En este glosario se definen términos específicos de la IA de lucha contra el blanqueo de capitales. Para consultar términos generales sobre aprendizaje automático, consulta el glosario de aprendizaje automático.
A
- ADC
Cada una de las bibliotecas de 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 la CLI de gcloud, consulta Credenciales de la CLI de gcloud y credenciales de ADC.
B
- retrospectivas
- Las pruebas retrospectivas usan datos históricos para evaluar el rendimiento (recuerdo observado) de un modelo comparando la puntuación de riesgo que genera con los resultados reales de las investigaciones históricas.
- resultados de la prueba retrospectiva
- Se crea un recurso BacktestResult de IA de AML (también conocido como "resultados de pruebas retrospectivas") para probar el rendimiento de un modelo en un conjunto de datos.
- Para obtener más información, consulta Evaluar un modelo.
C
- datos bancarios básicos Los
- datos bancarios principales incluyen datos sobre las partes, las transacciones y los saldos de las cuentas. Ayuda a la IA de lucha contra el blanqueo de capitales a comprender a tus clientes y su actividad bancaria para detectar características y comportamientos arriesgados.
- ventana de tiempo principal
El periodo de tiempo principal es el intervalo de tiempo que se usa en una operación de IA de AML (configuración del motor, entrenamiento, prueba retrospectiva y predicción) para generar ejemplos de entrenamiento y evaluación, o resultados del modelo. Todas las tablas del conjunto de datos deben incluir este periodo.
Las distintas operaciones de la API tienen requisitos diferentes para la ventana de tiempo principal para generar características y etiquetas. Para obtener más información, consulta Información sobre el ámbito y la duración de los datos.
Consulta también Ventana retrospectiva.
D
- validación de datos
- La IA de la lucha contra el blanqueo de dinero realiza comprobaciones de validación de datos al crear un conjunto de datos, una configuración del motor, un modelo, resultados de una prueba retrospectiva o resultados de una predicción. Si el conjunto de datos especificado no supera la validación de datos, no se creará el recurso y se producirán errores de validación de datos (que indicarán la naturaleza del problema).
- Para obtener más información, consulta Errores de validación de datos.
- Quick, Draw!
Un recurso de conjunto de datos de IA de la lucha contra el blanqueo de dinero (o simplemente "conjunto de datos") se usa para especificar datos que se ajusten al modelo de datos de entrada de la lucha contra el blanqueo de dinero, que se puede usar para generar un modelo, evaluar el rendimiento de un modelo y generar puntuaciones de riesgo y explicaciones por parte.
Para obtener más información, consulta Información sobre el modelo de datos y los requisitos de AML.
E
- hora de finalización
Las operaciones de IA de AML que usan un conjunto de datos requieren que especifiques una 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 en una operación deben estar dentro del intervalo de fechas del conjunto de datos asociado.
Por ejemplo, una operación de formación requiere un periodo principal de 15 meses. Si usas un conjunto de datos con un intervalo de fechas del 15 de octubre del 2021 al 21 de mayo del 2023 y una hora de finalización del 12 de abril del 2023, el entrenamiento usará ejemplos de los meses naturales de enero del 2022 a marzo del 2023, que se encuentran en el intervalo de fechas del conjunto de datos.
- configuración del motor
Un recurso EngineConfig de AML AI (también conocido como "configuración del motor") especifica los parámetros para generar y evaluar un modelo de AML AI, así como para generar puntuaciones de riesgo y explicaciones.
Algunos de estos parámetros se especifican en la llamada a la API para crear una configuración del 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 específico, como los hiperparámetros optimizados.
Para obtener más información, consulta Configurar un motor.
- versión del motor
Un recurso EngineVersion de la IA de lucha contra el blanqueo de dinero (también conocido como "versión del motor") define aspectos de cómo detecta riesgos la IA de lucha contra el blanqueo de dinero, lo que abarca el ajuste, el entrenamiento y la evaluación de modelos, así como el modelo de datos y las familias de funciones generales de la lucha contra el blanqueo de dinero.
Para configurar un motor de IA de AML, debes especificar la versión del motor que quieres usar. La versión del motor se usa para entrenar y evaluar modelos con esa configuración del motor, así como para generar puntuaciones de riesgo y explicaciones.
La nomenclatura de las versiones del motor se estructura de la siguiente manera: el tipo de motor expresa la línea de negocio admitida, y el subtipo de motor, la optimización, la versión principal y la versión secundaria se actualizan a medida que se implementan nuevos comportamientos.
Estas son algunas versiones de ejemplo:
aml-retail.default.v004.008.202411-001aml-commercial.default.v004.008.202411-001
Para obtener más información sobre cómo gestionar las versiones del motor, consulta Gestionar versiones del motor.
