Questo glossario definisce i termini specifici dell'AI per l'antiriciclaggio. Per i termini generali di machine learning, consulta il Glossario del machine learning.
A
- ADC
Ciascuna delle librerie client API fornisce un mezzo per utilizzare le credenziali predefinite dell'applicazione (ADC) locali.
Per informazioni sulla differenza tra le credenziali ADC locali e le credenziali gcloud CLI, consulta Credenziali gcloud CLI e credenziali ADC.
B
- backtesting
- Il backtesting utilizza i dati storici per valutare il rendimento (richiamo osservato) di un modello confrontando il punteggio di rischio che genera con i risultati effettivi delle indagini storiche.
- risultati del backtest
- Viene creata una risorsa BacktestResult di AML AI (nota anche come "risultati del backtest") per testare le prestazioni di un modello su un set di dati.
- Per saperne di più, vedi Valutare un modello.
C
- dati bancari principali
- I dati bancari di base includono dati su parti, transazioni e titoli di conto. Aiuta l'AI per l'antiriciclaggio a comprendere i tuoi clienti e la loro attività bancaria per rilevare caratteristiche e comportamenti rischiosi.
D
- convalida dei dati
- L'AI AML esegue controlli di convalida dei dati durante la creazione di un set di dati, di una configurazione del motore, di un modello, di risultati di backtest o di previsioni. Se il set di dati specificato non supera la convalida dei dati, la risorsa non viene creata e vengono generati errori di convalida dei dati (che indicano la natura del problema).
- Per saperne di più, vedi Errori di convalida dei dati.
- dataset
Una risorsa Dataset di AI AML (o semplicemente "dataset") viene utilizzata per specificare i dati, conformi al modello dei dati di input AML, che possono essere utilizzati per generare un modello, valutare le prestazioni di un modello e generare punteggi di rischio e spiegabilità per ogni parte.
Per saperne di più, vedi Comprendere il modello e i requisiti dei dati AML.
E
- ora di fine
Le operazioni di AI AML (come l'addestramento del modello, gli esempi di valutazione e gli output del modello) utilizzano set di dati composti da esempi dei dati della banca raccolti in un arco di mesi. Queste operazioni richiedono di specificare un'ora di fine, ovvero una data compresa nell'intervallo di tempo del set di dati. In base a questo orario di fine, l'operazione utilizzerà l'ultimo mese di calendario completo prima dell'orario di fine come ultimo mese di dati utilizzati nell'operazione.
L'ora di fine e tutti i mesi utilizzati per un'operazione devono rientrare nell'intervallo di date del set di dati associato.
Ad esempio, un'operazione di addestramento del modello utilizza 15 periodi con una finestra di ricerca massima di 13 mesi. Il set di dati ha un intervallo di date compreso tra il 15 ottobre 2020 e il 21 maggio 2023. La data di fine dell'addestramento è il 12 aprile 2023. L'addestramento utilizza esempi dal 1° gennaio 2021 al 31 marzo 2023, ovvero 27 mesi di calendario completi prima dell'ora di fine. Questo periodo di tempo rientra nell'intervallo di date del set di dati.
- engine config
Una risorsa EngineConfig di AML AI (nota anche come "configurazione del motore") specifica i parametri per la generazione e la valutazione di un modello AML AI e per la generazione di punteggi di rischio e spiegabilità.
Alcuni di questi parametri vengono specificati nella chiamata API per creare una configurazione del motore, ad esempio la versione del motore e il volume di indagine previsto. Gli altri parametri vengono generati automaticamente da AML AI utilizzando un set di dati specificato, ad esempio gli iperparametri ottimizzati.
Per saperne di più, consulta Configurare un motore.
- versione del motore
Una risorsa EngineVersion di AML AI (nota anche come "versione del motore") definisce gli aspetti del modo in cui AML AI rileva il rischio, che comprende l'ottimizzazione, l'addestramento e la valutazione del modello, nonché il modello dei dati AML complessivo e le famiglie di funzionalità.
La configurazione di un motore AI AML richiede di specificare una versione del motore da utilizzare. La versione del motore viene quindi utilizzata per addestrare e valutare i modelli con quella configurazione del motore e per generare punteggi di rischio e spiegabilità.
La denominazione delle versioni del motore è strutturata nel seguente modo, con il tipo di motore che esprime la linea di business supportata e il sottotipo di motore, la messa a punto, la versione principale e la versione secondaria aggiornate man mano che vengono implementati nuovi comportamenti.
Ecco alcuni esempi di versioni:
aml-retail.default.v004.008.202411-001aml-commercial.default.v004.008.202411-001
Per saperne di più sulla gestione delle versioni del motore, consulta Gestire le versioni del motore.
- valutazione
Vedi anche backtesting.
- spiegabilità
I modelli AML AI vengono utilizzati per identificare le parti che mostrano comportamenti o caratteristiche con un alto rischio di riciclaggio di denaro. L'interpretabilità indica quali comportamenti o caratteristiche hanno contribuito maggiormente a un punteggio di rischio elevato per una determinata parte.
