|
|
Управление Риском №5 - 2026
Управление финансовыми рисками
Богатырева О. В.
Кандидат педагогических наук, доцент, доцент кафедры истории, Московский государственный университет технологий и управления имени К. Г. Разумовского (Первый казачий университет)
Волокитин В. П.
Кандидат технических наук, доцент кафедры проектирования автомобильных дорог и мостов, Воронежский государственный технический университет
Динер Ю. А.
Кандидат технических наук, доцент, доцент кафедры разведения и генетики сельскохозяйственных животных Омского государственного аграрного университета им. П.А. Столыпина
Управление модельными и операционными рисками применения искусственного интеллекта в российских банках
В статье рассматриваются модельные и операционные риски применения искусственного интеллекта в
российских банках. Цель исследования заключается в разработке комплексного подхода к управлению рисками
на протяжении жизненного цикла интеллектуальных систем. Методологическую основу составляют анализ
отечественных научных публикаций, сравнительный метод и систематизация факторов риска.
Разграничены ошибки моделей и нарушения процессов их эксплуатации, раскрыты механизмы взаимного
усиления угроз. Предложена рискориентированная система управления, включающая инвентаризацию
моделей, независимую валидацию, мониторинг качества данных, контроль изменений и обеспечение
непрерывности деятельности. Разработана матрица показателей контроля. Практическая значимость
состоит в возможности использования предложений для совершенствования контроля, повышения
обоснованности автоматизированных решений и устойчивости банковских процессов в условиях применения
искусственного интеллекта.
искусственный интеллект российские банки модельный риск операционный риск валидация моделей
Managing Model and Operational Risks Associated with Artificial Intelli gence in Russian Banks
This article examines the model and operational risks associated with the use of artificial intelligence in Russian banks.
The study aims to develop a comprehensive approach to risk management throughout the lifecycle of intelligent systems.
The methodological framework relies on an analysis of domestic academic publications, the comparative method, and
the systematization of risk factors. The study distinguishes between model errors and operational process failures and
identifies mechanisms by which threats mutually reinforce one another. A risk-based management system is proposed,
comprising model inventory, independent validation, data quality monitoring, change control, and business continuity
assurance. A control metrics matrix has been developed. The practical significance of the study lies in the potential appli
cation of these proposals to enhance control mechanisms, improve the soundness of automated decisions, and increase
the resilience of banking processes when utilizing artificial intelligence.
artificial intelligence Russian banks model risk operational risk model validation
|
