End-to-End workflow, model Governance a self-audit

zisky:

• Schopnost bezpečně provozovat bankovní úkoly od začátku do konce s cyklem „AI produkuje → expert ověřuje → autorizovaný rozhoduje“
• Schopnost bezpečně začlenit umělou inteligenci v rámci modelového řízení, ověřování, monitorování a neustálého zlepšování
• Schopnost převzít konečnou odpovědnost samočinnou kontrolou svých výstupů pomocí pěti klíčových otázek (ověření, zdroj, důvěrnost, férovost, schválení)

V tomto modulu umísťujeme AI jako asistenta a generátor plánů do všech koutů bankovnictví – úvěry, podvody, segmentace, služby zákazníkům, dodržování předpisů, výkaznictví, finanční analýzy. V této závěrečné části poskládáme jednotlivé části dohromady: jak spustíte bankovní úlohu od začátku do konce v zabezpečené smyčce, jak modelové řízení tuto smyčku zarámuje a pomocí jakých pěti otázek provádíte vlastní audit každého výstupu? Cílem je destilovat to, co jste se naučili, do jediného reflexu: AI produkuje → expert ověřuje → expert rozhoduje. Tento cyklus je způsob, jak udržet rychlost a zároveň bezpečnost.

Smyčka od konce ke konci: tři kroužky

Představte si každý bankovní úkol jako tříčlánkový řetězec:

1. Umělá inteligence vytváří (návrhový kruh): Anonymní, s minimem dat, AI dostane úkol návrhu/kontroly – shrnutí, návrh odůvodnění, výstraha, návrh účtu. Zde není žádné rozhodnutí, pouze materiál.
2. Expert ověřuje (filtrační kroužek): Výstup je propojen se zdrojem, čísla jsou přepočítána, filtrována přes politiku/legislativa a spravedlnost. Jsou zde eliminovány halucinace, diskriminace a narušování soukromí.
3. Autorita rozhoduje (podpisový kroužek): Konečné rozhodnutí — úvěr, STR, rozhodnutí o podvodu, podpis zprávy — provádí oprávněná osoba/výbor; Zaznamenává se odůvodnění a auditní záznam.

Quest

AI vyrábí

Expert potvrzuje

kompetentní rozhodnutí

úvěr

Návrh odůvodnění

Poměr/zdroj/férovost

Rozhodnutí o přidělení

podvod

Upozornění na anomálie

Kontext/potvrzení zákazníka

Blokové/volné rozhodování

AML

Vzor/shoda

Kontrola neshody

STR rozhodnutí

Zpráva

Návrh textu/čísla

Numerické ověření

podpis

Analýza

Návrh hodnocení/komentáře

Přepočet/předpoklad

Investiční/úvěrový posudek

Tip: Nejčastěji přeskakovaným odkazem ve smyčce je prostřední „ověření“. Lidé pod tlakem přeskakují od návrhu k rozhodnutí. Je to však přesně ten střední kruh, který určuje hodnotu i riziko. Přeskočení ověření znamená přerušení cyklu.

Model governance: systém, který rámuje smyčku

Kromě jednotlivých úkolů musí banka řídit své modely jako celek. Model governance se skládá z následujících složek:

• Validace: Model je před uvedením do provozu nezávisle testován; Měří se jeho přesnost, spravedlnost a limity.
• Monitorování: Model se může časem zhoršit (posun dat — výkon klesá, když se změní rozložení vstupů). Je neustále sledován.
• Dokumentace: Je zdokumentováno, co model dělá, s jakými daty je trénován, jeho limity a odpovědné osoby.
• Role a odpovědnost: Kdo vyrábí, kdo ověřuje, kdo rozhoduje, je jasně definováno.
• Kontrola a vylepšení: Chyby jsou zaznamenávány, model je pravidelně přehodnocován.

Pozor: Model, který dobře funguje, nebude dobře fungovat navždy. Ekonomické podmínky, chování zákazníků a taktika podvodů se mění; Pokud s nimi model nemůže držet krok, začne tiše falšovat. Bez monitorování zůstává tato degradace bez povšimnutí.

