En este glosario, se definen términos específicos de la IA contra lavado de dinero. En general de aprendizaje automático, consulta Glosario de aprendizaje automático.
A
- ADC
Cada una de las bibliotecas cliente de la API proporciona un medio para usar las credenciales predeterminadas de la aplicación (ADC) locales.
Para obtener información sobre la diferencia entre tus credenciales de ADC locales y tus credenciales de gcloud CLI, consulta Credenciales de CLI y ADC de gcloud
B
- backtesting
- Las pruebas retrospectivas usan datos históricos para evaluar el rendimiento (recuperación observada). de un modelo comparando la puntuación de riesgo que genera con la resultados reales de las investigaciones históricas.
- resultados de la prueba retroactiva
- Un recurso BacktestResult de IA contra lavado de dinero. (también conocidos como “resultados de la prueba retroactiva”) se crea para probar el rendimiento de un modelo en un dataset.
- Para obtener más información, consulta Evalúa un modelo.
C
- datos bancarios básicos
- Los datos bancarios principales incluyen información sobre partes, transacciones y activos de la cuenta. Ayuda a la IA contra el lavado de dinero a comprender a tus clientes. y su actividad bancaria para detectar características y comportamientos riesgosos.
- ventana de tiempo principal
El período principal se refiere al intervalo de tiempo usado en una IA contra lavado de dinero (configuración del motor, entrenamiento, prueba retroactiva y predicción) para generar entrenamiento, ejemplos de evaluación o resultados de modelos. Este intervalo de tiempo debe estar cubierta por todas las tablas del conjunto de datos.
Las diferentes operaciones de la API tienen diferentes requisitos para el período principal para generar atributos y etiquetas. Para obtener más información, consulta Información sobre el alcance y la duración de los datos.
Consulta también la ventana de visualización.
D
- validación de datos
- La IA contra el lavado de dinero realiza verificaciones de validación de datos cuando crea un conjunto de datos, configuración del motor de búsqueda, modelo, resultados de la prueba retroactiva o resultados de la predicción. Si el conjunto de datos especificado no pasa la validación de datos, no se crea el recurso y se producen errores de validación de datos (que indican la naturaleza del problema).
- Para obtener más información, consulta Errores de validación de datos.
- dataset
Un recurso de conjunto de datos de IA contra el lavado de dinero (o solo “conjunto de datos”) se usa para especificar datos, de conformidad con el Modelo de datos de entrada contra el lavado de dinero, que se puede usar para generar un modelo evaluar el rendimiento de un modelo y generar puntuaciones de riesgo y explicabilidad por parte.
Para obtener más información, consulta Comprende el modelo de datos y los requisitos contra el lavado de datos.
E
- hora de finalización
Las operaciones de IA contra el lavado de dinero que usan un conjunto de datos requieren que especifiques un hora de finalización. Este campo se usa para controlar qué meses del conjunto de datos se usan. para generar ejemplos de entrenamiento o evaluación, y resultados del modelo.
La hora de finalización y todos los meses utilizados para una operación deben estar dentro de la fecha del conjunto de datos asociado.
Por ejemplo, una operación de entrenamiento requiere una ventana de tiempo principal de 15 meses. Si usas un conjunto de datos con un período desde el 15 de octubre de 2021 hasta el 21 de mayo de 2023 una hora de finalización el 12 de abril de 2023, el entrenamiento usará ejemplos del calendario de enero de 2022 a marzo de 2023, que se encuentra en el período de la de tu conjunto de datos.
- configuración del motor
Un recurso EngineConfig de la IA contra el lavado de dinero (también conocido como “configuración del motor”) especifica los parámetros para generar y mediante la evaluación de un modelo de IA contra lavado de dinero y la generación de puntuaciones de riesgo. la explicabilidad.
Algunos de estos parámetros se especifican en la llamada a la API para crear un motor. como la versión del motor y el volumen de investigación esperado. La IA de AML genera automáticamente otros parámetros con un conjunto de datos especificado, por ejemplo, hiperparámetros ajustados.
Para obtener más información, consulta Cómo configurar un motor.
- versión de motor
Un recurso EngineVersion de la IA contra el lavado de dinero (también conocido como "versión del motor") define aspectos de cómo la IA contra el lavado de dinero detecta el riesgo, lo que abarca la optimización, el entrenamiento y la evaluación del modelo, así como el modelo de datos general de la IA contra el lavado de dinero y las familias de atributos.
Configura un motor de IA contra lavado de dinero requiere que especifiques la versión de motor que se usará. Luego, la versión del motor usarse para entrenar y evaluar modelos con esa configuración del motor y generar riesgos y explicabilidad.
La nomenclatura de las versiones de motores se estructura de la siguiente manera, con el tipo de motor que expresa la línea de negocio compatible, y el subtipo de motor, el ajuste, la versión principal y la versión secundaria que se actualizan a medida que se implementan nuevos comportamientos.
