Este glossário define termos específicos para a IA de AML. Para informações gerais os termos de machine learning, consulte Glossário de machine learning.
A
- ADC
Cada uma das bibliotecas de cliente da API oferece uma maneira de usar as credenciais padrão do aplicativo (ADC, na sigla em inglês) locais.
Para obter informações sobre a diferença entre suas credenciais do ADC local e as credenciais da CLI gcloud, consulte Credenciais da CLI gcloud e credenciais do ADC
B
- backtesting (link em inglês)
- O backtesting usa dados históricos para avaliar a performance (recall observado) de um modelo comparando a pontuação de risco gerada com os resultados reais das investigações históricas.
- resultados de backtest
- Um recurso BacktestResult da IA antilavagem de dinheiro (também conhecido como "resultados de backtest") é criado para testar o desempenho de uma model em um dataset.
- Para mais informações, consulte Avaliar um modelo.
C
- dados bancários principais Os
- dados bancários principais incluem dados sobre partes, transações e detenções de contas. Ela ajuda a IA de AML a entender seus clientes e as atividades bancárias deles para detectar características e comportamentos de risco.
- janela de tempo do núcleo
A janela de tempo do núcleo se refere ao período usado em um modelo de IA antilavagem de dinheiro operacional (configuração do mecanismo, treinamento, backtesting e previsão) gerar treinamento, exemplos de avaliação ou saídas de modelo. Este período precisa ser coberto por todas as tabelas do conjunto de dados.
Diferentes operações de API têm requisitos diferentes para a janela de tempo principal para gerar recursos e rótulos. Para mais informações, consulte Entenda o escopo e a duração dos dados.
Consulte também janela de lookback.
D
- validação de dados
- A IA AML realiza verificações de validação de dados ao criar um conjunto de dados, configuração do mecanismo, modelo, resultados de backtest ou de previsão. Se o o conjunto de dados especificado não passar na validação de dados, o recurso não será criados e erros de validação de dados são gerados (indicando a natureza da o problema).
- Para mais informações, consulte Erros de validação de dados.
- dataset
um recurso de conjunto de dados da IA antilavagem de dinheiro; (ou apenas "conjunto de dados") é usado para especificar dados, de acordo com Modelo de dados de entrada da antilavagem de dinheiro, que pode ser usado na geração de um modelo, avaliar o desempenho de um modelo, gerar pontuações de risco e a explicabilidade por parte.
Para mais informações, consulte Entender o modelo de dados e os requisitos antilavagem de dinheiro.
E
- horário de término
As operações da IA antilavagem de dinheiro que usam um conjunto de dados exigem que você especifique um horário de término. Este campo é usado para controlar quais meses do conjunto de dados são usados para gerar exemplos de treinamento ou avaliação e saídas de modelo.
O horário de término e todos os meses usados para uma operação precisam estar dentro da data do conjunto de dados associado.
Por exemplo, uma operação de treinamento requer uma janela de tempo principal de 15 meses. Se você usa um conjunto de dados com um período de 15 de outubro de 2021 a 21 de maio de 2023 e um horário de término em 12 de abril de 2023, e o treinamento vai usar exemplos da agenda de janeiro de 2022 a março de 2023, que está no período no conjunto de dados.
- configuração do mecanismo
um recurso EngineConfig da IA antilavagem de dinheiro; (também conhecida como "configuração do mecanismo") especifica parâmetros na geração e avaliar um modelo de IA antilavagem de dinheiro e gerar pontuações de risco e explicabilidade.
Alguns desses parâmetros são especificados na chamada de API para criar um mecanismo como a versão do mecanismo e o volume de investigação esperado. Outra opção são gerados automaticamente pela IA antilavagem de dinheiro usando uma no conjunto de dados especificado, por exemplo, hiperparâmetros ajustados.
Para mais informações, consulte Configurar um mecanismo.
- versão do mecanismo
um recurso EngineVersion da IA antilavagem de dinheiro; (também conhecida como "versão do mecanismo") define aspectos de como a IA antilavagem de dinheiro detecta riscos, o que inclui ajuste de modelos, treinamento e avaliação, bem como o modelo de dados AML geral e as famílias de atributos.
Para configurar um mecanismo de IA de AML, é necessário especificar uma versão do mecanismo a ser usada. A versão do mecanismo é usadas para treinar e avaliar modelos com essa configuração do mecanismo e gerar riscos e explicabilidade.
A nomenclatura da versão do mecanismo é estruturada da seguinte maneira, com o tipo do mecanismo expressar a linha de negócios compatível e o subtipo de mecanismo, o ajuste; versão principal e versão secundária atualizada à medida que novos comportamentos são implementados.
