Skip to content

GRA · هوش مصنوعی و ریسک الگوی مالی

مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمی‌خورد

هوش مصنوعی و یادگیری ماشین برای هوش مصنوعی و ریسک مدل‌های مالی

Artificial intelligence and machine learning are methods that learn patterns from data to predict, classify or generate. On this platform they are explained as the techniques behind modern credit, pricing, fraud and generative tools, and as sources of model risk with distinctive failure modes.

01ثبت‌خانه

Artificial intelligence and machine learning for AI and financial model risk on the record.

سابقهٔ روشروش STEM
  1. روشهوش مصنوعی و یادگیری ماشین
  2. به‌کاررفته درهوش مصنوعی و ریسک الگوی
  3. داده3 ورودی
  4. Canonical pageSTEM Commons
02درخواست

هوش مصنوعی و یادگیری ماشین در اینجا چه می‌کنند.

Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In artificial intelligence and financial stability, machine learning can scale detection and forecasting across interconnected systems. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on the STEM Commons.

Gradient-boosted credit models

Tree ensembles used in credit scoring are examined for gains in ranking power, sensitivity to data shifts and how their reasons can be explained to applicants.

Language models in operations

Large language models used to summarise documents and draft responses are assessed for factual accuracy, grounding and data handling before deployment.

تشخیص ناهنجاری

Unsupervised methods that flag unusual transactions or trades are examined for false positive rates and for how alerts are reviewed by staff.

03مواجهه، زیان و سرمایه

معنای آن برای مواجهه، زیان و سرمایه.

نماهای مواجهه، زیان، سناریو و سرمایه که یک مدیر ریسک، ناظر یا وزارت دارایی می‌پرسد، همراه با چارچوب‌هایی که بر پایهٔ آن‌ها گزارش می‌دهد. ساختارها از رویهٔ نظارتی و اکچوئری پیروی می‌کنند. مقادیر توضیحی است: هرگز قیمت، رتبه یا توصیه نیست.

مجاری انتقال

How a shock in Artificial intelligence and machine learning for AI and financial model risk reaches credit, market, underwriting, liquidity and operational risk, and feeds back.

Channel structure after the Basel Committee’s work on climate-related risk drivers and transmission channels; links shown are typical paths, not estimated exposures.
سناریوهای اقلیمی NGFS · شبکهٔ سبزسازی نظام مالیIFRS S2 افشاهای مرتبط با اقلیم · ISSBتوصیه‌های TCFD · هیئت ثبات مالی TCFDاصول مدیریت مؤثر ریسک‌های مالی مرتبط با اقلیم · کمیتهٔ بازل برای نظارت بانکی
04داده

آنچه روش مصرف می‌کند.

مجموعه‌داده‌ها و سوابقی که هوش مصنوعی و یادگیری ماشین در این سکو به کار می‌برند، همراه با نقش هر یک و برچسبی که مقادیر آن دارند. منابع در فهرست منابع.

دادهنقشبرچسب
Labelled historical decisions and outcomesآموزش و آزمونگزارش‌شده
Evaluation datasetsPerformance measurementمشاهده‌شده
مستندات مدلDesign and limitsDECLARED
05فرایند

نحوهٔ اجرای فرایند.

Process explorer · Process

Artificial intelligence and machine learning for AI and financial model risk: AI risk management (NIST)

9 steps5 stages1 gate

فرایند

Artificial intelligence and machine learning for AI and financial model risk: AI risk management (NIST)

هستهٔ AI RMF چهار کارکرد دارد: GOVERN، MAP، MEASURE و MANAGE، که GOVERN فراگیر است؛ ترتیب ترسیم‌شده یک خوانش رایج است، نه فهرست وارسی.

  1. 01 حکمرانی

    1. 01GOVERN: سیاست‌ها، نقش‌ها و پاسخ‌گوییگام · کمیتهٔ مدیریت ریسک مدلGOVERN یک کارکرد فراگیر است. این کارکرد در سراسر مدیریت ریسک هوش مصنوعی نفوذ دارد و سایر کارکردها را امکان‌پذیر می‌سازد.
  2. 02 Map

    1. 02MAP: بافتار و کاربرد مورد نظرمجموعه‌دادهکارکرد MAP بافتاری را برای چارچوب‌بندی ریسک‌های مرتبط با یک سامانهٔ هوش مصنوعی، شامل مقاصد مورد نظر و پیامدها برای مردم، برقرار می‌کند.
  3. 03 اندازه‌گیری

    1. 03سنجش: ارزیابی ویژگی‌های قابل‌اعتمادمدلAI سامانه‌ها هوش مصنوعی از نظر ویژگی‌های اعتمادپذیری ارزیابی می‌شوند. این سامانه‌ها باید پیش از استقرار و به‌طور منظم در طول بهره‌برداری آزموده شوند.
    2. 04MEASURE: ریسک‌های شناسایی‌شده را در طول زمان پیگیری کنیدمدلسازوکارهایی برای پایش ریسک‌های شناسایی‌شدهٔ هوش مصنوعی در طول زمان برقرار است، از جمله ریسک‌های پیش‌بینی‌نشده و نوظهور.
  4. 04 مدیریت

