Im SR Letter 11-7 der Federal Reserve and Office of the Comptroller of the Currency Guidance wird das Modell als „... eine quantitative Methode, ein System oder einen Ansatz, der statistische, wirtschaftliche, finanzielle oder mathematische Theorien, Techniken und Annahmen auf die Verarbeitung von Eingaben anwendet, um Eingangsdaten zu quantitativen Schätzungen zu verarbeiten“ definiert.
Ein Modellrisiko kann auftreten, wenn ein Modell zur Vorhersage und Messung quantitativer Informationen verwendet wird, das Modell jedoch keine ausreichende Leistung erbringt. Eine schlechte Modellleistung kann zu nachteiligen Ergebnissen führen und zu erheblichen Betriebsverlusten führen. Die Implementierung von Modellrisikomanagement in einer modernen Informationsarchitektur hilft Ihnen:
Ankündigung des Starts von watsonx.ai – Das völlig neue, auf Unternehmensniveau arbeitende AI-Studio, das traditionelles maschinelles Lernen mit neuen, auf Foundation Models basierenden generativen KI-Funktionen verbindet
Verbessern Sie die Modell-Compliance mit benutzerangepassten Tests und Schwellenwerten.
Erfahren Sie, wie KI-Experten über die Digitalisierung der Governance im Zeitalter der KI diskutieren.
Zeigen Sie Metriken zu Fairness, Qualität und Drift an. Kennzeichnen Sie Modelle unterhalb benutzerdefinierter Schwellenwerte. Analysieren Sie Modelle im Detail.
Konfigurieren und führen Sie die Modellprüfung durch. Testen Sie Modellmetriken, einschließlich Modellgerechtigkeit.
Modelltestergebnisse vergleichen. Wählen Sie effektivere Modelle aus und beschleunigen Sie deren Entwicklung.
Generieren Sie automatisch ein Datenblatt im PDF-Format. Fassen Sie Modelldetails, relevante Daten und Testergebnisse zusammen.
Entdecken Sie erklärbare KI auf IBM Cloud Pak for Data.
Erhalten Sie technische Tipps und Einblicke von anderen, die IBM Daten- und KI-Lösungen verwenden.