Samokontrola s pěti otázkami

Než použijete každý výstup AI, položte si těchto pět otázek:

1. Ověření: Připojil jsem tento výstup ke zdroji a přepočítal kritická čísla?
2. Zdroj: Je každé tvrzení založeno na skutečném dokumentu/datech/pravidlech, nebo by mohlo být vymyšleno?
3. Ochrana osobních údajů: Jsou údaje o identitě anonymizovány, používá se minimum údajů a schválené nástroje?
4. Spravedlnost: Obsahuje výstup diskriminaci podle chráněného vlastnictví nebo náhradní proměnné?
5. Schválení: Bylo konečné rozhodnutí učiněné oprávněnou osobou, zdůvodnění a auditní záznam zaznamenány?

Pokud je i jeden z pěti "ne", výstup není připraven k použití.

Čtyři kopírovatelné šablony

1) Úplný plán mise:

Vaše role: asistent, který mi pomáhá plánovat bankovní úkol v zabezpečené smyčce. Úkol: [úkol]. Vyplňte mi tyto tři kroužky: (1) jaký návrh vytvoří AI, (2) jaké ověřovací kroky provede odborník, (3) jaké rozhodnutí učiní a zaznamená úředník? Navrhování rozhodnutí; Objeví se kostra procesu.

2) Aplikace sebekontroly s pěti otázkami:

Zkontrolujte následující výstup AI s pěti otázkami: ověření, původ, soukromí, spravedlnost, schválení. U každé otázky zhodnoťte „ok / neúplné / riskantní“ a napište, jak nedostatky odstranit. Výstup: [text]

3) Poznámka ke kontrole sledování modelu:

Vaše role: modelový asistent řízení. Pro model podpory rozhodování, který používáme, přeměňte ukazatele, které je třeba pravidelně monitorovat (výkon, meziskupinová spravedlnost, signály posunu dat, záznamy o chybách), na kontrolní seznam. rozhodování; Navrhněte rámec monitorování.

4) Uzavření případu a auditní záznam:

Na konci zakázky navrhněte závěrečnou poznámku pro audit trail: jaký návrh byl vytvořen, jaká ověření byla provedena, jaké rozhodnutí bylo učiněno kým, s jakým odůvodněním. Používejte pouze ověřené informace, které poskytnu. Vstup: [informace]

Slabá výzva / Silná výzva

Slabá výzva:

Tento úkol zvládáte od začátku do konce a výsledek mi dáte jako hotové rozhodnutí, takže se nebudu zatěžovat detaily.

Redukuje tři zazvonění na jediný krok, obchází ověřování a lidský úsudek a zatemňuje odpovědnost.

Výkonná výzva:

Vaše role: procesní asistent, nikoli osoba s rozhodovací pravomocí. Nejprve vytvořte osnovu úkolu, poté uveďte body, které musím ověřit, a na konci mi připomeňte, že rozhodnutí a auditní stopa jsou moje. Přidejte k výstupu pět samokontrolních otázek (ověření, zdroj, důvěrnost, férovost, schválení).

Silná vůle chrání tři prsteny, vyžaduje ověření a rozhodnutí nechává na člověku.

tři mini pouzdra

Případ 1 – Cyklus běží naplno. V žádosti o úvěr AI vytvoří návrh odůvodnění (kruh 1); odborník přepočítá sazby, zkontroluje spravedlivost odůvodnění, vymaže výraz náhradní proměnné (kruh 2); úředník učiní rozhodnutí o přidělení a zaznamená auditní záznam (kroužek 3). Za 20 minut se objeví bezpečné a obhajitelné rozhodnutí.

Případ 2 – Monitorování zachycuje degradaci. Zatímco model podvodu funguje dobře po celé měsíce, míra zachycení tiše klesá kvůli nové taktice podvodu. Monitoring v rámci modelového řízení zaznamenává tento pokles; Model je aktualizován. Bez monitorování by ztráty nadále rostly.

Případ 3 — Sebekontrola zabraňuje porušení. Analytik se chystá přímo odeslat výstup AI pro rychlou zprávu. Aplikuje pět otázek: všiml si, že v otázce „zdroj“ není potvrzeno číslo zisku. Ovládání ze zdroje; číslo je špatné. Třicet sekund samokontroly zabrání odeslání falešného obrázku vedení.

Jasnost rolí: kdo vyrábí, kdo ověřuje, kdo rozhoduje

Cyklus tří zazvonění je bezpečný pouze tehdy, když jsou role jasné. Nejčastější závadou je rozmazaná oblast, kde „jsou zodpovědní všichni, ale nikdo není zodpovědný“: návrh vytvořila AI, nikdo jej plně neověřil a rozhodnutí zůstalo bez dozoru, protože „opustilo systém“. Tato mezera je místo, kde chyby nejsnáze vstupují.

