金融 AI 的人机协同：SR 11-7、模型风险以及美联储实际要求什么
美联储的 SR 11-7 指导早于 LLM 但直接适用于 AI 系统。以下是它对金融模型部署中人工监督的实际要求。
SR 11-7 于 2011 年发布，为量化风险模型编写。它不提及 LLM 或生成式 AI。但它的要求适用于任何"应用统计、经济、金融或数学理论处理输入数据以产生定量估计的量化方法、系统或方法"。
用于评估信用的 LLM 就是 SR 11-7 下的 模型。
SR 11-7 的三个支柱
支柱 1：模型开发和实现 — 任务、训练数据、方法论、局限性必须记录。
支柱 2：模型验证 — 独立验证是大多数 AI 部署目前失败的要求。涵盖概念合理性、持续监控和结果分析。
支柱 3：治理、政策和控制 — 模型库存、清晰所有权、审批流程、升级程序。
"有效挑战"的含义
客观、知情和建设性的分析。读审查者准备的摘要然后签批准表格不是有效挑战。
黑箱问题
SR 11-7 的可解释性要求为 LLM 创造了特定问题。人工审查者无法挑战他们看不到的东西。被提示产生推 理解释或被 fine-tune 产生结构化理由的 LLM 更适合 SR 11-7 合规。
Ertas 如何支持金融 AI 合规
Ertas Data Suite 提供带完整审计轨迹的本地数据准备。Ertas Fine-Tuning 让金融团队直接拥有模型权重——控制版本，验证一次，运行到你选择更新。
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.
Keep reading
金融服务业 AI 治理框架：SR 11-7、模型风险与监管预期
金融服务 AI 治理受 SR 11-7、OCC 指导以及日益增长的 EU AI Act 约束。以下是如何构建满足审查员预期的模型风险管理框架。
GDPR + EU AI Act：AI 训练数据的双重合规
企业在准备 AI 训练数据时如何同时满足 GDPR 和 EU AI Act 要求——涵盖数据最小化、同意以及隐私与 AI 需求之间的张力。
建筑与工程行业的 AI 治理框架：安全、责任与专业问责
建筑与工程行业的 AI 治理由安全义务、专业工程师责任和物理基础设施决策的高风险性驱动。以下是负责任部署的框架。