알고리즘 책무성 위기: 집행 시대를 위한 Deep AI 솔루션 설계

금융 서비스 환경은 현재 자동 의사결정 시스템에 대한 감독에서 근본적인 변화를 겪고 있습니다. 알고리즘 면책의 시대—독자적 혁신이라는 명분 아래 "블랙박스" 모델을 빠르게 배포해 온 시기로 특징지어지는 기간—은 엄격한 책무성과 방어 가능한 지능의 체제로 대체되었습니다. 이 전환은 고프로필 규제 개입, 특히 2025년 7월 Earnest Operations LLC가 도달한 $2.5 million 합의와 Navy Federal Credit Union의 모기지 대출 격차에 대한 체계적 조사로 뚜렷이 드러납니다.¹ 현대의 수탁자와 기관 대출기관에게 이러한 사건은 고립된 법적 좌절 이상을 의미합니다. 그것은 심대한 아키텍처 실패의 증상입니다.

인수심사와 위험 평가에서 인공지능으로의 전환은 처음에는 인간 주관성의 만병통치약처럼 마케팅되었습니다. 그러나 피상적인 "래퍼" 아키텍처—구조화·비구조화 데이터를 OpenAI의 GPT-4나 Google의 Gemini 같은 제3자 대규모 언어 모델(LLM)에 단순히 전달하는 시스템—에 의존하면서 새로운 부류의 시스템 위험이 도입되었습니다. 이러한 얇은 통합은 Consumer Financial Protection Bureau(CFPB)와 주 검찰총장의 현재 수준의 조사를 견딜 도메인 특화 가드레일, 투명성 메커니즘, 인과적 추론을 갖추지 못합니다.³ Veriprajna는 이 중대한 전환점에 자리하며, 단순한 확률적 효율성보다 구조적 무결성, 공정성 엔지니어링, 견고한 거버넌스를 우선하는 "Deep AI" 철학을 옹호합니다.

Earnest Operations 합의: 알고리즘 편향의 분류학

2025년 7월 10일, 매사추세츠 검찰총장은 Earnest Operations LLC와 획기적 합의를 발표하여, 회사의 AI 기반 대출 모델이 흑인 및 히스패닉 신청자와 비시민 차입자에게 불균형적으로 해를 끼쳤다는 혐의를 해결했습니다.¹ 이 사건은 "대리 변수"와 "녹아웃 규칙"이 역사적 차별을 현대 디지털 플랫폼에 의도치 않게 하드코딩할 수 있는 방식을 보여주는 기념비적 사례 연구입니다.

CDR을 통한 대리 차별의 메커니즘

매사추세츠 조사의 핵심 요소는 Earnest가 학자금 대출 재융자 모델에서 Cohort Default Rate(CDR)를 가중 하위점수로 사용한 점이었습니다.¹ CDR은 특정 교육기관의 평균 대출 불이행률을 추적합니다. 통계적 관점에서 이 변수는 기관 위험에 대한 고수준 시각을 제공하는 것처럼 보입니다. 그러나 검찰총장은 이 변수의 예측력이 개인의 신용력에서 나온 것이 아니라 보호받는 인종·사회경제적 계층과의 강한 상관관계에서 비롯되었다고 주장했습니다.⁶

역사적으로 Historically Black Colleges and Universities(HBCU)와 저소득 소수 학생 비중이 높은 기관은 세대 간 부의 격차로 인해 체계적 자금 부족과 더 높은 평균 불이행률에 직면해 왔습니다.⁶ 학교의 CDR을 기준으로 신청자를 불리하게 취급함으로써, 모델은 개인의 재무 안정성이나 신용 이력과 무관하게 집단적 불이익을 사실상 적용했습니다. 이는 SR 11-7 프레임워크 하에서 "개념적 건전성"의 전형적 실패입니다. 즉 집단 기반의 역사적 유물을 개인 위험의 대리로 사용한 것입니다.⁶

