📚 课程目录第1章反洗钱推理链路概述

1. 反洗钱推理链路概述

反洗钱推理链路（AML Inference Pipeline）是指从原始交易与客户数据出发，经过一系列规则、模型与决策节点，最终输出可疑交易报告（STR）或合规处置建议的完整逻辑链条。它不仅是技术系统的数据流，更是金融机构履行反洗钱义务的核心决策骨架。

一条完整的推理链路需要串联数据接入、特征计算、规则匹配、模型评分、案例聚合与人工审核等环节。任何一个环节出现偏差，都可能导致误报（False Positive）激增或漏报（False Negative）风险。

  关键认知： 反洗钱推理链路不是简单的“规则+模型”堆叠，而是多层级、多维度、可回溯的决策流水线。故障排查必须从链路整体视角出发，而非孤立检查单个组件。

反洗钱推理链路由以下四大核心组件构成，它们协同工作形成完整的决策闭环：

组件层	核心职责	典型技术/工具	故障高发点
数据源	采集、清洗、标准化交易与客户数据	Kafka、Flink、ETL 管道、数据湖	字段缺失、时间戳错乱、重复数据
规则引擎	执行预定义的阈值与逻辑规则	Drools、自研规则引擎、SQL 规则集	规则冲突、优先级混乱、阈值漂移
模型	基于机器学习进行异常评分与风险预测	XGBoost、图神经网络、异常检测模型	特征分布偏移、模型版本不一致
决策流	编排规则与模型的执行顺序、聚合与分流	DAG 工作流、决策表、状态机	死循环、分支条件遗漏、超时中断

下图展示了四大组件在推理链路中的位置与数据流向：

根据故障发生的组件层与影响范围，反洗钱推理链路故障可分为以下四大类。理解分类是精准排查的第一步。

故障类别	典型表现	影响范围	排查优先级
数据层故障	字段缺失、数据延迟、重复入账、时间戳错乱	全局，影响所有下游组件	最高
规则层故障	规则未触发、规则冲突、阈值不合理、误报率飙升	局部，影响特定规则集	高
模型层故障	评分分布偏移、特征缺失、模型版本回退、过拟合	全局或局部，取决于模型部署范围	中
决策流故障	流程死循环、分支遗漏、超时中断、状态不一致	全局，影响最终决策输出	最高

下图以故障树形式展示各类故障的层级关系与典型根因：

实战提示： 在实际生产环境中，超过 60% 的推理链路故障根因可追溯到数据层。建议在搭建监控体系时，优先对数据源的完整性、时效性和一致性设置告警阈值。