Ve zdravé fikci má každý prsten svého majitele:

• Generátor (asistent + uživatel): Anonymní osoba, která požaduje návrh a připravuje záznam s minimem dat.
• Ověřovatel (expert): Někdo, kdo spojuje výstup se zdrojem, přepočítává čísla a filtruje je, aby byly spravedlivé a důvěrné. Tato role není nikdy přeskočena.
• Osoba s rozhodovací pravomocí (orgán/výbor): Orgán, který činí konečné rozhodnutí a podepisuje odůvodnění a audit trail.

Někdy tatáž osoba zastává více rolí; To není problém, pokud se ujistíte, že každý odkaz je vytvořen vědomě a zaznamenán. Problém je v tom, že prsten je ponechán prázdný s předpokladem, že to „někdo musel udělat“.

Tip: Po rozhodnutí si položte otázku: „Kdo je výhradním vlastníkem tohoto rozhodnutí?“ požádat. Pokud odpověď není jasné jméno, znamená to, že řetězec odpovědnosti je přerušen; Restartujte smyčku.

Časté chyby

• Přeskakování prostředního kroužku. Přechod přímo od návrhu k rozhodnutí a přeskakování ověřování.
• Přenesení odpovědnosti na model. Říct „AI to zvládne“ a nevlastnit konečné rozhodnutí a podpis.
• Přemýšlíte, jak nastavit model a zapomenout na něj. Ponechání modelu, který fungoval dobře, jednou bez následování; nepozoruje posun dat.
• Nezanechání auditní stopy. Nezaznamenává, kdo jaké rozhodnutí učinil a proč.
• Obcházení sebekontroly. Použití výstupu bez položení pěti otázek.

Tip: Udělejte si z pěti otázek sebekontrolu zvyk; Postupem času se stává automatickým a trvá několik sekund. Mnoho z největších chyb nastane, když těchto pár sekund kontroly chybí.

V souhrnu

Použití bezpečné umělé inteligence v bankovnictví je tříkruhový cyklus: AI vytváří, expert ověřuje, autorita rozhoduje. Model governance (ověření, monitorování, dokumentace, odpovědnost, zlepšování) rámuje tento cyklus. Samostatná kontrola každého výstupu pomocí pěti otázek – autentizace, zdroj, důvěrnost, férovost, schválení; Pokud i jeden chybí, výstup není připraven. Model se může rozpadnout; monitorování je zásadní. Odpovědnost je vždy na člověku. Jednou větou: Umělá inteligence je prvním článkem v cyklu; ověření a konečné rozhodnutí jsou kruhy kompetentního muže, který může dát účet.

Aplikační úkol

Vyberte si úkol z vlastního podnikání a vytvořte tříkruhový komplexní plán se šablonou 1: co vytvoří umělá inteligence, co ověří odborník, co zaznamená a rozhodne úřad. Poté napište vzorový výstup AI pro tento úkol, použijte samokontrolu s pěti otázkami s 2. šablonou a opravte nedostatky. Nakonec vytvořte kontrolní seznam monitorování se šablonou 3 pro nástroj na podporu rozhodování, který používáte.

kontrolní seznam

• [ ] Úlohu jsem strukturoval do tříkruhové smyčky (generovat / ověřit / rozhodnout).
• [ ] Nepřeskočil jsem prostřední odkaz (ověření); Zkontroloval jsem zdroj a čísla.
• [ ] Zadal jsem pět otázek sebekontroly; Kdyby něco chybělo, šel bych.
• [ ] Prošel jsem filtrem ochrany soukromí a spravedlnosti.
• [ ] Vzal jsem v úvahu riziko sledování modelů a korupce.
• [ ] Převzal jsem odpovědnost tím, že jsem zaznamenal konečné rozhodnutí, jeho odůvodnění a auditní stopu.

Modulová zkouška

1. Úvěrový expert předá zákazníkovi důvod zamítnutí půjčky generovaný umělou inteligencí, aniž by jej kontroloval. Jaká je zásadní chyba tohoto přístupu?

• A) Výstup umělé inteligence nelze použít bez ověření; Odůvodnění návrhu rozhodnutí musí být přezkoumáno a schváleno oprávněným odborníkem ✔
• B) Umělá inteligence udává zdůvodnění půjčky vždy jako negativní
• C) Místo důvodu by mělo být zákazníkovi sděleno pouze skóre
• D) Odůvodnění mělo být zákazníkovi sděleno telefonicky namísto e-mailem.

