Útmutatóhoz kapcsolódó kvíz · Közepes Szint
AI szankciók szűrési kvíz
Tesztelte az OFAC 50 százalékos szabályát, azt, hogy az átírás hogyan segíti elő a homályos névegyezést, valamint a vonal alatti tesztelést, hogy kihagyja a hamis pozitívakat anélkül, hogy elmulasztott találatokat találna.
kérdés 1 -ból 8
Az OFAC 50 százalékos szabálya szerint mikor kell blokkoltnak tekinteni azt a társaságot, amely nem szerepel a szankciós listán?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Az OFAC 50 százalékos szabálya szerint mikor kell blokkoltnak tekinteni azt a társaságot, amely nem szerepel a szankciós listán?
- When it is based in a sanctioned country
- When blocked persons together own 50 percent or more of it
- When half its customers are foreign
- When it has a similar name to a listed entity
- Milyen felelősségi normák vonatkoznak az Egyesült Államok polgári szankcióinak megsértésére?
- Liability only for willful violations
- Liability only when a firm had actual knowledge
- Liability only if a regulator issued a prior warning
- Strict liability, even without knowledge
- Mi a célja a szankciószűrés során a vonal alatti tesztelésnek?
- Sampling alerts just under the threshold to see whether true matches are being suppressed
- Reviewing only the highest-scoring alerts
- Testing payment message formats
- Checking staff training completion
- Miért figyelmeztet az útmutató a riasztási pontozási modellek képzésére a múltbeli elemzői döntésekre?
- Past decisions are always correct but too few
- Regulators ban machine learning in screening
- True hits are rare and the labels carry past analysts' mistakes
- Historical data is always in the wrong language
- Miért okozhatnak megfelelő problémákat a kínai nevek a szankciók átvilágítása során?
- Chinese names are never included on sanctions lists
- Chinese names always have more than five parts
- Screening systems cannot store Chinese characters
- The same name may be romanized in pinyin, Wade-Giles or local variants
- Which information does the guide say an alert-scoring model uses to lower the priority of a partial name match?
- Secondary identifiers such as date of birth and nationality
- The customer's account balance
- The time of day the alert fired
- The analyst's workload
- Which of these is one of the five components in OFAC's 2019 Framework for OFAC Compliance Commitments?
- Customer marketing
- Risk assessment
- Revenue forecasting
- Product pricing
- According to the guide, why isn't raising the matching threshold alone a good fix for false positives?
- It makes screening slower
- It violates the 50 Percent Rule
- It cuts false positives but misses more true hits
- It increases the number of alerts