    1. 05MANAGE: رسیدگی به ریسک‌هاگاممواجهه با ریسک واکنش به رخدادها، بازیابی از آن‌ها و اطلاع‌رسانی دربارهٔ آن‌ها را در بر می‌گیرند. منابع به ریسک‌های نگاشت‌شده و اندازه‌گیری‌شده اختصاص می‌یابند.
    2. 06Proceed or not (MANAGE 1.1)Gate · MRM committeeA determination is made whether the system meets its purposes and objectives, and whether to proceed. The framework sets no thresholds.
    3. 07تصمیم استقرارتصمیم · کمیتهٔ مدیریت ریسک مدلسازمانی که مالک سامانه است تصمیم می‌گیرد که آیا و با چه شرایطی آن را مستقر کند.
    4. 08پایش و رخدادهای پس از استقرارمدلطرح‌های پایش پس از استقرار اجرا می‌شوند. رخدادها و خطاها با بازیگران مرتبط هوش مصنوعی، از جمله جوامع متأثر، به اشتراک گذاشته می‌شوند.
  5. 05 سابقه

    1. 09فهرست سامانه‌های هوش مصنوعیمجموعه‌دادهGOVERN 1.6 سازوکارهایی برای سیاهه‌برداری از سامانه‌های هوش مصنوعی می‌طلبد. کارت مدل رویهٔ رایج است و در این چارچوب نام برده نشده است.

طرح کلی بی‌طرفانهٔ یک استاندارد یا روش خارجی منتشرشده، از نهاد صادرکنندهٔ آن. سابقهٔ عملیات نیست. Nexus هیچ‌یک از گام‌های نشان‌داده‌شده را انجام، گواهی یا تأیید نمی‌کند. هر دروازه یا تصمیم متعلق به طرفی است که منبع نام می‌برد. اقدام‌ها لزوماً مجموعه‌ای مرتب از گام‌ها نیستند. قانون هوش مصنوعی اتحادیهٔ اروپا در این جریان ترسیم نشده است.

06اعتبارسنجی

نتایج چگونه بررسی می‌شوند.

مدل‌ها بر دادهٔ کنارگذاشته‌شده‌ای ارزیابی می‌شوند که ساختار مکانی، زمانی و گروهی را رعایت می‌کند. استواری، واسنجی و انصاف در کنار دقت آزموده می‌شوند.

بررسیچگونه انجام می‌شود
Out-of-time testingModels are tested on later periods than training data
Benchmark comparisonمدل‌های پیچیده با جایگزین‌های ساده‌تر مقایسه می‌شوند
ثباتPerformance and explanations are checked across retraining runs

عملکرد هنگامی که شرایط استقرار با داده‌های آموزش متفاوت باشد افت می‌کند. مدل‌ها ممکن است سوگیری‌ها را در خود رمزگذاری کنند و در رخدادهای نادر بدون هشدار روشن از کار بیفتند.

08تولیت

چه کسی روش را نگهداری می‌کند.

هوش مصنوعی و سامانه‌های خودمختار متولی هوش مصنوعی و یادگیری ماشین برای کنسرسیوم است و چگونگی کاربرد آن را در سکوها بازبینی می‌کند.

10پرسش‌ها

پرسش و پاسخ.

محدودیت‌های هوش مصنوعی و یادگیری ماشین در این حوزه چیست؟
عملکرد هنگامی که شرایط استقرار با داده‌های آموزش متفاوت باشد افت می‌کند. مدل‌ها ممکن است سوگیری‌ها را در خود رمزگذاری کنند و در رخدادهای نادر بدون هشدار روشن از کار بیفتند.
نتایج چگونه بررسی می‌شوند؟
مدل‌ها بر دادهٔ کنارگذاشته‌شده‌ای ارزیابی می‌شوند که ساختار مکانی، زمانی و گروهی را رعایت می‌کند. استواری، واسنجی و انصاف در کنار دقت آزموده می‌شوند.
آیا مقادیر این صفحه واقعی‌اند؟
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
این روش در کجاهای دیگر به کار می‌رود؟
رصدخانهٔ صفحهٔ مرجع روش هر سکویی را که آن را به کار می‌گیرد فهرست می‌کند.
گزارش‌هامشارکت

از این صفحه شواهد مشارکت دهید.

Reports نشریهٔ فصلی کنسرسیوم است. آنچه دربارهٔ این موضوع می‌دانید می‌تواند در ویراست بعدی به شواهد، یک مورد یا یک اصلاح تبدیل شود، به نام شما ثبت شود و در صورتی که کار خود شما باشد تحت CC BY 4.0 منتشر شود.

⁨Global Risks Alliance⁩ریسک هوش مصنوعی و مدل‌های مالیروش‌ها و فنیفناوری نمایی
ریسک هوش مصنوعی و مدل‌های مالی

یک پرسش دربارهٔ مواجهه یا سرمایه را نزد اتحاد مطرح کنید.

اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.