1. 课程导论与目标
1.1 什么是 AML 实时监测？
反洗钱（Anti-Money Laundering, AML）实时监测是指利用机器学习模型，在金融交易发生的瞬间或极短延迟内（通常 < 500ms），对交易行为进行风险评分与异常检测，从而识别潜在的洗钱、恐怖融资或欺诈活动。与传统批处理（Batch）模式不同，实时监测要求模型具备低延迟推理、高吞吐处理和在线特征计算能力。
核心定义： AML 实时监测 = 流式交易数据 + 在线特征工程 + 低延迟模型推理 + 实时告警决策。
1.2 业务价值与驱动力
| 维度 | 传统批处理模式 | 实时监测模式 |
|---|---|---|
| 检测延迟 | T+1 或小时级 | 秒级 / 毫秒级 |
| 资金拦截能力 | 事后追溯，资金已流出 | 交易中拦截，止损 |
| 监管合规 | 满足最低报告要求 | 主动风险管控，降低合规罚款 |
| 客户体验 | 误报率高，频繁冻结账户 | 精准识别，减少误伤 |
| 运营成本 | 大量人工审核 | 自动化决策，人力聚焦高优案件 |
根据 FATF（金融行动特别工作组）最新指引，金融机构需在交易执行前或执行中完成风险筛查。实时监测已成为全球监管的硬性要求，而非可选项。
1.3 课程整体目标
本课程旨在培养学员从零到一构建生产级 AML 实时监测模型部署体系的能力。完成本课程后，学员将能够：
- 设计端到端实时监测架构，涵盖数据管道、特征存储、模型推理与告警引擎。
- 部署机器学习模型到 Kubernetes 集群，实现弹性伸缩与高可用。
- 优化推理延迟与吞吐量，满足金融级 SLA（服务等级协议）。
- 监控模型漂移与数据质量，建立自动化回滚与重训练机制。
- 合规满足 GDPR、CCPA 及各国反洗钱法规对模型可解释性与审计的要求。
适用人群： ML 工程师、DevOps/SRE 工程师、数据科学家、金融科技架构师。建议具备 Python、Docker、Kubernetes 基础。
1.4 学习路径图
课程按“基础 → 架构 → 部署 → 运维 → 进阶”五阶段递进，每阶段包含 6 个章节：
1.5 章节内容速览
| 阶段 | 章节范围 | 核心主题 |
|---|---|---|
| 阶段一：基础与概念 | Ch1 - Ch6 | AML 业务知识、特征工程基础、模型选型、评估指标 |
| 阶段二：架构设计 | Ch7 - Ch12 | 流式数据管道（Kafka/Flink）、特征存储（Feast）、模型服务架构 |
| 阶段三：模型部署 | Ch13 - Ch18 | Docker 镜像构建、K8s 部署、推理优化（ONNX/TensorRT）、A/B 测试 |
| 阶段四：运维监控 | Ch19 - Ch24 | Prometheus/Grafana 监控、模型漂移检测、自动回滚、日志审计 |
| 阶段五：进阶与合规 | Ch25 - Ch30 | 可解释性（SHAP/LIME）、联邦学习、多国监管合规、实战项目 |
1.6 课程特色与交付物
- 实战驱动： 每章配套可运行的代码仓库与 Helm Chart。
- 架构即代码： 提供完整的 Terraform + K8s YAML 模板。
- 监控开箱即用： 预置 Grafana Dashboard JSON 与告警规则。
- 合规检查清单： 覆盖 FATF、FinCEN、央行反洗钱规定。
重要提示： 本课程所有部署方案均基于开源技术栈（Kubernetes、Kafka、Feast、MLflow），不依赖任何商业产品。学员可在本地 Minikube 或云上 EKS/GKE 中复现。
1.7 学习建议与前置准备
- 环境要求： 8GB+ 内存、Docker Desktop、kubectl、Helm 3、Python 3.9+。
- 推荐阅读： 每章末尾提供“延伸阅读”链接，包括论文、官方文档与博客。
- 练习方式： 每章包含“动手实验”环节，建议在真实或模拟交易数据集上运行。
- 社区支持： 课程配套 GitHub Discussions 与 Slack 频道，可提问与分享。
快速开始： 如果你已有 AML 业务背景，可直接从阶段二（Ch7）开始；如果你是运维/架构师，建议从阶段一（Ch1）系统学习。