Glosarium ini mendefinisikan istilah khusus untuk AI AML. Untuk istilah machine learning umum, lihat Glosarium Machine Learning.
A
- ADC
Setiap library klien API menyediakan cara untuk menggunakan kredensial default aplikasi (ADC) lokal
Untuk mengetahui informasi tentang perbedaan antara kredensial ADC lokal dan kredensial gcloud CLI, lihat kredensial gcloud CLI dan kredensial ADC.
B
- pengujian ulang
- Pengujian ulang menggunakan data historis untuk mengevaluasi performa (perolehan yang diamati) model dengan membandingkan skor risiko yang dihasilkan dengan hasil aktual dari penyelidikan historis.
- hasil pengujian ulang
- AML AI BacktestResult resource (juga dikenal sebagai "hasil uji coba") dibuat untuk menguji performa model pada set data.
- Untuk mengetahui informasi selengkapnya, lihat Mengevaluasi model.
C
- data perbankan inti
- Data perbankan inti mencakup data tentang pihak, transaksi, dan kepemilikan rekening. AML AI membantu memahami pelanggan Anda dan aktivitas perbankan mereka untuk mendeteksi karakteristik dan perilaku berisiko.
D
- validasi data
- AML AI melakukan pemeriksaan validasi data saat membuat set data, konfigurasi mesin, model, hasil backtest, atau hasil prediksi. Jika set data yang ditentukan tidak lulus validasi data, resource tidak akan dibuat dan error validasi data akan muncul (menunjukkan sifat masalah).
- Untuk mengetahui informasi selengkapnya, lihat Error validasi data.
- dataset
Resource set data AI AML (atau hanya "set data") digunakan untuk menentukan data, yang sesuai dengan model data input AML, yang dapat digunakan dalam membuat model, mengevaluasi performa model, serta membuat skor risiko dan keterjelasan per pihak.
Untuk mengetahui informasi selengkapnya, lihat Memahami model dan persyaratan data AML.
E
- waktu berakhir
Operasi AI AML (seperti pelatihan model, contoh evaluasi, dan output model) menggunakan set data yang terdiri dari contoh dari data bank yang dikumpulkan selama beberapa bulan. Operasi ini mengharuskan Anda menentukan waktu berakhir, yaitu tanggal dalam rentang waktu set data. Berdasarkan waktu berakhir ini, operasi akan menggunakan bulan kalender penuh terakhir sebelum waktu berakhir sebagai bulan terakhir data yang digunakan dalam operasi.
Waktu berakhir dan semua bulan yang digunakan untuk operasi harus berada dalam rentang tanggal set data terkait.
Misalnya, operasi pelatihan model menggunakan 15 periode dengan jendela lihat kembali maksimum 13 bulan. Set data memiliki rentang tanggal dari 15 Oktober 2020 hingga 21 Mei 2023. Waktu berakhir pelatihan adalah 12 April 2023. Pelatihan ini menggunakan contoh dari 1 Januari 2021 hingga 31 Maret 2023, yaitu 27 bulan kalender penuh sebelum waktu berakhir. Periode waktu ini berada dalam rentang tanggal set data.
- konfigurasi mesin
Resource EngineConfig AML AI (juga dikenal sebagai "konfigurasi mesin") menentukan parameter dalam menghasilkan dan mengevaluasi model AML AI serta dalam menghasilkan skor risiko dan kemampuan penjelasan.
Beberapa parameter ini ditentukan dalam panggilan API untuk membuat konfigurasi mesin telusur, seperti versi mesin telusur dan perkiraan volume penyelidikan. Parameter lainnya dibuat secara otomatis oleh AI AML menggunakan set data yang ditentukan, misalnya, hyperparameter yang disesuaikan.
Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi mesin.
- versi mesin
Resource EngineVersion AML AI (juga dikenal sebagai "versi mesin") menentukan aspek cara AML AI mendeteksi risiko, yang mencakup penyesuaian, pelatihan, dan evaluasi model, serta model data AML dan kelompok fitur secara keseluruhan.