자동화된 배제와 거버넌스 실패

Earnest 조사는 또한 "녹아웃 규칙"—특정 기준에 따라 신청을 자동 거부하는 하드코딩된 알고리즘 게이트의 위험을 강조했습니다.¹ Earnest는 적어도 영주권(green card)이 없는 신청자를 거부하는 녹아웃 규칙을 사용했으며, 검찰총장은 이를 Equal Credit Opportunity Act(ECOA)의 차별적 영향 위험 위반으로 지목했습니다.¹

결정적으로, 합의는 회사의 명시된 정책과 운영 현실 사이의 단절을 드러냈습니다. Earnest의 내부 정책은 모델 예외에 대한 고위 감독을 요구했지만, 조사관들은 인수심사자가 문서로 남기지 않은 채 모델을 자주 우회하거나 자의적 기준을 적용했음을 발견했습니다.¹ 이러한 비일관성은 알고리즘 편향과 감시되지 않은 인간 편향이 공존하는 하이브리드 위험 프로파일을 만들어, 시스템을 감사하고 방어하는 것을 불가능하게 만듭니다.⁸

위반 범주	기술적 트리거	법적 위반
대리 차별	Cohort Default Rate (CDR)	ECOA 차별적 영향 / M.G.L. c. 93A
자동화된 배제	이민 신분 "녹아웃 규칙"	불공정/기만적 관행 (UDAP)
투명성 실패	부정확한 불리한 조치 고지	Regulation B (ECOA) 미준수
거버넌스 공백	독립적 모델 검증 부재	공정 대출 위험 완화 실패
프로세스 불안정성	비표준화된 인간 오버라이드	내부 통제 구현 실패

Navy Federal Credit Union: 통계적 책무성과 시스템 드리프트

Earnest 사례가 특정 변수 실패에 초점을 맞춘 반면, Navy Federal Credit Union(NFCU) 조사는 시간이 지나며 공평한 결과에서 벗어난 알고리즘 시스템의 거시적 영향을 보여줍니다. 2022년 Home Mortgage Disclosure Act(HMDA) 데이터 분석에 따르면, 미국 최대 신용조합인 NFCU는 흑인 일반 모기지 신청자의 절반 이상을 거부했습니다.⁹

모기지에서의 격차

Navy Federal의 통계적 격차는 다른 상위 대출기관과 비교할 때 특히 두드러졌습니다. 2022년 이 신용조합은 백인 신청자의 약 77%를 승인했지만 흑인 신청자는 48.5%, 히스패닉 신청자는 55.8%만 승인했습니다.⁹ 백인과 흑인 승인율 사이의 거의 29퍼센트포인트 격차는 상위 50개 모기지 대출기관 중 가장 컸습니다.¹⁰

NFCU가 제시한 방어—공개 HMDA 데이터에는 신용점수와 현금 보유 지표가 없다는 주장—은 엄밀한 제3자 분석으로 도전받아 왔습니다. 연구자들이 소득, DTI 비율, 부동산 가치, 지역 특성을 포함한 십여 개 변수를 통제한 후에도, 흑인 신청자는 동일 프로파일의 백인 신청자보다 거부될 가능성이 두 배 이상이었습니다.² 이는 전통적 신용 요인으로 설명할 수 없는, 신용조합의 "비밀" 인수심사 알고리즘 내 "잔여 편향"을 시사합니다.¹²

소송과 규제 반발

Navy Federal 사건은 통합 집단소송과 의회 조사의 물결을 촉발했습니다. 2024년 5월, 미국 지방법원 판사는 차별적 영향 청구가 진행될 수 있다고 판결하여, 원고가 NFCU 인수심사 모델의 내부 논리에 관한 디스커버리를 구할 수 있게 했습니다.¹² 이는 업계에 중요한 교훈을 강조합니다. 통계적 격차만으로도 각하 신청을 넘어설 수 있는 경우가 많아, 기관이 자신의 "비밀" 프로세스가 필요하며 이용 가능한 최소 차별적 대안(LDA)임을 입증해야 하는 부담을 지게 됩니다.¹²

