AI時代のモデルリスク管理：現代MLのためのSR 11-7更新
FedのSR 11-7は統計モデル向けに書かれました。現代の機械学習はその多くの前提を覆します。
Key Takeaways
AI時代のモデルリスク管理：SR 11-7の更新に関する主要なポイントです。
EU AI法との関係を含む重要な規制上の考慮事項。
実践的なガバナンスの実施ステップ。
"情報提供のみを目的としています。この記事は法律、規制、財務または専門的なアドバイスを構成するものではありません。具体的なアドバイスについては、資格を持つ専門家にご相談ください。"
SR 11-7の要件と2026年4月のSR 26-2による改定
連邦準備制度のモデルリスク管理に関する監督ガイダンス（SR 11-7）は米国金融機関のモデルガバナンスの基本的なフレームワークを確立しました。SR 11-7はモデルを「入力データを定量的推定に変換するために統計的、経済的、金融的、または数学的理論を適用する定量的手法、システム、またはアプローチ」と定義しています。現代MLシステムはこの定義に明確に該当します。
SR 11-7の核心原則——概念的健全性、厳格な開発、独立した検証——はAIモデルに有効なままです。しかし、内部ロジックが完全に解釈できないモデルに適用されたとき困難になります。
説明可能性のギャップ
SR 11-7は概念的健全性を要求します——モデルのロジックが表現され、理解され、適切さを評価できること。従来の統計モデルはこの要件を満たします：入力と出力の関係は数学的に表現できます。ディープラーニングモデルと複雑なアンサンブル手法は同じ方法では満たしません。
これらのモデルの概念的健全性評価は異なる技術を必要とします：特徴重要度分析、部分依存プロット、SHAP値、敵対的テスト——これらのどれもモデルロジックを直接読むのと同じ保証を提供しません。
分布ドリフトと継続的な監視
従来のモデル検証は、トレーニングデータと同じ分布からのホールドアウトサンプルでモデルパフォーマンスをテストします。動的な環境のMLモデルでは、この仮定はしばしば誤っています。ドリフトはMLモデルパフォーマンスを素早く劣化させます。継続的な監視インフラが必要です——入力データ分布、出力分布、パフォーマンス指標を追跡する自動化されたシステム。
EU AI法との整合
SR 11-7とEU AI法の両方に従う金融サービス機関には、かなりの構造的整合があります。EU AI法の高リスクAI要件——リスク管理システム、データガバナンス、技術文書、人間による監督——はSR 11-7のモデルリスク管理コンポーネントと直接対応しています。成熟したモデルリスク管理機能を持つ機関はEU AI法コンプライアンスをその基盤の上に構築できます。
バリデーションの実践的なアプローチ
ML時代のモデル検証には、SR 11-7の基本原則を維持しながら、現代の機械学習の特性に適応した新しいアプローチが必要です。概念的健全性の評価には：モデルの予測に最も影響を与える特徴のビジネス的解釈可能性、確認された因果関係またはビジネス上の合理的な特徴のみを使用、外部専門家またはドメイン専門家によるモデルロジックのレビュー。独立した検証には：モデル開発者から独立したテストデータでのパフォーマンス検証、様々なサブポピュレーションにわたる公平性テスト、モデルが機能しないように設計されたストレステストシナリオが含まれます。