- evaluación
Consulta también pruebas retrospectivas.
- explicabilidad
Los modelos de IA de lucha contra el blanqueo de dinero se usan para identificar a las partes que muestran comportamientos o características con un alto riesgo de blanqueo de dinero. La interpretabilidad indica qué comportamientos o características han contribuido en mayor medida a la puntuación de riesgo alto de una parte concreta.
Para obtener más información, consulta Interpretar los resultados de las predicciones.
Consulta también predicción.
- exportar metadatos
Varios recursos de IA de AML almacenan información adicional relacionada con el rendimiento y la calidad de los datos, a la que se puede acceder mediante la operación de exportación de metadatos.
Para obtener más información, consulta el modelo de datos de salida de la lucha contra el blanqueo de dinero.
F
- familia de funciones
- Las familias de funciones son colecciones de funciones de aprendizaje automático relacionadas entre sí. Ofrecen una categorización sencilla y comprensible para los investigadores y los equipos de auditoría interna.
I
- entidad inmutable
La IA de AML debe poder recrear vistas de los datos en diferentes momentos para realizar ajustes, entrenamientos y pruebas retrospectivas. Para ello, la IA de 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. Sin embargo, una entidad inmutable podría ser un evento, como retirar 50 € el 2 de julio del 2024 a las 12:00:00 de tu cuenta corriente, que no cambia porque fue una instantánea en un momento concreto.
En el modelo de datos de entrada de la lucha contra el blanqueo de dinero, las tablas que representan entidades inmutables no tienen los campos
validity_start_timeyis_entity_deleted. Esto incluye la tabla RiskCaseEvent.Para obtener más información, consulta Cómo cambian los datos a lo largo del tiempo.
Consulta también entidad mutable.
- instancia
Un recurso de instancia de AML AI (también conocido como "instancia") se encuentra en la raíz de todos los demás recursos de AML AI y debe crearse antes de poder trabajar con otros recursos de AML AI. Se pueden crear varias instancias en la misma región de un proyecto.
Para obtener más información, consulta Crear una instancia de AML AI.
- proceso de investigación
Un proceso de investigación abarca toda la investigación o la secuencia de investigaciones que se activan a partir de una alerta. El proceso empieza cuando se inicia la primera parte de una investigación y termina cuando no se esperan más resultados de esta investigación.
Para obtener más información, consulta el ciclo de vida de un caso de riesgo.
L
- LOB
- La línea de negocio (LOB) distingue a los clientes de banca minorista y comercial en la IA de PLA. Los conjuntos de datos, las versiones del motor y el registro de terceros están vinculados a una línea de negocio, un comercio o una empresa específicos.
- ventana retrospectiva
Además de la ventana de tiempo principal, las operaciones de IA de AML requieren que los conjuntos de datos incluyan una ventana retrospectiva para permitir la generación de funciones que monitoricen el comportamiento a lo largo del tiempo.
Para obtener más información, consulta Información sobre el ámbito y la duración de los datos.
- LRO
Varias operaciones de AML AI, como la configuración del motor, el entrenamiento, las pruebas retrospectivas y la predicción, inician una operación de larga duración (LRO).
Para obtener más información, consulta Gestionar operaciones de larga duración.
M
- valores que faltan
La métrica de valores que faltan se calcula para todas las familias de características al crear los siguientes recursos de IA de AML: configuración del motor, modelo, resultados de pruebas retrospectivas y resultados de predicciones.
Esta métrica muestra la proporción de valores que faltan en todas las características de una familia de características. Un cambio significativo en la falta de datos de cualquier familia de características entre la optimización, el entrenamiento, la evaluación y la predicción puede indicar una incoherencia en los conjuntos de datos utilizados.
- model
Un recurso de modelo de IA de AML (también conocido como "modelo") representa un modelo entrenado que se puede usar para generar puntuaciones de riesgo y explicaciones.
- entidad mutable
La IA de AML debe poder recrear vistas de los datos en diferentes momentos para realizar ajustes, entrenamientos y pruebas retrospectivas. Para ello, la IA de 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. Sin embargo, una entidad inmutable podría ser un evento, como retirar 50 € el 2 de julio del 2024 a las 12:00:00 de tu cuenta corriente, que no cambia porque fue una instantánea en un momento concreto.
En el modelo de datos de entrada de la lucha contra el blanqueo de dinero, las tablas que representan entidades mutables tienen los campos
validity_start_timeyis_entity_deleted. Esto incluye las tablas Party, AccountPartyLink, Transaction y PartySupplementaryData.Para obtener más información, consulta Cómo cambian los datos a lo largo del tiempo.
Consulta también entidad inmutable.