Mengonfigurasi mesin AI AML memerlukan Anda untuk menentukan versi mesin yang akan digunakan. Versi mesin kemudian digunakan untuk melatih dan mengevaluasi model dengan konfigurasi mesin tersebut serta untuk menghasilkan skor risiko dan kemampuan penjelasan.
Penamaan versi mesin disusun sebagai berikut, dengan jenis mesin mengekspresikan lini bisnis yang didukung, dan subjenis mesin, penyesuaian, versi utama, dan versi minor yang diupdate saat perilaku baru diterapkan.
Contoh versi mencakup:
aml-retail.default.v004.008.202411-001aml-commercial.default.v004.008.202411-001
Untuk mengetahui informasi selengkapnya tentang mengelola versi mesin, lihat Mengelola versi mesin.
- evaluasi
Lihat juga pengujian ulang.
- keterjelasan
Model AI AML digunakan untuk mengidentifikasi pihak yang menunjukkan perilaku atau karakteristik dengan risiko tinggi pencucian uang. Kemampuan untuk dijelaskan menunjukkan perilaku atau karakteristik mana yang paling berkontribusi pada skor risiko tinggi untuk pihak tertentu.
Untuk mengetahui informasi selengkapnya, lihat Memahami output prediksi.
Lihat juga prediksi.
- metadata ekspor
Beberapa resource AI AML menyimpan informasi tambahan terkait performa dan kualitas data yang dapat diakses menggunakan operasi metadata ekspor.
Untuk mengetahui informasi selengkapnya, lihat Model data output AML.
F
- keluarga fitur
- Grup fitur adalah kumpulan fitur ML terkait, yang memberikan kategorisasi yang mudah dipahami manusia untuk memberi tahu penyelidik dan tim audit internal.
I
- entitas tetap
AI AML harus dapat membuat ulang tampilan data pada waktu yang berbeda untuk penyesuaian, pelatihan, dan pengujian ulang. Untuk mencapai hal ini, AI AML membedakan antara entity yang dapat berubah (yang dapat mengubah nilai dari waktu ke waktu) dan entity yang tidak dapat berubah (yang tidak berubah).
Misalnya, entitas yang dapat diubah adalah saldo rekening giro Anda, yang dapat berubah dari waktu ke waktu; tetapi entitas yang tidak dapat diubah adalah peristiwa, seperti penarikan dana sebesar Rp500.000 pada 2 Juli 2024 pukul 12.00.00 dari rekening giro Anda, yang tidak berubah karena merupakan snapshot pada waktu tertentu.
Dalam model data input AML, tabel yang menampilkan entity yang tidak dapat diubah tidak memiliki kolom
validity_start_timedanis_entity_deleted. Hal ini mencakup tabel RiskCaseEvent.Untuk mengetahui informasi selengkapnya, lihat Memahami cara data berubah dari waktu ke waktu.
Lihat juga entitas yang dapat berubah.
- instance
Resource instance AML AI (juga dikenal sebagai "instance") berada di root semua resource AML AI lainnya dan harus dibuat sebelum Anda dapat menggunakan resource AML AI lainnya. Beberapa instance dapat dibuat di region yang sama dalam project.
Untuk mengetahui informasi selengkapnya, lihat Membuat instance AI AML.
- proses penyelidikan
Proses investigasi mencakup seluruh investigasi atau urutan investigasi yang dipicu oleh pemberitahuan. Proses dimulai saat bagian pertama penyelidikan dimulai dan berakhir saat tidak ada hasil lebih lanjut yang diharapkan dari penyelidikan ini.
Untuk mengetahui informasi selengkapnya, lihat Siklus proses kasus risiko.
L
- LOB
- Lini bisnis (LOB) membedakan pelanggan perbankan retail dan komersial di AI AML. Set data, versi mesin, dan pendaftaran pihak terkait ditautkan ke lini bisnis, retail, atau komersial tertentu.
