En este glosario, se definen términos específicos de la IA de la AML. Para conocer los términos generales del aprendizaje automático, consulta el Glosario de aprendizaje automático.
A
- ADC
Cada una de las bibliotecas cliente de la API proporciona un medio para usar las credenciales predeterminadas de la aplicación (ADC) locales.
Si deseas obtener información sobre la diferencia entre tus credenciales de ADC locales y tus credenciales de gcloud CLI, consulta Credenciales de la CLI de gcloud y credenciales de ADC.
B
- backtesting
- Las pruebas retrospectivas utilizan datos históricos para evaluar el rendimiento (recuperación observada) de un modelo comparando la puntuación de riesgo que genera con los resultados reales de las investigaciones históricas.
- Resultados de la prueba
- Se crea un recurso BacktestResult de la IA de AML (también conocido como "resultados de la prueba retrospectiva") para probar el rendimiento de un modelo en un conjunto de datos.
- Para obtener más información, consulta Cómo evaluar un modelo.
C
- datos bancarios centrales
- Los datos bancarios centrales incluyen datos sobre las partes, las transacciones y las cuentas. Ayuda a la IA de la AML a comprender a tus clientes y su actividad bancaria para detectar características y comportamientos riesgosos.
D
- validación de datos
- La IA de AML realiza verificaciones de validación de datos cuando se crea un conjunto de datos, una configuración del motor, un modelo, resultados de pruebas retrospectivas o resultados de predicciones. Si el conjunto de datos especificado no pasa la validación de datos, no se crea el recurso y se producen errores de validación de datos (que indican la naturaleza del problema).
- Para obtener más información, consulta Errores de validación de datos.
- dataset
Un recurso Dataset de IA para el lavado de dinero (o simplemente "conjunto de datos") se usa para especificar datos que se ajustan al modelo de datos de entrada para el lavado de dinero, que se puede usar para generar un modelo, evaluar el rendimiento de un modelo y generar puntuaciones de riesgo y explicabilidad por parte.
Para obtener más información, consulta Información sobre el modelo de datos y los requisitos de la AML.
E
- Hora de finalización
Las operaciones de IA de AML (como el entrenamiento de modelos, los ejemplos de evaluación y los resultados del modelo) usan conjuntos de datos compuestos por ejemplos de los datos del banco recopilados durante un período de meses. Estas operaciones requieren que especifiques una hora de finalización, que es una fecha dentro del período del conjunto de datos. Según esta fecha y hora de finalización, la operación usará el último mes calendario completo anterior a la fecha y hora de finalización como el mes final de datos que se usará en la operación.
La hora de finalización y todos los meses utilizados para una operación deben estar dentro del rango de fechas del conjunto de datos asociado.
Por ejemplo, una operación de entrenamiento de modelos usa 15 períodos con una ventana de observación máxima de 13 meses. El conjunto de datos abarca el período del 15 de octubre de 2020 al 21 de mayo de 2023. La fecha y hora de finalización del entrenamiento son el 12 de abril de 2023. El entrenamiento usa ejemplos del 1 de enero de 2021 al 31 de marzo de 2023, lo que equivale a 27 meses calendario completos anteriores a la fecha y hora de finalización. Este período se encuentra dentro del rango de fechas del conjunto de datos.
- engine config
Un recurso EngineConfig de IA de AML (también conocido como "configuración del motor") especifica parámetros para generar y evaluar un modelo de IA de AML, y para generar puntuaciones de riesgo y explicabilidad.
Algunos de estos parámetros se especifican en la llamada a la API para crear un objeto de configuración del motor, como la versión del motor y el volumen de investigación esperado. Otros parámetros son generados automáticamente por la IA de AML con un conjunto de datos especificado, por ejemplo, hiperparámetros ajustados.
Para obtener más información, consulta Cómo configurar un motor.
- versión del motor
Un recurso EngineVersion de la IA de la AML (también conocido como "versión del motor") define aspectos de cómo la IA de la AML detecta el riesgo, lo que abarca el ajuste, el entrenamiento y la evaluación del modelo, así como el modelo de datos general de la AML y las familias de atributos.
