了解预测输出

使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

本页介绍了从 AML AI 请求预测结果后生成的预测输出。

如需了解 BigQuery 中预测输出的架构和字段，请参阅预测输出。

风险评分

风险得分介于 0 到 1 之间。得分越高，风险越高，但风险得分不应直接解读为洗钱活动的概率。

系统会针对指定 endTime 前一个完整日历月（如果 predictionPeriods 大于 1，则为 1 个月或更长时间）生成风险得分。系统会按月为每个相关方计算风险信号。

生成的每个预测和说明在完整日历月结束后的午夜都会设为 risk_period_end_time。

例如，如果 predictionPeriods= 12 和 endTime= 2022-01-01T00:00:00Z，则 AML AI 会为 2021 年的每个月生成风险得分和可解释性。risk_period_end_time 值为 2021-02-01T00:00:00Z 的预测表示客户在 2021 年 1 月的预测。

可解释性

AML AI 可解释性功能可指明哪些行为或特征（使用特征族）会影响给定方的风险评分。可解释性涵盖风险最高的各方，包括您要调查的所有方。对于风险较低的客户，可能不会提供可解释性。

地图项族

特征族是一系列相关的反洗钱 AI 特征，提供人类可理解的分类，以便向调查人员和内部审核团队提供信息。

每个特征族涵盖一组特定的交易行为或方特征。此外，某些特征族具有特定的重点，可让调查人员知道从何处着手。焦点的示例包括：

• 涉及的交易类型：
  • 电汇
  • 现金
  • 检查
  • 卡片
  • 其他
• 交易方向：
  • 借记（对方为出款方）
  • 贷记（对方收到的款项）

特征族归因值

系统会为每个高风险方和每个特征族分配一个归因得分，表示相应特征族对相应方的风险得分的影响。正值越高，表示对提高风险评分有较大贡献。同样，负值表示会降低得分。

正归因值最高的特征族可能与对相关方的调查最相关。

请考虑以下针对特定方提供的归因值示例：

地图项系列	归因值
异常的银行卡扣款活动	0.4
异常快速的资金流动	0.8
异常的银行电汇扣款活动	-0.2

此示例可解读为：

• 该组织快速转移资金是其高风险评分的最大贡献因素。我们可能会从那里着手调查。
• 异常的银行卡扣款活动也起到了重要作用，因此也应考虑在内。
• 该方的电汇扣款活动实际上降低了风险评分，因此不太可能需要进行检查。