- periode lihat balik
Untuk setiap periode yang digunakan oleh operasi penyesuaian, pelatihan, prediksi, atau pengujian ulang, AI AML mewajibkan set data mencakup periode lihat ke belakang untuk memungkinkan pembuatan fitur yang melacak perilaku dari waktu ke waktu. Periode lihat kembali ini bergantung pada versi mesin telusur.
Untuk mengetahui informasi selengkapnya, lihat Memahami cakupan dan durasi data.
- LRO
Beberapa operasi AML AI, termasuk konfigurasi mesin, pelatihan, pengujian ulang, dan prediksi, memulai operasi yang berjalan lama (LRO).
Untuk mengetahui informasi selengkapnya, lihat Mengelola operasi yang berjalan lama.
M
- missingness
Metrik ketidaktersediaan dihitung untuk semua kelompok fitur saat membuat resource AML AI berikut: konfigurasi mesin, model, hasil uji coba belakang, dan hasil prediksi.
Metrik ini menunjukkan proporsi nilai yang hilang di semua fitur dalam grup fitur. Perubahan signifikan dalam Kekurangan untuk setiap kelompok fitur antara penyesuaian, pelatihan, evaluasi, dan prediksi dapat menunjukkan inkonsistensi dalam set data yang digunakan.
- model
Resource Model AML AI (juga dikenal sebagai "model") merepresentasikan model terlatih yang dapat digunakan untuk membuat skor risiko dan kemampuan penjelasan.
- entitas yang dapat diubah
AI AML harus dapat membuat ulang tampilan data pada waktu yang berbeda untuk penyesuaian, pelatihan, dan pengujian ulang. Untuk mencapai hal ini, AI AML membedakan antara entitas yang dapat berubah (yang dapat mengubah nilai dari waktu ke waktu) dan entitas yang tidak dapat berubah (yang tidak berubah).
Misalnya, entitas yang dapat diubah adalah saldo rekening giro Anda, yang dapat berubah dari waktu ke waktu; tetapi entitas yang tidak dapat diubah adalah peristiwa, seperti penarikan dana sebesar Rp500.000 pada 2 Juli 2024 pukul 12.00.00 dari rekening giro Anda, yang tidak berubah karena merupakan snapshot pada waktu tertentu.
Dalam model data input AML, tabel yang merepresentasikan entity yang dapat berubah memiliki kolom
validity_start_timedanis_entity_deleted. Hal ini mencakup tabel Party, AccountPartyLink, Transaction, dan PartySupplementaryData.Untuk mengetahui informasi selengkapnya, lihat Memahami cara data berubah dari waktu ke waktu.
Lihat juga entitas yang tidak dapat diubah.
O
- pengingatan yang diamati (observed-recall)
AI AML mengukur performa model pada data historis menggunakan metrik Perolehan yang Diamati.
Metrik ini menunjukkan proporsi pihak yang diberi label positif (misalnya, pelanggan keluar) dari periode yang dipilih yang akan diidentifikasi selama periode aktivitas mencurigakan sebagai berisiko tinggi oleh model yang sedang dievaluasi.
P
- partai
Dalam model data input AML, pihak mewakili pelanggan bank. Pihak dapat berupa perorangan atau entitas hukum.
Untuk mengetahui informasi selengkapnya, lihat tabel Party.
Lihat juga partai terdaftar.
- prediksi
Prediksi menggunakan model untuk menghasilkan skor risiko dan penjelasan yang dapat digunakan dalam proses investigasi AML Anda.
- hasil prediksi
Resource PredictionResult AML AI (juga dikenal sebagai "hasil prediksi") adalah hasil penggunaan model untuk membuat prediksi.
Untuk mengetahui detail selengkapnya tentang cara membuat skor risiko dan kemampuan penjelasan, serta cara menggunakannya dalam proses penyelidikan Anda, lihat halaman di bagian Membuat skor risiko dan kemampuan penjelasan.