O
- observed-recall
La IA de la lucha contra el blanqueo de dinero mide el rendimiento del modelo en el historial de datos mediante la métrica de recuerdo observado.
Esta métrica muestra la proporción de partes etiquetadas como positivas (por ejemplo, salidas de clientes) de un periodo seleccionado que se habrían identificado como de alto riesgo durante un periodo de actividad sospechosa por el modelo que se está evaluando.
P
- fiesta
En el modelo de datos de entrada de la lucha contra el blanqueo de dinero, una parte representa a un cliente del banco. Una parte puede ser una persona física o una entidad jurídica.
Para obtener más información, consulta la tabla Party.
Consulta también tercero registrado.
- predicción
La predicción usa un modelo para generar puntuaciones de riesgo y explicaciones que se pueden usar en tu proceso de investigación contra el blanqueo de capitales.
- resultados de la predicción
Un recurso PredictionResult de AML AI (también conocido como "resultados de predicción") es el resultado de usar un modelo para crear predicciones.
Para obtener más información sobre cómo generar puntuaciones de riesgo y explicaciones, así como sobre cómo usarlas en tu proceso de investigación, consulta las páginas de la sección Generar puntuaciones de riesgo y explicaciones.
R
- parte registrada
- Para que se pueda usar un participante para crear resultados de predicción (por ejemplo, puntuaciones de riesgo y explicaciones a nivel de participante), el participante debe registrarse en la línea de negocio correspondiente.
- caso de riesgo
Un caso de riesgo abarca un proceso de investigación o un grupo de procesos de investigación relacionados para diferentes partes.
Consulta la tabla RiskCaseEvent.
- datos de investigación de riesgos
La IA de lucha contra el blanqueo de capitales usa los datos de investigación de riesgos para comprender el proceso y los resultados de la investigación de riesgos, así como para generar etiquetas de entrenamiento.
- Puntuación de riesgo
Los modelos de IA de lucha contra el blanqueo de dinero se usan para identificar a las partes que muestran comportamientos o características con un alto riesgo de blanqueo de dinero. Esto se hace mediante una puntuación de riesgo.
Las puntuaciones de riesgo varían entre 0 y 1. Una puntuación más alta indica un mayor riesgo. Sin embargo, las puntuaciones de riesgo no deben interpretarse directamente como una probabilidad de actividad de blanqueo de capitales.
Para obtener más información, consulta Interpretar los resultados de las predicciones.
- tipología de riesgos
AML AI puede identificar el riesgo de blanqueo de dinero en cinco tipologías de riesgo de blanqueo de dinero principales relacionadas con la monitorización de transacciones.
Si se investiga lo suficiente y se proporcionan datos de terceros complementarios (consulta las tablas de datos complementarios), AML AI puede cubrir más tipologías.
S
- datos complementarios
Los datos complementarios son datos adicionales que van más allá de los que se incluyen en las áreas de datos bancarios principales y datos de investigación de riesgos del esquema de AML AI, que son relevantes para predecir el riesgo de blanqueo de capitales.
Por ejemplo, puede identificar y añadir un indicador de riesgo que ayude a los modelos a predecir mejor una tipología de riesgo que, de otro modo, no se cubriría bien.
Se pueden añadir datos complementarios a un conjunto de datos mediante la tabla PartySupplementaryData.
- Periodo de actividad sospechosa
Un periodo de actividad sospechosa es un periodo de tiempo en el que crees que una parte investigada ha mostrado un comportamiento sospechoso. Se usa en la evaluación de modelos (por ejemplo, la métrica de recuperación de los resultados de las pruebas retrospectivas) para confirmar que se identifica a los clientes de alto riesgo durante los meses en los que han tenido actividad sospechosa.
Para obtener más información, consulta el artículo Ciclo de vida de un caso de riesgo.
B
- formación
- AML AI realiza el entrenamiento como parte de la creación de un modelo mediante hiperparámetros (consulta la optimización) de una configuración de motor especificada.
- ajuste
- El ajuste es la optimización de los hiperparámetros del modelo. AML AI hace ajustes al crear una configuración de buscador.
V
- Hora de inicio de la validez
La hora de inicio de validez de una entidad mutable se usa por la IA de AML para crear una vista de lo que conocía el banco en un momento dado. De esta forma, la IA de lucha contra el blanqueo de capitales puede entrenar con precisión modelos que se pueden reutilizar con los datos más recientes (es decir, los que conoce el banco) para generar puntuaciones de riesgo de alta fidelidad.
La hora de inicio de la validez de una fila determinada representa la hora más temprana en la que el banco conocía los datos de esa fila y eran correctos.
Para obtener más información, consulta Cómo cambian los datos a lo largo del tiempo.