Gradient-boosted credit models
Conjuntos de árvores usados em credit scoring são examinados quanto a ganhos de poder de ordenação, sensibilidade a mudanças nos dados e à forma como suas razões podem ser explicadas aos solicitantes.
GRA · IA e Risco de Modelos Financeiros
Finanças espaciaisOnde o capital encontra ameaça, exposição e transição
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.
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.
Conjuntos de árvores usados em credit scoring são examinados quanto a ganhos de poder de ordenação, sensibilidade a mudanças nos dados e à forma como suas razões podem ser explicadas aos solicitantes.
Os grandes modelos de linguagem usados para resumir documentos e redigir respostas são avaliados quanto à precisão factual, fundamentação e tratamento de dados antes da implantação.
Unsupervised methods that flag unusual transactions or trades are examined for false positive rates and for how alerts are reviewed by staff.
As vistas de exposição, perda, cenários e capital que um responsável pelo risco, um supervisor ou um ministério das finanças pediria, com os quadros de referência perante os quais reportam. As estruturas seguem a prática de supervisão e atuarial. Os valores são ilustrativos: nunca preços, notações ou aconselhamento.
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.
Conjuntos de dados e registros usados pela inteligência artificial e pelo aprendizado de máquina nesta plataforma, com o papel que cada um desempenha e a etiqueta que seus valores levam. As fontes estão listadas no registro de fontes.
| Dados | Função | Rótulo |
|---|---|---|
| Labelled historical decisions and outcomes | Treinamento e testes | REPORTADO |
| Evaluation datasets | Medição de desempenho | OBSERVADO |
| Documentação do modelo | Concepção e limites | DECLARADO |
Process explorer · Process
9 steps·5 stages·1 gate
Processo
O núcleo do AI RMF tem quatro funções, GOVERN, MAP, MEASURE e MANAGE, com GOVERN de caráter transversal; a ordem representada é uma leitura comum, não uma lista de verificação.
Esboço neutro de uma norma ou método externo publicado, conforme o órgão emissor. Não é um registro de operação. O Nexus não executa, certifica nem aprova nenhuma etapa mostrada. Uma etapa de controle ou decisão pertence à parte indicada pela fonte. As ações não constituem necessariamente um conjunto ordenado de etapas. A Lei de IA da UE não é representada neste fluxo.
Os modelos são avaliados com dados reservados que respeitam a estrutura espacial, temporal e de grupos. A robustez, a calibração e a equidade são testadas ao lado da exatidão.
| Verificar | Como é feito |
|---|---|
| Teste fora do período | Os modelos são testados em períodos posteriores aos dos dados de treinamento |
| Benchmark comparison | Modelos complexos são comparados com alternativas mais simples |
| Estabilidade | O desempenho e as explicações são verificados ao longo de execuções de retreinamento |
O desempenho se degrada quando as condições de implantação diferem dos dados de treinamento. Os modelos podem codificar vieses e falhar sem aviso claro em eventos raros.
Inteligência artificial e sistemas autônomos é guardião da inteligência artificial e do aprendizado de máquina para o Consortium e revisa como são aplicados nas plataformas.
Reports é a publicação trimestral do Consortium. O que você sabe sobre este tema pode se tornar evidência, um caso ou uma correção na próxima edição, com crédito a você e publicado sob CC BY 4.0 quando for obra sua.
Nunca envie dados pessoais, detalhes sensíveis de infraestrutura nem nada que você não tenha o direito de compartilhar. Uma contribuição é revisada antes do uso. Enviá-la não confere autoria nem direitos editoriais, e o patrocínio nunca compra uma constatação.
A informação e os pedidos estão abertos hoje. Um pedido recebe uma referência e indica o próximo passo; candidaturas, pagamentos, alocações de computação e registros só abrem quando existem a equipa, os termos e a capacidade de revisão.
Os mapas, dados e números deste site são apresentados como contexto e informação geral. Não são aconselhamento, previsões nem avisos; os limites da informação estão expostos nos Avisos legais e nos Avisos sobre dados.
Este site usa apenas cookies estritamente necessários para funcionar e para lembrar as suas escolhas de privacidade. Nada é carregado de outras empresas, e nunca vendemos nem compartilhamos as suas informações pessoais.
Este site usa apenas cookies estritamente necessários para funcionar e para lembrar as suas escolhas de privacidade. Nada é carregado de outras empresas, e nunca vendemos nem compartilhamos as suas informações pessoais. Não veiculamos publicidade. Você pode rever as suas escolhas a qualquer momento em Escolhas de privacidade, no rodapé de cada página.