1. 反洗钱模型服务概述
1.1 反洗钱业务背景
反洗钱（Anti-Money Laundering, AML）是指金融机构及特定非金融行业为预防、监测和打击洗钱活动而采取的一系列合规措施与风险控制手段。洗钱通常经历三个阶段：放置（Placement）、离析（Layering）、融合（Integration）。随着金融交易量激增与跨境支付常态化，传统基于规则的反洗钱系统面临高误报率、低覆盖率的困境，机器学习模型逐渐成为核心检测引擎。
关键监管要求： FATF（金融行动特别工作组）建议、巴塞尔委员会《AML/CFT 稳健做法》、各国反洗钱法（如美国《银行保密法》、中国《反洗钱法》）。金融机构须建立客户尽职调查（CDD）、可疑交易报告（STR）、大额交易报告（CTR）等机制。
| 业务环节 | 传统规则方法 | 模型驱动方法 |
|---|---|---|
| 交易监控 | 固定阈值 + 规则引擎 | 异常检测 + 图神经网络 |
| 客户风险评级 | 打分卡 + 专家权重 | 梯度提升树 + 联邦学习 |
| 可疑行为识别 | 关键词匹配 + 名单筛查 | NLP + 行为序列模型 |
| 报告生成 | 模板填充 + 人工复核 | LLM 辅助 + 自动化工作流 |
1.2 模型服务化定义
模型服务化（Model Serving）是指将训练好的反洗钱机器学习模型封装为可被业务系统实时或批量调用的 API 或流式处理管道。其核心目标包括：
- 低延迟推理：交易监控场景通常要求 P99 延迟 < 200ms。
- 高可用部署：服务 SLA 不低于 99.9%，支持自动故障转移。
- 版本管理：支持模型灰度发布、A/B 测试、回滚。
- 可解释性：输出 SHAP 值或特征贡献度，满足监管审计要求。
- 安全合规：数据脱敏、访问控制、推理日志留存。
服务化形态对比： 实时推理（REST/gRPC）适用于在线交易拦截；批量推理（Spark/Flink）适用于日终扫描与回溯分析；流式推理（Kafka + 模型容器）适用于事件驱动型监控。
1.3 部署全流程总览
反洗钱模型从训练到生产上线，需经过以下关键阶段：
- 数据管道：特征工程、数据脱敏、时间窗口对齐、标签生成。
- 模型训练与验证：离线训练、交叉验证、回测（Backtesting）、阈值调优。
- 模型打包与注册：序列化格式（ONNX/PMML/MLflow）、模型仓库（Model Registry）。
- 服务化部署：容器化（Docker）、编排（Kubernetes）、推理框架（Triton/Seldon）。
- 监控与告警：数据漂移检测、模型性能衰减、业务指标看板。
- 持续迭代：自动重训练、冠军/挑战者策略、合规审计闭环。
1.4 反洗钱模型服务架构概览
下图展示反洗钱模型服务的典型分层架构，涵盖数据接入层、特征计算层、推理引擎层、业务编排层与监控管理层：
架构设计注意事项： 反洗钱模型服务必须满足监管对数据本地化、推理可解释性、模型版本审计的硬性要求。建议在推理引擎层与业务编排层之间增加 可解释性中间件，输出 SHAP 值或 LIME 解释，确保每笔可疑交易判定有据可查。