financecompliancemodel-risksr-11-7fine-tuninggovernancebanking
微调LLM的模型风险管理：SR 11-7合规指南
将联邦储备委员会SR 11-7模型风险管理框架应用于银行业微调LLM的实用指南。涵盖文档要求、验证框架、审计员问题，以及为什么本地部署简化合规。
EErtas Team·
OCC和联邦储备委员会的SR 11-7管辖每家美国银行的模型风险管理。2011年为信用评分模型和VaR计算编写，现在也适用于微调LLM。
SR 11-7三大支柱映射到微调LLM
支柱1：开发文档
- 模型用途、架构、训练配置
- 训练数据来源、LoRA配置及理由
- 每个超参数都应有实验结果支撑的文档理由
支柱2：验证框架
五步结构化流程：
- 基准评估（保留测试集）
- 回测（历史案例）
- 对抗测试
- 偏见审计
- 独立审查
支柱3：治理
模型库存、使用控制、董事会监督。
10个常见审计员问题
- 你如何知道这个模型是准确的？→ 基准评估
- 谁验证了这个模型？→ 独立验证报告
- 模型出错怎么办？→ 人在回路工作流
- 如何监控持续性能？→ 监控仪表板
- 能否重现6个月前的特定输出？→ 审计日志
- 使用了什么训练数据？→ 数据来源文档
- 如何防止模型不当使用客户数据？→ PII处理、本地运行
- 变更管理流程？→ 提议→重训→验证→审查→分阶段上线
- 在模型库存中吗？→ 是的
- 模型负责人离职怎么办？→ 文档即继任计划
为什么本 地部署简化SR 11-7合规
本地部署：完全控制数据来源、可复现性、审计日志、访问控制和变更管理。 云API：你在记录别人的模型。
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $25/mo USD.
延伸阅读
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $25/mo USD.
Keep reading
技术指南
银行业本地 AI：满足监管审计要求
在银行环境中部署满足 OCC、FINRA 和美联储审计要求的本地 AI 的架构和运营指南。涵盖基础设施、审计追踪、访问控制、变更管理、灾难恢复和 10 维合规对比。
指南
反洗钱交易监控微调：降低误报率
银行每年在反洗钱合规上花费 300 多亿美元，而基于规则的系统产生 95% 以上的误报率。了解微调本地模型如何在保持 99% 以上真阳性捕获率的同时将误报率降低 40-60%。
行业指南
金融服务 AI 微调：合规、用例和部署
金融服务中部署微调 AI 模型的综合指南。涵盖 SOC 2、PCI-DSS 和 FINRA 合规，五个生产用例，以及为什么本地微调模型正在取代银行和金融中的云 API。