和合规性标准、支持流程、风险覆盖率、操作手册和用户指南等主题。
作为风险框架的所有者，以下工件为您提供了有用的资源，可帮助您将反洗钱 AI 集成到整体风险管理环境中。AML AI 会提供与模型和风险治理相关的文档，以及对 AML AI 模型进行调整、训练和评估时生成的各种输出。
模型和风险治理文档
以下一组概念文档可供 AML AI 客户申请获取，可用作整体风险管理以及 AI/机器学习模型和风险治理框架中的治理工件：
- 模型架构： 介绍 AML AI 用于计算风险评分的特定模型架构。
- 标注方法： 介绍了用于定义带标签的训练示例的方法，以便对 AML AI 模型进行调优、训练和回测。
- 模型训练方法： 介绍了 AML AI 模型的训练和验证方法。
- 模型调优方法： 介绍 AML AI 如何根据您的数据优化模型超参数。
- 模型评估方法： 介绍用于模型评估和回测的指标。
- 特征族概览： 介绍了支持的特征族以及它们在 AML AI 中用于可解释性（以及其他方面）的方式。
- 风险类型架构： 介绍 AML AI 如何支持风险类型，以及它用于证明覆盖率的方法。
- 引擎版本稳定性和支持政策： 说明 AML AI 引擎版本之间会发生哪些变化以及不会发生哪些变化，以及每个引擎版本针对不同操作的支持期限。
将模型输出作为治理工件
常规 AML AI 操作会生成以下工件作为输出：
- 模型质量
- 引擎配置输出包含引擎配置元数据中捕获的预期召回率（调优前和调优后）。
- 借助回测结果，您可以衡量训练后的模型在未包含在训练中的一组示例上的表现。
- 数据质量
- 缺失值输出表示用于调整、训练、回测和预测的数据集中每个特征族的缺失值所占的比例。出现显著变化可能表示基础数据不一致，这可能会影响模型的效果。
- 数据验证错误会导致 AML AI 操作无法完成，因此，若要成功生成模型和预测结果，您必须解决这些错误。
- 预测结果
- 风险得分介于 0 到 1 之间，在此范围内，得分越高，表示相应方在预测月份面临的风险越高。风险评分不应直接解读为洗钱活动的概率或可能的调查成功率。
- 可解释 AI 输出会通过归因得分来增强高风险得分，这些归因得分表示每个特征族对风险得分的贡献。
- 借助长时间运行的操作 (LRO)，您可以跟踪模型准备和预测中使用的所有 AML AI 流程。如需了解详情，请参阅管理长时间运行的操作。