R
- pihak terdaftar
- Sebelum pihak dapat digunakan untuk membuat hasil prediksi (misalnya, skor risiko tingkat pihak dan kemampuan penjelasan), pihak tersebut harus terdaftar untuk lini bisnis yang sesuai.
- kasus risiko
Kasus risiko mencakup proses penyelidikan atau sekelompok proses penyelidikan terkait untuk pihak yang berbeda.
Lihat tabel RiskCaseEvent.
- data investigasi risiko
Data investigasi risiko digunakan oleh AI AML untuk memahami proses dan hasil investigasi risiko Anda serta membuat label pelatihan.
- skor risiko
Model AI AML digunakan untuk mengidentifikasi pihak yang menunjukkan perilaku atau karakteristik dengan risiko tinggi pencucian uang. Hal ini dilakukan melalui skor risiko.
Skor risiko bervariasi dari 0 hingga 1. Skor yang lebih tinggi menunjukkan risiko yang lebih tinggi. Namun, skor risiko tidak boleh ditafsirkan secara langsung sebagai probabilitas aktivitas pencucian uang.
Untuk mengetahui informasi selengkapnya, lihat Memahami output prediksi.
- tipologi risiko
AML AI dapat mengidentifikasi risiko pencucian uang di lima tipologi risiko AML inti yang terkait dengan pemantauan transaksi.
Dengan penyelidikan yang memadai dan data pihak ketiga tambahan (lihat tabel Data tambahan), AML AI dapat mencakup lebih banyak tipologi.
S
- data tambahan
Data tambahan adalah data tambahan, di luar yang ada di area data perbankan inti dan data penyelidikan risiko skema AML AI, yang relevan untuk memprediksi risiko pencucian uang.
Misalnya, Anda dapat mengidentifikasi dan menambahkan indikator risiko yang membantu model memprediksi dengan lebih baik tipologi risiko yang tidak tercakup dengan baik.
Data tambahan dapat ditambahkan ke set data menggunakan tabel PartySupplementaryData.
- periode aktivitas mencurigakan
Periode aktivitas mencurigakan adalah jangka waktu saat Anda yakin bahwa pihak yang diselidiki menunjukkan perilaku mencurigakan. Nilai ini digunakan dalam evaluasi model (misalnya, metrik perolehan untuk hasil uji coba) untuk mengonfirmasi bahwa pelanggan berisiko tinggi diidentifikasi selama bulan ketika mereka melakukan aktivitas mencurigakan. Periode aktivitas mencurigakan membantu model mengidentifikasi risiko pada waktu yang tepat, misalnya, selama atau segera setelah periode saat aktivitas mencurigakan terjadi. Periode aktivitas mencurigakan digunakan dalam validasi untuk penyesuaian dan pelatihan, serta untuk metrik perolehan dalam pengujian ulang.
Untuk mengetahui informasi selengkapnya, lihat Siklus proses kasus risiko.
T
- pelatihan
- AML AI melakukan pelatihan sebagai bagian dari pembuatan model menggunakan hyperparameter (lihat penyesuaian) dari konfigurasi mesin yang ditentukan.
- penyesuaian
- Penyesuaian adalah pengoptimalan hyperparameter model. AML AI melakukan penyesuaian sebagai bagian dari pembuatan konfigurasi mesin.
V
- waktu mulai validitas
Waktu mulai validitas untuk entitas yang dapat diubah digunakan oleh AML AI untuk membuat tampilan tentang apa yang diketahui oleh bank pada waktu tertentu. Hal ini memungkinkan AI AML melatih model secara akurat yang dapat digunakan kembali pada data terbaru (yaitu, data yang diketahui oleh bank) untuk menghasilkan skor risiko dengan fidelitas tinggi.
Waktu mulai validitas untuk baris tertentu menunjukkan waktu paling awal saat data dalam baris ini diketahui oleh bank dan benar.
Untuk mengetahui informasi selengkapnya, lihat Memahami cara data berubah dari waktu ke waktu.