2. 反洗钱推理链路概念
2.1 推理链路定义
反洗钱推理链路（AML Inference Pipeline）是指从原始交易数据流入开始，经过一系列规则判断、特征计算、模型评分、关联分析，最终输出可疑交易报告（STR）或预警信号的完整处理链条。它不是一个单一算法，而是一个可编排、可追溯、可解释的决策流程。
核心特征：推理链路必须同时满足监管合规（可解释性）与业务效率（低延迟、高吞吐）。
一条标准的反洗钱推理链路通常包含以下阶段：
| 阶段 | 输入 | 输出 | 典型组件 |
|---|---|---|---|
| 数据接入 | 原始交易流水、客户信息 | 标准化交易事件 | Kafka / Flink 数据管道 |
| 规则过滤 | 标准化交易事件 | 命中规则列表 | 规则引擎（Drools / EasyRules） |
| 特征工程 | 交易事件 + 历史数据 | 特征向量 | 实时特征计算服务 |
| 模型推理 | 特征向量 | 风险评分 + 解释因子 | ML 模型（XGBoost / GNN） |
| 关联分析 | 风险评分 + 图关系 | 团伙风险标签 | 图数据库（Neo4j） |
| 决策输出 | 聚合风险信号 | 预警 / STR | 决策引擎 + 人工审核平台 |
2.2 规则引擎 vs 机器学习推理
在反洗钱推理链路中，规则引擎与机器学习模型并非互斥，而是互补协同的关系。规则引擎擅长处理确定性逻辑，机器学习擅长发现隐性模式。下表从多个维度对比两者差异：
| 对比维度 | 规则引擎 | 机器学习推理 |
|---|---|---|
| 决策依据 | 人工编写的显式规则（如：单笔交易 > 50 万） | 从历史数据中自动学习的权重与模式 |
| 可解释性 | 天然可解释，每条规则可追溯 | 需借助 SHAP / LIME 等工具解释 |
| 维护成本 | 规则数量膨胀后维护困难 | 模型需定期重训，但规则数量可控 |
| 发现能力 | 只能发现已知模式 | 可发现未知、复杂、非线性模式 |
| 延迟要求 | 毫秒级（纯逻辑判断） | 毫秒~秒级（需特征计算+模型推理） |
| 典型场景 | 大额交易上报、制裁名单筛查 | 异常交易检测、团伙挖掘 |
最佳实践：规则引擎作为第一道防线，快速过滤明显可疑交易；机器学习模型作为第二道防线，对规则未覆盖的灰色交易进行深度评分。两者结合可达到 95% 以上的召回率。
2.3 推理链路在交易监控中的核心作用
推理链路是交易监控系统的决策中枢，其核心作用体现在以下四个方面：
- 实时性保障：推理链路将规则判断、特征计算、模型推理等环节流水线化，确保单笔交易在 200ms 内完成风险判定，满足实时交易监控的延迟要求。
- 可解释性支撑：监管机构要求金融机构对每笔可疑交易提供完整的决策依据。推理链路通过记录每个阶段的输入输出，形成可审计的决策链。
- 动态调优能力：推理链路支持规则热更新、模型版本切换、特征动态扩展，无需停机即可调整监控策略，快速响应新型洗钱手法。
- 降噪提效：通过规则与模型的协同过滤，将原始交易量的 99.5% 以上判定为正常，仅对剩余 0.5% 的疑似交易生成预警，大幅降低人工审核负担。
常见误区：推理链路不是简单的规则堆叠或模型调用，而是需要精心设计各阶段的数据契约、异常处理、超时降级和监控告警。API 接口设计必须考虑链路的容错性与可观测性。
在实际交易监控系统中，推理链路的性能指标通常如下：
| 指标 | 目标值 | 说明 |
|---|---|---|
| P99 延迟 | < 500ms | 从交易流入到输出风险评分 |
| 吞吐量 | > 10,000 TPS | 单节点每秒处理交易数 |
| 规则命中率 | 1% ~ 5% | 规则引擎过滤后的交易占比 |
| 模型召回率 | > 90% | 模型对真实可疑交易的识别能力 |
| 误报率 | < 0.1% | 正常交易被误判为可疑的比例 |