Per saperne di più, consulta Comprendere gli output di previsione.
Vedi anche previsione.
- export metadata
Diverse risorse di AI per l'antiriciclaggio memorizzano informazioni aggiuntive relative a prestazioni e qualità dei dati, a cui è possibile accedere utilizzando l'operazione di esportazione dei metadati.
Per ulteriori informazioni, consulta Modello dei dati di output AML.
V
- famiglia di funzionalità
- Le famiglie di funzionalità sono raccolte di funzionalità ML correlate, che forniscono una classificazione semplice e comprensibile per informare gli investigatori e i team di audit interni.
I
- entità immutabile
L'AI per l'antiriciclaggio deve essere in grado di ricreare le visualizzazioni dei dati in momenti diversi per l'ottimizzazione, l'addestramento e il backtesting. Per raggiungere questo obiettivo, l'AI AML distingue tra entità modificabili (che possono cambiare valore nel tempo) ed entità immutabili (che non cambiano).
Ad esempio, un'entità modificabile potrebbe essere il saldo del tuo conto corrente, che può cambiare nel tempo; ma un'entità immutabile potrebbe essere un evento, come il prelievo di 50 € il 2 luglio 2024 alle ore 12:00:00 dal tuo conto corrente, che non cambia perché è uno snapshot nel tempo.
Nel modello dei dati di input AML, le tabelle che rappresentano entità immutabili non hanno i campi
validity_start_timeeis_entity_deleted. Ciò include la tabella RiskCaseEvent.Per ulteriori informazioni, vedi Informazioni su come cambiano i dati nel tempo.
Vedi anche entità modificabile.
- istanza
Una risorsa istanza di AML AI (nota anche come "istanza") si trova alla radice di tutte le altre risorse AML AI e deve essere creata prima di poter lavorare con altre risorse AML AI. È possibile creare più istanze nella stessa regione all'interno di un progetto.
Per saperne di più, consulta Crea un'istanza AML AI.
- procedura di indagine
Una procedura di indagine copre l'intera indagine o sequenza di indagini attivate da un avviso. La procedura inizia quando viene avviata la prima parte di un'indagine e termina quando non sono previsti ulteriori risultati da questa indagine.
Per maggiori informazioni, consulta Ciclo di vita di una richiesta di rischio.
L
- LOB
- La linea di business (LOB) distingue i clienti di servizi bancari retail e commerciali nell'AI per l'antiriciclaggio. I set di dati, le versioni del motore e la registrazione di terze parti sono collegati a una linea di business, un'attività di vendita al dettaglio o un'attività commerciale specifica.
- finestra temporale
Per ogni periodo utilizzato da un'operazione di ottimizzazione, addestramento, previsione o backtest, AML AI richiede che i set di dati coprano una finestra di osservazione per consentire la generazione di funzionalità che monitorano il comportamento nel tempo. Questa finestra di analisi dipende dalla versione del motore.
Per saperne di più, vedi Comprendere l'ambito e la durata dei dati.
- LRO
Diverse operazioni di AML AI, tra cui configurazione del motore, addestramento, backtest e previsione, avviano un'operazione a lunga esecuzione (LRO).
Per saperne di più, consulta Gestire le operazioni a lunga esecuzione.
M
- missingness
La metrica dei valori mancanti viene calcolata per tutte le famiglie di funzionalità durante la creazione delle seguenti risorse AML AI: configurazione del motore, modello, risultati del backtest e risultati della previsione.
Questa metrica mostra la quota di valori mancanti in tutte le funzionalità di una famiglia di funzionalità. Una variazione significativa della percentuale di valori mancanti per qualsiasi famiglia di funzionalità tra ottimizzazione, addestramento, valutazione e previsione può indicare incoerenza nei set di dati utilizzati.
- model
Una risorsa modello di AI per l'antiriciclaggio (nota anche come "modello") rappresenta un modello addestrato che può essere utilizzato per generare punteggi di rischio e spiegabilità.
- entità modificabile
L'AI per l'antiriciclaggio deve essere in grado di ricreare le visualizzazioni dei dati in momenti diversi per l'ottimizzazione, l'addestramento e il backtesting. Per raggiungere questo obiettivo, l'AI per l'antiriciclaggio distingue tra entità modificabili (che possono cambiare valore nel tempo) ed entità immutabili (che non cambiano).
Ad esempio, un'entità modificabile potrebbe essere il saldo del tuo conto corrente, che può cambiare nel tempo, mentre un'entità immutabile potrebbe essere un evento, come il prelievo di 50 € il 2 luglio 2024 alle ore 12:00:00 dal tuo conto corrente, che non cambia perché è uno snapshot nel tempo.
Nel modello dei dati di input AML, le tabelle che rappresentano entità modificabili hanno i campi
validity_start_timeeis_entity_deleted. Sono incluse le tabelle Party, AccountPartyLink, Transaction e PartySupplementaryData.Per saperne di più, vedi Informazioni su come cambiano i dati nel tempo.
