详细内容或原文请订阅后点击阅览
使用 Amazon Quick 和 Snowflake Cortex AI 自动进行 AML 警报分类
这篇文章展示了通过自动化金融服务中劳动最密集的工作流程之一来实现集成：反洗钱 (AML) 警报分类。您将使用 Amazon Quick Flows 和 Snowflake Cortex 构建分类工作流程，并通过 Amazon Quick Model Context Protocol (MCP) 集成进行连接。在我们的测试环境中，使用 Amazon Quick 构建的自动化工作流程将警报调查时间从 30-90 分钟减少到 5 分钟以下。实际结果可能会因警报复杂性和数据量而异。
来源:亚马逊云科技 _机器学习在 AWS 和 Snowflake 上运行的金融机构受益于深度集成的框架，该框架将 Snowflake 的 AI 数据云与 AWS 云基础设施相结合，包括与 Amazon Simple Storage Service (Amazon S3)、AWS Glue、Amazon SageMaker 和 Amazon Bedrock 等 AWS 服务的集成。借助 AWS 服务和 Snowflake 之间的 50 多个本机集成，组织可以构建合规性工作流程，在维护数据安全的同时加快实现价值的时间。
这篇文章展示了通过自动化金融服务中劳动最密集的工作流程之一来实现集成：反洗钱 (AML) 警报分类。您将使用 Amazon Quick Flows 和 Snowflake Cortex 构建分类工作流程，并通过 Amazon Quick Model Context Protocol (MCP) 集成进行连接。在我们的测试环境中，使用 Amazon Quick 构建的自动化工作流程将警报调查时间从 30-90 分钟减少到 5 分钟以下。实际结果可能会因警报复杂性和数据量而异。
大中型银行的反洗钱分析师通常会花费 30 到 90 分钟的时间来手动收集每个警报的数据并编写处置说明。根据行业研究，金融机构通常发现 90-95% 的 AML 警报都是误报，因此高效的分类至关重要。这种规模的手动调查流程可能会给合规团队带来巨大的工作量。自动化使分析师能够更有效地处理警报、减少调查时间并维护合规标准。
解决方案概述
下图说明了通过模型上下文协议 (MCP) 将 Amazon Quick 连接到 Snowflake 的端到端集成架构。
图 1：通过模型上下文协议将 Snowflake 管理的 MCP 服务器与 Amazon Quick 集成
图 2：AML 警报分类工作流程：使用 MCP 操作步骤调用 Snowflake Cortex 代理（Cortex Analyst 和 Cortex Search）的 Amazon Quick Flows