Estos son algunos ejemplos de versiones:
aml-retail.default.v004.000.202312-000aml-commercial.default.v004.000.202312-000
Para obtener más información sobre cómo administrar versiones de motores, consulta Administra las versiones de motor.
- evaluación
Consulta también backtesting.
- explicabilidad
Los modelos de IA contra el lavado de dinero se usan para identificar a las partes que presentan comportamientos o características con alto riesgo de lavado de dinero. La explicabilidad indica qué comportamientos o características contribuyeron más a una puntuación de alto riesgo para una parte determinada.
Para obtener más información, consulta Comprende los resultados de la predicción.
Consulta también la predicción.
- exportar metadatos
Varios recursos de la IA contra el lavado de dinero almacenan información adicional relacionada con el rendimiento y la calidad de los datos, a los que se puede acceder con el comando una operación de metadatos.
Para obtener más información, consulta Modelo de datos de salida contra el lavado de dinero.
F
- familia de funciones
- Las familias de atributos son colecciones de atributos relacionados con el AA, una categorización sencilla y comprensible para los humanos investigadores y equipos de auditoría interna.
I
- entidad inmutable
La IA contra el lavado de dinero debe poder recrear vistas de los datos en diferentes momentos para el ajuste, el entrenamiento y las pruebas retrospectivas. Para lograr esto, la IA contra el lavado de dinero diferencia entre entidades mutables (que puede cambiar valores con el tiempo) y entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, puede cambiar con el tiempo; pero una entidad inmutable podría ser un evento, como retirando 50 USD de tu cuenta corriente el 2 de julio de 2024 a las 12:00:00, lo que no cambia, ya que fue una instantánea en el tiempo.
En el modelo de datos de entrada contra el lavado de dinero, tablas que representan entidades inmutables no tiene los campos
validity_start_timeniis_entity_deleted. Esta incluye la tabla RiskCaseEvent.Para obtener más información, consulta Comprende cómo cambian los datos con el tiempo.
Consulta también entidad mutable.
- instancia
Un recurso de instancia de IA contra el lavado de dinero (también conocido como "instancia") se encuentra en la raíz de todos los demás recursos de IA contra el lavado de dinero y se debe crear antes de que puedas trabajar con otros recursos de IA contra el lavado de dinero. Se pueden crear varias instancias en la misma región dentro de en un proyecto final.
Para obtener más información, consulta Cómo crear una instancia de IA de AML.
- proceso de investigación
Un proceso de investigación abarca toda la investigación o la secuencia del investigaciones activadas por una alerta. El proceso comienza cuando la primera parte de una investigación comienza y finaliza cuando no se esperan más resultados a partir de esta investigación.
Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
L
- LOB
- La línea de negocios (LOB) distingue a la banca minorista y comercial a los clientes con la IA contra lavado de dinero. Los conjuntos de datos, las versiones del motor y el registro de las partes están vinculados a una línea de negocio, venta minorista o comercial específica.
- ventana de visualización
Además de la ventana de tiempo principal, Las operaciones de IA contra el lavado de dinero requieren que los conjuntos de datos incluyan una visualización para permitir la generación de atributos que hagan un seguimiento del comportamiento en el tiempo.
Para obtener más información, consulta Comprende el alcance y la duración de los datos.
- LRO
Varias operaciones de IA contra lavado de dinero, incluida la configuración de motores, el entrenamiento, las pruebas retrospectivas y la predicción, inician una operación de larga duración. (LRO).
Para obtener más información, consulta Administra operaciones de larga duración.
M
- ausencia de datos
Cuando se crea la métrica faltante, se calcula la métrica de ausencia para todas las familias de atributos los siguientes recursos de IA contra el lavado de dinero: configuración del motor, modelo, backtest los resultados de la búsqueda y los resultados de la predicción.
Esta métrica muestra el porcentaje de valores faltantes entre todos los atributos de una en la familia de atributos. Un cambio significativo en la métrica Falta para cualquier familia de atributos entre el ajuste, el entrenamiento, la evaluación y la predicción incoherencias en los conjuntos de datos utilizados.
- model
Un recurso de modelo de IA para la prevención del fraude (también conocido como "modelo") representa un modelo entrenado que se puede usar para generar puntuaciones de riesgo y explicabilidad.
- entidad mutable
La IA contra el lavado de dinero debe poder recrear vistas de los datos en diferentes momentos para el ajuste, el entrenamiento y las pruebas retrospectivas. Para lograr esto, la IA de la AML diferencia entre entidades mutables (que pueden cambiar de valor con el tiempo) y entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, que puede cambiar con el tiempo, pero una entidad inmutable podría ser un evento, como retirar USD 50 el 2 de julio de 2024 a las 12:00:00 de tu cuenta corriente, que no cambia, ya que es un resumen de un momento determinado.
