En esta página, se abordan brevemente los conceptos detrás del entrenamiento de modelos. Una IA contra lavado de dinero recurso del modelo representa un modelo entrenado que puede usarse para generar riesgos y explicabilidad.
Cuándo entrenar o volver a entrenar
La IA contra el lavado de dinero entrena un modelo Recurso de modelo. El modelo debe entrenarse antes de que se pueda evaluar (es decir, volver a probar) o usarse para generar resultados de predicción.
Para obtener el mejor rendimiento y mantener los modelos más actualizados, considera reentrenamiento mensual. Sin embargo, una versión de motor determinada admite generar resultados de predicción durante 12 meses lanzamiento de una versión secundaria de motor más reciente.
Cómo entrenar
Para entrenar un modelo (es decir, crear un modelo), consulta Crea y administra modelos.
En particular, debes seleccionar lo siguiente:
Los datos que se usarán para el entrenamiento:
Especifica un conjunto de datos y una hora de finalización dentro del período del conjunto de datos.
La capacitación usa etiquetas y funciones basadas en meses calendario completos, hasta pero sin incluir, el mes de la hora de finalización seleccionada. Para obtener más información, ver Intervalos de tiempo del conjunto de datos.
Una configuración de motor creada con un conjunto de datos coherente:
Consulta Configura un motor.
Resultado de entrenamiento
El entrenamiento genera un Recurso de modelo, que puede usarse para hacer lo siguiente:
- Crear resultados de la prueba retrospectiva, que se usan para evaluar el rendimiento del modelo con verdaderos positivos conocidos actualmente
- Crear resultados de predicción, que se usan una vez que tengas todo listo para comenzar a revisar casos nuevos en busca de posibles casos de lavado de dinero
Los metadatos del modelo contienen la métrica missingness, que se puede usar para evaluar la coherencia del conjunto de datos (por ejemplo, comparando los valores faltantes de las familias de atributos de operaciones diferentes).
| Nombre de la métrica | Descripción de la métrica | Ejemplo de valor de métrica |
|---|---|---|
| Falta |
Porcentaje de valores faltantes en todos los atributos de cada familia de atributos. Idealmente, todas las familias de atributos de IA contra el lavado de dinero deberían tener Falta cercana a 0. Pueden ocurrir excepciones cuando los datos subyacentes a esas familias de atributos no están disponibles para la integración. Un cambio significativo en este valor para cualquier familia de atributos entre la optimización, el entrenamiento, la evaluación y la predicción puede indicar inconsistencias en los conjuntos de datos utilizados. |
{
"featureFamilies": [
{
"featureFamily": "unusual_wire_credit_activity",
"missingnessValue": 0.00,
},
...
...
{
"featureFamily": "party_supplementary_data_id_3",
"missingnessValue": 0.45,
},
],
}
|
| Importancia |
Es una métrica que muestra la importancia de una familia de atributos para el modelo. Los valores más altos indican un uso más significativo de la familia de atributos en el modelo. Una familia de atributos que no se usa en el modelo tiene una importancia cero. Los valores de importancia se pueden usar a la hora de priorizar las acciones en función de los resultados de sesgos para la familia. Por ejemplo, el mismo valor de sesgo para una familia con mayor importancia para el modelo es más urgente de resolver. |
{
"featureFamilies": [
{
"featureFamily": "unusual_wire_credit_activity",
"importanceValue": 459761000000,
},
...
...
{
"featureFamily": "party_supplementary_data_id_3",
"importanceValue": 27492,
},
],
}
|
Los metadatos del modelo no contienen métricas de recuperación de un conjunto de prueba. Para generar de recuperación para un período específico (por ejemplo, el conjunto de prueba), consulta Evalúa un modelo.