Configurar un motor de IA de AML requiere que especifiques una versión del motor para usar. Luego, la versión del motor se usa para entrenar y evaluar modelos con esa configuración del motor, y para generar puntuaciones de riesgo y explicabilidad.
La nomenclatura de las versiones del motor se estructura de la siguiente manera, con el tipo de motor que expresa la línea de negocio admitida, y el subtipo de motor, la optimización, la versión principal y la versión secundaria que 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 administrar versiones del motor, consulta Administra versiones del motor.
- evaluación
Consulta también backtesting.
- Explicabilidad
Los modelos de IA para AML se usan para identificar a las partes que exhiben comportamientos o características con alto riesgo de lavado de dinero. La explicabilidad indica qué comportamientos o características contribuyeron más a una puntuación de riesgo alta para una parte determinada.
Para obtener más información, consulta Cómo comprender los resultados de la predicción.
Consulta también la definición de predicción.
- export metadata
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 con la operación de exportación de metadatos.
Para obtener más información, consulta Modelo de datos de salida de AML.
F
- familia de funciones
- Las familias de atributos son colecciones de atributos de AA relacionados que proporcionan 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 el ajuste, el entrenamiento y las pruebas retrospectivas. Para lograrlo, la IA de AML diferencia entre las entidades mutables (que pueden cambiar sus valores con el tiempo) y las entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, que puede cambiar con el tiempo, pero una entidad inmutable podría ser un evento, como retirar USD 50 el 2 de julio de 2024 a las 12:00:00 de tu cuenta corriente, que no cambia porque fue una instantánea en el tiempo.
En el modelo de datos de entrada de la AML, 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 comprender los cambios en los datos a lo largo del tiempo.
Consulta también entidad mutable.
- instancia
Un recurso de instancia de IA de AML (también conocido como "instancia") se encuentra en la raíz de todos los demás recursos de IA de AML y se debe crear antes de que puedas trabajar con otros recursos de IA de AML. Se pueden crear varias instancias en la misma región dentro de un proyecto.
Para obtener más información, consulta Crea una instancia de IA de AML.
- proceso de investigación
Un proceso de investigación abarca toda la investigación o secuencia de investigaciones que se activan a partir de una alerta. El proceso comienza cuando se inicia la primera parte de una investigación y finaliza cuando no se esperan más resultados de esta investigación.
Para obtener más información, consulta 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 la LBC. Los conjuntos de datos, las versiones del motor y el registro de terceros se vinculan a una línea de negocio, un comercio minorista o un comercio específicos.
- ventana de visualización
Para cada período que se usa en una operación de ajuste, entrenamiento, predicción o prueba retrospectiva, la IA de AML requiere que los conjuntos de datos abarquen un período de observación para permitir la generación de atributos que realicen un seguimiento del comportamiento a lo largo del tiempo. Este período depende de la versión del motor.
Para obtener más información, consulta Información sobre el alcance y la duración de los datos.
- LRO
Varias operaciones de IA de AML, incluidas la configuración del motor, el entrenamiento, la prueba retrospectiva y la predicción, inician una operación de larga duración (LRO).
Para obtener más información, consulta Administra operaciones de larga duración.
M
- missingness
La métrica de datos faltantes se calcula para todas las familias de características cuando se crean los siguientes recursos de IA de AML: configuración del motor, modelo, resultados de la prueba retrospectiva y resultados de la predicción.
Esta métrica muestra la proporción de valores faltantes en todas las variables de una familia de variables. Un cambio significativo en la falta de datos para cualquier familia de funciones entre el ajuste, 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 explicabilidad.
- entidad mutable
La IA de AML debe poder recrear vistas de los datos en diferentes momentos para el ajuste, el entrenamiento y las pruebas retrospectivas. Para lograrlo, la IA de AML diferencia entre las entidades mutables (que pueden cambiar sus valores con el tiempo) y las entidades inmutables (que no cambian).
Por ejemplo, una entidad mutable podría ser el saldo de tu cuenta corriente, que puede cambiar con el tiempo, pero una entidad inmutable podría ser un evento, como retirar USD 50 el 2 de julio de 2024 a las 12:00:00 de tu cuenta corriente, que no cambia porque fue una instantánea en el tiempo.