En el modelo de datos de entrada contra el lavado de dinero, tablas que representan entidades mutables tienen los campos
validity_start_timeyis_entity_deleted. Esto incluye los Party, AccountPartyLink, Transaction y PartySupplementaryData.Para obtener más información, consulta Cómo cambian los datos con el tiempo.
Consulta también entidad inmutable.
O
- recuperación-observada
La IA contra el lavado de dinero mide el rendimiento de los modelos en datos históricos con el Métrica de recuperación observada.
Esta métrica muestra la proporción de partes etiquetadas positivas (por ejemplo, salidas de clientes) de un período seleccionado que se habría identificado durante un período de actividad sospechosa con un riesgo alto el modelo que se está evaluando.
P
- fiesta
En el modelo de datos de entrada contra el lavado de dinero, una parte representa a un cliente del banco. Una de las partes puede ser una persona física o una entidad legal.
Para obtener más información, consulta la tabla Party.
Consulta también parte registrada.
- predicción
La predicción usa un modelo para generar puntuaciones de riesgo y de la explicabilidad que se puede usar en tu protección contra el lavado de dinero proceso de investigación.
- resultados de la predicción
Un recurso PredictionResult de IA de AML (también conocido como "resultados de la predicción") es el resultado de usar un modelo para crear predicciones.
Para obtener más detalles sobre cómo generar puntuaciones de riesgo y explicabilidad, así como sobre cómo utilizarlos en su proceso de investigación, consulte las páginas en la sección Genera puntuaciones de riesgo y explicabilidad.
R
- parte registrada
- Antes de que se pueda usar una parte para crear resultados de predicción (por ejemplo, puntuaciones de riesgo y explicabilidad a nivel de partido), la parte debe ser registrados en la línea de negocio correspondiente
- caso de riesgo
Un caso de riesgo cubre un proceso de investigación o un grupo de procesos de investigación para distintas partes.
Consulta la tabla RiskCaseEvent.
- datos de investigación de riesgos
La IA contra lavado de dinero usa los datos de investigación de riesgos en el proceso de investigación de riesgos y sus resultados, y generar etiquetas de entrenamiento.
- puntuación de riesgo
Los modelos de IA contra el lavado de dinero se usan para identificar a las partes que presentan comportamientos o características con alto riesgo de lavado de dinero. Ya se completó este paso una puntuación de riesgo.
Las puntuaciones de riesgo varían de 0 a 1. Una puntuación más alta indica un riesgo mayor. Sin embargo, las puntuaciones de riesgo no deberían interpretarse directamente como una probabilidad de dinero de lavado de dinero.
Para obtener más información, consulta Información sobre los resultados de la predicción.
- tipología de riesgos
La IA de AML puede identificar el riesgo de lavado de dinero en las cinco tipologías de riesgo de AML principales relacionadas con la supervisión de transacciones.
Con suficiente investigación y datos complementarios de las partes (consulte tablas de datos complementarios), la IA contra el lavado de dinero puede abarcar más tipologías.
S
- datos complementarios
Los datos complementarios son datos adicionales, más allá de lo que contienen las datos bancarios básicos y datos de investigación de riesgos áreas del esquema de IA contra el lavado de dinero, lo cual es relevante para predecir riesgos de lavado de dinero.
Por ejemplo, puedes identificar y agregar un indicador de riesgo que ayude a los modelos predecir mejor una tipología de riesgo que de otro modo no está bien cubierta.
Se pueden agregar datos complementarios a un conjunto de datos con el PartySupplementaryData.
- período de actividad sospechosa
Un período de actividad sospechosa es un período durante el cual crees que un parte investigada demostraron un comportamiento sospechoso. Esto se usa en el modelo (por ejemplo, la métrica de recuperación para los resultados de la prueba que los clientes de alto riesgo se identifican durante los meses en que tenían actividad sospechosa.
Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
T
- capacitación
- La IA contra el lavado de dinero entrena como parte de la creación de un modelo hiperparámetros (consulta ajuste) desde una configuración de motor especificada.
- ajuste
- El ajuste es la optimización de hiperparámetros del modelo. IA contra lavado de dinero realiza ajustes como parte de la creación de una configuración del motor.
V
- fecha de inicio de validez
La IA de la AML usa la hora de inicio de validez de una entidad mutable para construir una vista de lo que el banco sabía en un momento determinado. Esto permite que la IA contra el lavado de dinero entrene con precisión que pueden reutilizarse en los datos más recientes (es decir, lo que conocen las para obtener puntuaciones de riesgo de alta fidelidad.
La hora de inicio de la validez de una fila determinada representa la hora más antigua en la que el banco conoció los datos de esta fila y los corrigió.
Para obtener más información, consulta Cómo cambian los datos con el tiempo.