Vedi anche entità immutabile.
O
- observed-recall
L'AI AML misura il rendimento del modello sui dati storici utilizzando la metrica Observed Recall.
Questa metrica mostra la proporzione di parti etichettate positivamente (ad esempio, uscite dei clienti) di un periodo selezionato che sarebbero state identificate durante un periodo di attività sospetta come ad alto rischio dal modello in fase di valutazione.
P
- festa
Nel modello dei dati di input AML, una parte rappresenta un cliente della banca. Una parte può essere una persona fisica o una persona giuridica.
Per ulteriori informazioni, consulta la tabella Party.
Vedi anche parte registrata.
- prediction
La previsione utilizza un modello per generare punteggi di rischio e spiegabilità, che possono essere utilizzati nella procedura di indagine AML.
- risultati della previsione
Una risorsa PredictionResult di AI AML (nota anche come "risultati della previsione") è il risultato dell'utilizzo di un modello per creare previsioni.
Per maggiori dettagli su come generare i punteggi di rischio e la spiegabilità, nonché su come utilizzarli nella procedura di indagine, consulta le pagine della sezione Generare punteggi di rischio e spiegabilità.
R
- parte registrata
- Prima che una parte possa essere utilizzata per creare risultati di previsione (ad esempio, punteggi di rischio e spiegabilità a livello di parte), la parte deve essere registrata per la linea di business corrispondente.
- caso di rischio
Un caso di rischio copre una procedura di indagine o un gruppo di procedure di indagine correlate per diverse parti.
Consulta la tabella RiskCaseEvent.
- dati di indagine sui rischi
I dati delle indagini sui rischi vengono utilizzati dall'AI antiriciclaggio per comprendere il processo e i risultati delle indagini sui rischi e per generare etichette di addestramento.
- punteggio di rischio
I modelli AML AI vengono utilizzati per identificare le parti che mostrano comportamenti o caratteristiche con un alto rischio di riciclaggio di denaro. Ciò avviene tramite un punteggio di rischio.
I punteggi di rischio variano da 0 a 1. Un punteggio più alto indica un rischio maggiore. Tuttavia, i punteggi di rischio non devono essere interpretati direttamente come probabilità di attività di riciclaggio di denaro.
Per saperne di più, consulta Comprendere gli output di previsione.
- tipologia di rischio
AML AI può identificare il rischio di riciclaggio di denaro in cinque tipologie principali di rischio AML correlate al monitoraggio delle transazioni.
Con indagini sufficienti e dati di terze parti supplementari (vedi le tabelle Dati supplementari), AML AI può coprire più tipologie.
S
- dati supplementari
I dati supplementari sono dati aggiuntivi, oltre a quelli contenuti nelle aree dati bancari di base e dati di indagine sul rischio dello schema AML AI, che sono pertinenti per prevedere il rischio di riciclaggio di denaro.
Ad esempio, potresti identificare e aggiungere un indicatore di rischio che aiuti i modelli a prevedere meglio una tipologia di rischio che altrimenti non è ben coperta.
I dati supplementari possono essere aggiunti a un set di dati utilizzando la tabella PartySupplementaryData.
- periodo di attività sospetta
Un periodo di attività sospetta è un periodo di tempo in cui ritieni che una parte indagata abbia mostrato un comportamento sospetto. Viene utilizzato nella valutazione del modello (ad esempio, la metrica del richiamo per i risultati del backtest) per confermare che i clienti ad alto rischio vengono identificati nei mesi in cui hanno avuto attività sospette. Il periodo di attività sospetta aiuta i modelli a identificare il rischio al momento giusto, ad esempio durante o subito dopo il periodo in cui si è verificata l'attività sospetta. Il periodo di attività sospetta viene utilizzato nella convalida per l'ottimizzazione e l'addestramento, nonché per la metrica di richiamo nel backtesting.
Per maggiori informazioni, consulta Ciclo di vita di una richiesta di rischio.
T
- training
- AML AI esegue l'addestramento nell'ambito della creazione di un modello utilizzando gli iperparametri (vedi ottimizzazione) da una configurazione del motore specificata.
- tuning
- L'ottimizzazione è l'ottimizzazione degli iperparametri del modello. AML AI esegue l'ottimizzazione durante la creazione di una configurazione del motore.
V
- Ora di inizio validità
L'ora di inizio della validità di un'entità modificabile viene utilizzata dall'AI AML per costruire una visione di ciò che era noto alla banca in un determinato momento. Ciò consente all'AI per l'antiriciclaggio di addestrare con precisione modelli che possono essere riutilizzati sugli ultimi dati (ovvero quelli noti alla banca) per produrre punteggi di rischio ad alta fedeltà.
L'ora di inizio della validità per una determinata riga rappresenta l'ora più recente in cui la banca ha avuto conoscenza dei dati in questa riga e li ha ritenuti corretti.
Per ulteriori informazioni, vedi Informazioni su come cambiano i dati nel tempo.