Exemplos de versões incluem:
aml-retail.default.v004.000.202312-000aml-commercial.default.v004.000.202312-000
Para mais informações sobre como gerenciar versões do mecanismo, consulte Gerenciar versões do mecanismo.
- avaliação
Consulte também backtesting.
- explicabilidade
Os modelos de IA antilavagem de dinheiro são usados para identificar partes que apresentam comportamentos ou características com alto risco de lavagem de dinheiro. A explicabilidade indica quais comportamentos ou características contribuíram mais para uma pontuação de alto risco para uma determinada parte.
Para mais informações, consulte Entenda os resultados das previsões.
Consulte também previsão.
- exportar metadados
Vários recursos de IA antilavagem de dinheiro armazenam informações adicionais relacionadas o desempenho e a qualidade dos dados, que podem ser acessados usando o operação de metadados.
Para mais informações, consulte o modelo de dados de saída da AML.
F
- família de recursos
- Famílias de atributos são coleções de atributos relacionados de ML, uma categorização simples e compreensível para as pessoas investigadores e equipes de auditoria internas.
I
- entidade imutável
A IA antilavagem de dinheiro precisa ser capaz de recriar visualizações dos dados diferentes momentos para ajuste, treinamento e backtesting. Para alcançar a IA antilavagem de dinheiro diferencia entidades mutáveis (que podem mudar valores ao longo do tempo) e entidades imutáveis (que não mudam).
Por exemplo, uma entidade mutável pode ser o saldo da sua conta corrente, que pode mudar com o tempo. mas uma entidade imutável pode ser um evento, sacar US $50 da sua conta corrente no dia 2 de julho de 2024, às 12h, que não muda porque se trata de um instantâneo no tempo.
no modelo de dados de entrada antilavagem de dinheiro, tabelas que representam entidades imutáveis; não têm os campos
validity_start_timeeis_entity_deleted. Isso inclui a tabela RiskCaseEvent.Para mais informações, consulte Noções básicas sobre como os dados mudam ao longo do tempo.
Consulte também entidade mutável.
- instance
um recurso de instância da IA antilavagem de dinheiro; (também conhecida como "instância") fica na raiz de todas as outras soluções de IA antilavagem de dinheiro recursos e precisam ser criados antes que seja possível trabalhar com outras soluções de IA antilavagem de dinheiro do Google Cloud. É possível criar várias instâncias na mesma região em um projeto.
Para mais informações, consulte Criar uma instância da IA antilavagem de dinheiro.
- processo de investigação
Um processo de investigação abrange toda a investigação ou sequência de de ameaças acionadas por um alerta. O processo começa quando a primeira parte de uma investigação começa e termina quando não são esperados resultados durante a investigação.
Para mais informações, consulte Ciclo de vida de um caso de risco.
L
- LOB
- A linha de negócios (LOB) distingue clientes de bancos comerciais e de varejo na IA de AML. Conjuntos de dados, versões do mecanismo e recursos de registro estiverem vinculadas a uma linha de negócios, varejo comercial.
- janela de lookback
Além da janela de tempo do núcleo, As operações da IA antilavagem de dinheiro exigem que os conjuntos de dados incluam um lookback para permitir a geração de recursos que monitoram o comportamento ao longo do tempo.
Para mais informações, consulte Entenda o escopo e a duração dos dados.
- LRO
Várias operações de IA antilavagem de dinheiro, incluindo configuração de mecanismos, treinamento, backtesting e previsão, inicie uma operação de longa duração. (LRO, na sigla em inglês).
Para mais informações, consulte Gerencie operações de longa duração.
M
- ausente
A métrica de ausência é calculada para todas as famílias de atributos ao criar o seguintes recursos da IA antilavagem de dinheiro: configuração do mecanismo, modelo, backtest e os resultados de previsão.
Essa métrica mostra a parcela de valores ausentes em todos os atributos em uma família de recursos. Mudança significativa na falta de dados para qualquer família de recursos entre ajuste, treinamento, avaliação e previsão podem indicar e inconsistências nos conjuntos de dados usados.
- model
um recurso de modelo da IA antilavagem de dinheiro; (também conhecido como "modelo") representa um modelo treinado que pode ser usado para para gerar pontuações de risco e explicabilidade.
- entidade mutável
A IA antilavagem de dinheiro precisa ser capaz de recriar visualizações dos dados diferentes momentos para ajuste, treinamento e backtesting. Para alcançar a IA antilavagem de dinheiro diferencia entidades mutáveis (que podem (valores alterados ao longo do tempo) e entidades imutáveis (que não mudam).
Por exemplo, uma entidade mutável pode ser o saldo da sua conta corrente, que pode mudar com o tempo. mas uma entidade imutável pode ser um evento, sacar US $50 da sua conta corrente no dia 2 de julho de 2024, às 12h, o que não muda, já que foi um snapshot no tempo.