Vysvětlení: I když umělá inteligence dokáže vytvořit konzistentní odůvodnění, může také vytvořit chybné a dokonce diskriminační odůvodnění se stejnou jistotou založené na nesprávných datech nebo nesprávných předpokladech. Bankovnictví je regulovaná oblast kritická pro důvěru; Každý výstup musí být ověřen odborníkem, rozhodnutí o přidělení kreditu a konečné odůvodnění musí patřit autorizované osobě.

2. Jaké je nejlepší chování z hlediska důvěrnosti (KVKK a zákaznické tajemství) při převodu transakcí bankovního účtu zákazníka do nástroje umělé inteligence?

• A) Z důvodu rychlosti by mělo být nahráno celé jméno zákazníka a výpis z účtu.
• B) Odstraněním osobních údajů a anonymizací údajů by mělo být sdíleno pouze minimum nezbytných informací ve schváleném zabezpečeném nástroji ✔
• C) Jsou-li data zašifrována, lze jméno a číslo účtu zaslat také libovolnému vozidlu
• D) Protože účel je dobrý, celý přepis lze sdílet, aniž byste se zeptali zákazníka

Vysvětlení: Finanční údaje zákazníka jsou v rámci bankovního práva osobní údaje i tajemství zákazníka. Identifikační informace, jako je jméno, TR ID, číslo účtu, by měly být odstraněny a data anonymizována; Mělo by být sdíleno minimum dat požadovaných pro daný úkol a měly by být používány pouze bezpečné nástroje schválené institucí.

3. Umělá inteligence zdůvodňuje rozhodnutí o modelu kreditního bodování, například „odmítnutí, protože oblast, kde žadatel žije, je riziková“. Co by měl odborník dělat?

• A) Zdůvodnění je použito tak, jak je, protože model je založen na statistice
• B) Informace o okrese jsou dále váženy a rozhodnutí je posíleno.
• C) Může se jednat o nepřímou diskriminaci prostřednictvím zástupné proměnné; Odůvodnění musí být odmítnuto a rozhodnutí musí být založeno na legitimních a vysvětlitelných kritériích ✔
• D) Důvod se zákazníkovi nesděluje, jen je veden v kartotéce, nebude problém.

Vysvětlení: Okres bydliště může být zástupnou proměnnou silně související s etnickým původem nebo podobnými chráněnými charakteristikami, což vytváří nepřímou diskriminaci. Tento typ odůvodnění je právně a eticky nepřijatelný; Rozhodnutí musí být založeno na legitimních, vysvětlitelných a nediskriminačních kritériích a toto odůvodnění musí být odmítnuto.

4. V systému detekce podvodů umělá inteligence označí transakci jako „vysoce rizikovou“. Jaký je nejlepší přístup?

• A) Varování je signál předběžné kontroly; Skutečný podvod a planý poplach by se měl odlišit znaleckým zkoumáním a konečný úsudek by měl být vynesen lidsky ✔
• B) Transakce je automaticky a trvale zablokována, kontrola není nutná
• C) Varování je ignorováno, protože většina varování je nepravdivých
• D) Zákazník je volán a přímo obviňován

Vysvětlení: AI varování je předběžným screeningovým a pravděpodobnostním signálem, nikoli definitivním verdiktem. Je na odborníkovi, aby rozlišil mezi skutečným podvodem a falešně pozitivními výsledky, aby prošetřil, aniž by viktimizoval zákazníka, a učinil konečné rozhodnutí; Upozornění by nemělo automaticky trvale zablokovat účet.

5. Jaká je cena velkého počtu falešně pozitivních upozornění při odhalování podvodů?

• A) Falešně pozitivní výsledek nic nestojí, čím více varování, tím lépe
• B) Vyvolává úzkost a únavu zákazníků; Zvyšuje riziko, že skutečný podvod zůstane nepovšimnut ✔
• C) Zvyšuje pouze spotřebu elektrické energie systému
• D) Falešně pozitivní se vyskytuje pouze u nočních obchodů

Vysvětlení: Falešná pozitiva způsobují nepohodlí a nespokojenost tím, že zbytečně brání transakcím legitimních zákazníků; U analytiků to také vytváří ostrou únavu, čímž se zvyšuje riziko, že bude skutečný podvod přehlédnut. Proto by prahové hodnoty a pravidla měly být vyvážené a varování by měla mít prioritu.