En el modelo de datos de entrada de la AML, 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 comprender los cambios en los datos a lo largo del tiempo.
Consulta también entidad inmutable.
O
- observed-recall
La IA de AML mide el rendimiento del modelo en los datos históricos con la métrica de recuperación observada.
Esta métrica muestra la proporción de entidades etiquetadas como positivas (por ejemplo, salidas de clientes) de un período seleccionado que se habrían identificado durante un período de actividad sospechosa como de alto riesgo por el modelo que se evalúa.
P
- party
En el modelo de datos de entrada para la AML, 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 parte registrada.
- predicción
La predicción usa un modelo para generar puntuaciones de riesgo y explicabilidad que se pueden usar en tu proceso de investigación de LMA.
- resultados de la predicción
Un recurso PredictionResult de IA de AML (también conocido como "resultados de predicción") es el resultado de usar un modelo para crear predicciones.
Para obtener más detalles sobre cómo generar puntuaciones de riesgo y explicabilidad, así como sobre cómo usarlas en tu proceso de investigación, consulta las páginas de la sección Genera puntuaciones de riesgo y explicabilidad.
R
- parte registrada
- Antes de que se pueda usar un partido para crear resultados de predicción (por ejemplo, puntuaciones de riesgo y explicabilidad a nivel del partido), el partido debe estar registrado para 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 la LMA utiliza los datos de investigación de riesgos para comprender el proceso y los resultados de la investigación de riesgos, y para generar etiquetas de entrenamiento.
- puntuación de riesgo
Los modelos de IA de AML se utilizan para identificar a las partes que exhiben comportamientos o características con un alto riesgo de lavado de dinero. Esto se hace a través de una puntuación de riesgo.
Las puntuaciones de riesgo varían de 0 a 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 lavado de dinero.
Para obtener más información, consulta Cómo comprender los resultados de la predicción.
- tipología de riesgo
La IA de AML puede identificar el riesgo de lavado de dinero en cinco tipologías principales de riesgo de AML relacionadas con la supervisión de transacciones.
Con suficiente investigación y datos complementarios de terceros (consulta las tablas de Datos complementarios), la IA contra el lavado de dinero puede abarcar más tipologías.
S
- datos complementarios
Los datos complementarios son datos adicionales, más allá de los que se encuentran en las áreas de datos bancarios centrales y datos de investigación de riesgos del esquema de la IA para la AML, que son relevantes para predecir el riesgo de lavado de dinero.
Por ejemplo, puedes identificar y agregar un indicador de riesgo que ayude a los modelos a predecir mejor una tipología de riesgo que no esté bien cubierta.
Se pueden agregar datos complementarios a un conjunto de datos con la tabla PartySupplementaryData.
- período de actividad sospechosa
Un período de actividad sospechosa es un período en el que crees que la parte investigada mostró un comportamiento sospechoso. Se usa en la evaluación del modelo (por ejemplo, la métrica de recuperación para los resultados de la prueba retrospectiva) para confirmar que los clientes de alto riesgo se identifican durante los meses en los que tuvieron actividad sospechosa. El período de actividad sospechosa ayuda a los modelos a identificar el riesgo en el momento correcto, por ejemplo, durante o poco después del período en el que ocurrió la actividad sospechosa. El período de actividad sospechosa se usa en la validación para el ajuste y el entrenamiento, y también para la métrica de recuperación en las pruebas retrospectivas.
Para obtener más información, consulta Ciclo de vida de un caso de riesgo.
T
- capacitación
- La IA de AML realiza el entrenamiento como parte de la creación de un modelo con hiperparámetros (consulta ajuste) a partir de una configuración del motor especificada.
- Ajuste
- El ajuste es la optimización de los hiperparámetros del modelo. La IA de AML realiza ajustes como parte de la creación de una configuración del motor.
V
- fecha y hora de inicio de la validez
La IA de AML usa la fecha y hora de inicio de validez de una entidad mutable para construir una vista de lo que el banco sabía en un momento determinado. Esto permite que la IA de AML entrene con precisión modelos que se pueden reutilizar en los datos más recientes (es decir, lo 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 conoció los datos de esta fila y eran correctos.
Para obtener más información, consulta Cómo comprender los cambios en los datos a lo largo del tiempo.