模型和風險治理是指所有利益相關者團體決定模型是否足以滿足需求的程序。您的程序可能包括新模型驗證、模型監控、安全性和法規遵循標準、支援程序、風險涵蓋範圍、操作手冊和使用者手冊等主題。
風險架構擁有者可透過下列構件取得實用資源，將反洗錢 AI 整合至整體風險管理環境。AML AI 會提供與模型和風險治理相關的文件，以及經過調整、訓練和評估的 AML AI 模型所產生的各種輸出內容。
模型和風險治理說明文件
以下概念文件集可供 AML AI 客戶索取，用於整體風險管理和 AI/機器學習模型與風險治理架構的治理程序：
- 模型架構： 說明用於 AML AI 計算風險分數的特定模型架構。
- 標記方法： 說明用於定義標記訓練範例的方法，以便調整、訓練及回測 AML AI 模型。
- 模型訓練方法： 說明 AML AI 模型的訓練和驗證方法。
- 模型調整方法： 說明 AML AI 如何根據您的資料，調整模型超參數。
- 模型評估方法： 說明用於模型評估和回測的指標。
- 功能群總覽： 說明支援的功能群，以及在 AML AI 中如何用於可解釋性 (以及其他地方)。
- 風險類型結構定義： 說明 AML AI 如何支援風險類型，以及用來證明涵蓋率的方法。
- 引擎版本穩定性和支援政策： 說明 AML AI 引擎版本之間的變更內容和不變內容，以及各引擎版本支援不同作業的時間長度。
模型輸出內容為治理構件
下列構件會由一般 AML AI 作業產生為輸出內容：
- 模型品質
- 引擎設定輸出內容包含引擎設定中繼資料中擷取的預期回憶率 (調整前和調整後)。
- 回測結果可讓您針對訓練中未納入的範例組合，評估已訓練模型的成效。
- 資料品質
- 缺失值輸出結果：指出資料集中每個特徵家族的缺失值比例，用於調整、訓練、回測和預測。重大變化可能表示基礎資料不一致，進而影響模型成效。
- 資料驗證錯誤會導致 AML AI 作業無法完成，因此您必須解決這些錯誤，才能順利產生模型和預測結果。
- 預測結果
- 風險分數介於 0 到 1 之間，在這個範圍內，分數越高，就表示預測月份的派對風險越高。風險分數不應直接解讀為洗錢活動的可能性，或可能調查成功的機率。
- Explainable AI 輸出內容會使用歸因分數增強高風險分數，這類分數會指出每個特徵家族對風險分數的貢獻。
- 長時間執行作業 (LROs) 可讓您追蹤在模型準備和預測作業中使用的所有 AML AI 程序。詳情請參閱「管理長時間執行的作業」。