6. Jaká je eticky nejkritičtější hranice při navrhování segmentace zákazníků a personalizovaných kampaní?

• A) Čím užší segmenty, tím lépe, žádné další limity neexistují
• B) Personalizace je pouze technickou záležitostí, nevyžaduje etické hranice
• C) Musí být chráněna způsobilost, souhlas a nediskriminace; Je třeba zabránit vykořisťování a manipulaci se zranitelným zákazníkem ✔
• D) Pokud bude kampaň zaslána všem stejně, nenastanou žádné etické problémy.

Vysvětlení: Segmentaci lze sice využít ve prospěch zákazníka (doporučení vhodného produktu), ale lze ji také zneužít k zneužití zranitelnosti (např. marketing dodatečného úvěru předluženému zákazníkovi). Musí být chráněny zásady vhodnosti, souhlasu a nediskriminace; personalizace by se neměla změnit v manipulaci.

7. Jaká je nejlepší bezpečnostní politika pro chatbota zákaznických služeb?

• A) Chatbot by měl být schopen samostatně uzavírat všechny druhy transakcí a finanční poradenství
• B) Zrychluje rutinní informace; Stížnosti, citlivé rady a autorizované transakce by měly být delegovány na lidi, neposkytovat neověřené informace ✔
• C) Chatbot může sdílet všechny informace o účtu bez ověřování identity zákazníka
• D) Možnost lidského předání by měla být odstraněna, protože zpomaluje chatbota.

Popis: Chatbot bezpečně urychlí často žádané informace a běžné transakce, ale stížnosti, citlivé finanční poradenství, autorizované transakce na účtu a nejednoznačné situace by měly být delegovány na pověřeného pracovníka. Chatbot by navíc neměl odhalovat tajemství zákazníků nebo poskytovat neověřené informace.

8. V procesech AML/KYC označí umělá inteligence transakci jako podezřelou. Jaký je správný přístup z hlediska hlášení podezřelých transakcí (STR)?

• A) Pokud je model označen, oznámení by mělo být provedeno automaticky, kontrolor shody je zbytečný
• B) Varování je ignorováno, protože většina transakcí je legitimních
• C) Transakce je okamžitě nahlášena zákazníkovi jako „existuje podezření na praní prádla“
• D) Výstupem modelu je předběžný screening a návrh; Rozhodnutí o STR provádí oprávněný compliance officer, přičemž se zachovává odůvodnění a auditní záznam ✔

Popis: Monitorování a skenování transakcí pomocí umělé inteligence rychle označí potenciálně podezřelé vzorce, ale hlášení podezřelých transakcí (STR/SAR) je rozhodnutí s právními důsledky a je přijímáno na základě úsudku oprávněného pracovníka pro dodržování předpisů. Výstup modelu je předběžný a návrh; Auditní záznam a odůvodnění musí být zachovány.

9. V seznamu sankcí / prověřování PEP (politicky exponovaná osoba) se umělá inteligence shoduje se jménem, ​​ale může se jednat o falešnou shodu. Jaký je správný přístup?

• A) Shoda musí být potvrzena dalšími identifikátory (datum narození, národnost); Rozhodnutí musí učinit kontrolor shody ✔
• B) Podobnost jmen je dostatečná, zákazník je okamžitě prohlášen za sankcionovaný
• C) Všechny shody jsou považovány za nepravdivé a ignorovány
• D) Rozhodnutí je ponecháno na chatbotovi

Vysvětlení: Skenování jmen může způsobit falešné poplachy kvůli podobným jménům. Kontrolor shody musí potvrdit shodu s datem narození, národností a dalšími identifikátory; Omylné prohlášení zákazníka za sankcionovaného nebo vynechání skutečné shody mají vážné důsledky. Rozhodnutí patří člověku.

10. Vytvořili jste návrh manažerské zprávy s umělou inteligencí; Zpráva obsahuje čtvrtletní údaje o zisku. Jaký je nejdůležitější krok před podpisem?

• A) Všechna kritická čísla ve zprávě by měla být znovu ověřena se zdrojovými údaji; Konečná odpovědnost za podpis leží na lidské bytosti ✔
• B) Umělá inteligence dává čísla bez chyb, ověřování je ztráta času
• C) Kontroluje se pouze formát, aby zpráva vypadala krásněji.
• D) Zpráva je zaslána přímo vrcholovému vedení, kontrola je provedena později

Vysvětlení: Umělá inteligence může zkreslovat číselné hodnoty, vymýšlet je nebo je sumarizovat nekonzistentně se zdrojovými daty. Před podpisem zprávy by měla být všechna kritická čísla znovu ověřena oproti zdrojovým datům; Přestože automatizace poskytuje rychlost, konečnou odpovědnost za podpis leží na člověku.