No modelo de dados de entrada da AML, as tabelas que representam entidades mutáveis têm os campos
validity_start_timeeis_entity_deleted. Isso inclui Party, AccountPartyLink, Transaction e tabelas PartySupplementaryData.Para mais informações, consulte Noções básicas sobre como os dados mudam ao longo do tempo.
Consulte também entidade imutável.
O
- lembrete observado
A IA antilavagem de dinheiro mede o desempenho do modelo em dados históricos usando Métrica de recall observada.
Essa métrica mostra a proporção de partes positivas rotuladas (por exemplo, saídas de clientes) de um período selecionado que teria sido identificado durante um período de atividade suspeita como de alto risco, o modelo que está sendo avaliado.
P
- party
No modelo de dados de entrada antilavagem de dinheiro, uma parte representa um cliente da margem Uma parte pode ser uma pessoa física ou uma pessoa jurídica.
Para mais informações, consulte a tabela Partido.
Consulte também parte registrada.
- previsão
Prediction é usar um modelo para gerar pontuações de risco e explicabilidade que pode ser usada na AML processo de investigação.
- resultados da previsão
Um recurso PredictionResult da IA antilavagem de dinheiro (também conhecidos como "resultados da previsão") é o resultado do uso de um modelo para criar previsões.
Para mais detalhes sobre como gerar e usar pontuações de risco e explicabilidade no seu processo de investigação, consulte as páginas da seção Gerar pontuações de risco e explicabilidade.
R
- parte registrada
- Antes que uma parte possa ser usada para criar resultados de previsão (por exemplo, pontuações de risco e explicabilidade no nível da parte), a parte precisa estar registrada na linha de negócios correspondente.
- caso de risco
Um caso de risco abrange um processo de investigação ou um grupo de pessoas processos de investigação diferentes.
Consulte a tabela RiskCaseEvent.
- dados de investigação de risco
Os dados de investigação de risco são usados pela IA de AML para entender o processo e os resultados da investigação de risco e gerar rótulos de treinamento.
- pontuação de risco
Os modelos de IA antilavagem de dinheiro são usados para identificar partes que apresentam comportamentos ou características com alto risco de lavagem de dinheiro. Pronto com uma pontuação de risco.
As pontuações de risco variam de 0 a 1. Uma pontuação mais alta indica um risco maior. No entanto, pontuações de risco não devem ser interpretadas diretamente como uma probabilidade de dinheiro lavagem de roupas.
Para mais informações, consulte Entenda os resultados das previsões.
- tipologia de risco
A IA antilavagem de dinheiro pode identificar riscos de lavagem de dinheiro cinco principais tipologias de risco antilavagem de dinheiro relacionadas ao monitoramento de transações.
Após investigação suficiente e dados suplementares da parte (consulte a dados complementares), a IA antilavagem de dinheiro pode abranger mais tipologias.
S
- dados complementares
Os dados suplementares são dados adicionais, além do que está contido nas áreas de dados bancários principais e dados de investigação de risco do esquema de IA antilavagem de dinheiro, que é relevante para prever o risco de lavagem de dinheiro.
Por exemplo, é possível identificar e adicionar um indicador de risco que ajude os modelos para prever melhor uma tipologia de risco que não é bem abordada.
É possível adicionar dados suplementares a um conjunto de dados usando a tabela PartySupplementaryData.
- período de atividade suspeita
Um período de atividade suspeita é o período em que você acredita que parte investigada apresentou comportamento suspeito. Isso é usado no modelo (por exemplo, a métrica de recall para resultados de backtest) para confirmar que os clientes de alto risco sejam identificados durante os meses em que tiveram atividades suspeitas.
Para mais informações, consulte Ciclo de vida de um caso de risco.
T
- treinamento
- A IA antilavagem de dinheiro faz o treinamento como parte da criação de um modelo usando hiperparâmetros (consulte ajuste) de uma configuração de mecanismo especificada.
- ajuste
- O ajuste é a otimização dos hiperparâmetros do modelo. IA antilavagem de dinheiro faz o ajuste como parte da criação de uma configuração do mecanismo.
V
- horário de início da validade
O horário de início de validade de uma entidade mutável é usado pela IA de AML para criar uma visualização do que era conhecido pelo banco em um determinado momento. Isso permite que a IA antilavagem de dinheiro treine com precisão modelos que podem ser reutilizados nos dados mais recentes (ou seja, o que é conhecido pelo banco) para produzir pontuações de risco de alta fidelidade.
O horário de início da validade de uma determinada linha representa o primeiro horário em que os dados nesta linha era conhecido pelo banco e correto.
Para mais informações, consulte Noções básicas sobre como os dados mudam ao longo do tempo.