本頁面說明從 AML AI 要求預測結果時，所產生的預測輸出內容。
如要瞭解 BigQuery 中預測輸出結果的結構定義和欄位，請參閱「預測輸出結果」。
風險分數
風險分數的範圍為 0 到 1，分數越高，風險越高，但風險分數不應直接解讀為洗錢活動的可能性。
系統會針對指定 endTime 前一個完整的曆月 (如果 predictionPeriods 大於 1，則會針對多個月份產生風險分數)。系統會為每個參與方每月計算風險分數。
每個產生的預測和說明，在完整日曆月份結束後的午夜都會顯示 risk_period_end_time。
舉例來說，如果 predictionPeriods= 12 和 endTime= 2022-01-01T00:00:00Z，AML AI 就會為 2021 年每個月建立風險分數和可解釋性。risk_period_end_time 值為 2021-02-01T00:00:00Z 的預測代表客戶在 2021-01 月的預測。
可解釋性
AML AI 可解釋性功能會指出哪些行為或特徵 (使用特徵群組) 會影響特定對象的風險分數。可解釋性涵蓋風險最高的對象，包括您要調查的所有對象。對於風險較低的客戶，可能不會納入可解釋性。
功能系列
功能群組是相關反洗錢 AI 功能的集合，可提供人類可理解的分類方式，供調查人員和內部稽核團隊參考。
每個功能系列都涵蓋一組特定的交易行為或參與者特徵。此外，某些功能群組有特定重點，方便調查人員知道從何處著手。焦點的範例包括：
- 涉及的交易類型：
- 電匯
- 現金
- 檢查
- 卡片
- 其他
- 交易方向：
- 簽帳金融卡 (發話方)
- 信用 (對方收到的款項)
特徵家族歸因值
每個高風險參與者和每個特徵家族都會獲得歸因分數，表示特徵家族對參與者風險分數的貢獻。正值越高，表示越能提高風險分數。同樣地，負值表示有助於降低分數。
具有最高正歸因值的特徵組合，可能與對方調查最相關。
請參考下列特定一方的歸因值範例：
| 特徵群組 | 歸因值 |
|---|---|
| 卡片扣款活動異常 | 0.4 |
| 資金異常快速移動 | 0.8 |
| 異常的電匯扣款活動 | -0.2 |
這個範例的解讀方式如下：
- 該方快速移動資金，是導致高風險分數的最大原因。調查可能會從這裡開始。
- 異常的簽帳金融卡活動也對此有重大影響，因此也應納入考量。
- 該方透過電匯扣款的活動實際上降低了風險分數，因此不太可能需要檢查。