11. Umělá inteligence analyzuje finanční výkazy společnosti a říká, že „společnost je velmi solidní, půjčka by měla být rozhodně poskytnuta“. Jaká je odpovědnost finančního analytika?

• A) Přijetí textu tak, jak je, protože umělá inteligence zná finance bez chyb
• B) Přepočítávání poměrů ze zdrojových tabulek a zpochybňování předpokladů; Učinit konečné rozhodnutí jako člověk, uvést nejistotu ✔
• C) Předložení rozhodnutí přímo výboru jako „schváleno AI“
• D) Odmítnutí půjčky bez přečtení analýzy

Vysvětlení: Finanční analýza závisí na předpokladech a přesnosti zadání; Umělá inteligence může chybně vypočítat sazby, ignorovat chybějící data nebo používat příliš přesný jazyk. Analytik musí přepočítat sazby ze zdrojových tabulek, zpochybnit předpoklady a učinit konečné úvěrové rozhodnutí lidsky s odkazem na nejistotu.

12. Zatímco úvěrový model nemusí přímo používat chráněné charakteristiky, jako je pohlaví nebo etnická příslušnost, může je nepřímo odrážet prostřednictvím poštovních směrovacích čísel a nákupních údajů. Jak se tato situace nazývá a proč je riziková?

• A) Tomu se říká přeučení a pouze to sníží přesnost
• B) Tomu se říká únik dat a jde pouze o problém s rychlostí
• C) Toto se nazývá nepřímá diskriminace prostřednictvím zástupné proměnné; je nezákonné a musí být prověřeno testy poctivosti ✔
• D) Tomu se říká normalizace a je to zcela neškodné

Vysvětlení: Proměnné, které jsou pevně spojeny s chráněnou vlastností, se nazývají proxy proměnné. I když model nepoužívá chráněnou funkci přímo, může diskriminovat nepřímo prostřednictvím proxy. To je nezákonné i neetické; Modely by měly být testovány s metrikami spravedlivosti a mělo by být kontrolováno proxy riziko.

13. Banka používá při rozhodování o úvěru model umělé inteligence. Co je jedním z nejzákladnějších požadavků z hlediska legislativy a auditovatelnosti?

• A) Čím je model složitější a nesrozumitelnější, tím je bezpečnější
• B) Vedení záznamů je zbytečné, rozhodnutí lze vysvětlit ústně
• C) Právo zákazníka vznést námitku by mělo být odstraněno, protože to zpomaluje proces
• D) Model by měl být vysvětlitelný, mělo by být zachováno odůvodnění rozhodnutí a auditní záznam, zákazník by měl mít právo na námitku/kontrolu člověkem ✔

Vysvětlení: V regulovaných rozhodovacích procesech musí být model vysvětlitelný, zdůvodnění rozhodnutí musí být zdokumentováno, musí být veden záznam (audit trail) a zákazník musí mít právo vznést námitku/požádat o kontrolu člověkem. Neodůvodněné rozhodnutí modelu „černé skříňky“ nelze kontrolovat a není v souladu s právními předpisy.

14. Jak hlavní princip zdůrazněný v celém modulu popisuje roli umělé inteligence v bankovnictví?

• A) Umělá inteligence dokáže nahradit zkušené bankéře a dokončit půjčky a notifikace sama
• B) Umělá inteligence se používá pouze pro marketing, nikoli pro rozhodování
• C) Výstup umělé inteligence je bezpečný i bez ověření, protože je založen na statistice
• D) Umělá inteligence je asistentem a generátorem návrhů; Přidělení kreditu, posouzení podvodu/souladu a konečné rozhodnutí je na oprávněné osobě ✔

Popis: Umělá inteligence zrychluje opakující se úkoly jako asistent, pre-screener a generátor návrhů; Ale protože pracujeme v regulované oblasti, která je kritická pro důvěru, konečné rozhodnutí o přidělení úvěru, zajištění podvodu/compliance a zákazníka je v kompetenci oprávněné osoby (autorizovaný bankéř a rozhodovací výbor). Neověřený výstup je nepodepsaný návrh rozhodnutí.