지표	백인 신청자	흑인 신청자	격차
원시 승인율	77.1%	48.5%	28.6%
거부율	23.0%	52.0%	29.0%
VA 대출 거부율	15-17% (est)	28.6%	~12%
전국 평균 거부율 (CFPB)	5.6%	16.2%	10.6%

구조적 취약성: 래퍼가 수탁 시험을 통과하지 못하는 이유

단순 LLM 래퍼나 "수평적" AI 도구에 대한 의존은 기술 역량과 규제 요구 사이의 근본적 불일치를 만듭니다. 금융 서비스는 고위험·결정론적 논리를 요구하지만, 파운데이션 모델은 본질적으로 확률적이며 비결정론적입니다.⁴

환각과 정확성의 역설

대규모 언어 모델은 사실을 검색하거나 보험수리 계산을 수행하는 것이 아니라, 시퀀스에서 다음 토큰을 예측하는 방식으로 작동합니다.¹⁵ 신용 인수심사 맥락에서 LLM은 "환각"—신청자의 재무 파일에 근거가 없지만 그럴듯하게 들리는, 대출 거부에 대한 조작된 정당화를 생성할 수 있습니다.¹⁶ 은행의 챗봇이나 자동 시스템이 자격 기준이나 금리를 잘못 진술하면, Air Canada 챗봇 선례에서 보듯 기관은 소비자를 오도한 데 대한 직접적 책임을 집니다.¹⁶

수평적 AI의 컨텍스트 공백

범용 AI 플랫폼은 모기지 서류, 세금 신고서, 은행 명세서를 정확히 처리하는 데 필요한 "수직적" 컨텍스트가 부족합니다. 산업 특화 학습이 없으면 이러한 모델은 소득 패턴이나 현금흐름 분석의 뉘앙스를 해석하는 데 어려움을 겪으며, 종종 대안 데이터 패턴을 인식하지 못해 신용력 있는 차입자가 거부되는 "거짓 음성"으로 이어집니다.⁴ "Deep AI" 아키텍처—전용 데이터 수집, 엔티티 추출, 도메인 특화 위험 계층을 포함하는 아키텍처—를 구현하는 대출기관은 현저히 높은 정밀도와 더 적은 컴플라이언스 트리거를 경험합니다.⁴

학습 데이터 오염의 문제

LLM은 역사적·젠더·인종 편향으로 포화된 방대한 인터넷 텍스트 코퍼스로 학습됩니다.¹⁹ 기관이 LLM 래퍼를 사용해 차입자의 "스토리"나 고용 이력을 "평가"할 때, 모델은 학습 데이터에 담긴 고정관념을 의도치 않게 적용할 수 있습니다.¹⁵ 예를 들어, 특정 국적이나 직업은 개인의 구체적 데이터 포인트가 깨끗하더라도 모델의 "잠재 공간"에서 더 낮은 신용력과 연관될 수 있습니다.¹⁵

2026년 규제 지형: 방어 가능성의 기준

2025년과 2026년의 규제 환경은 일반 지침에서 명시적 의무로 전환되었습니다. 알고리즘이 "설명하기에 너무 복잡하다"고 주장하던 시대는 끝났습니다.

CFPB와 행동적 구체성

CFPB는 채권자가 불리한 조치에 대해 "정확하고 구체적인 이유"를 제공해야 한다고 명시한 지침(Circular 2023-03 및 2025년 업데이트)을 확정했습니다.³ 대출기관은 근본 이유가 특정 쇼핑 습관이나 비전통적 데이터 포인트에 대한 알고리즘 식별이었다면, "구매 이력"이나 "소득 부족" 같은 광범위한 범주 뒤에 숨을 수 없습니다.³ CFPB는 "알고리즘이 결정했다"는 것이 법적으로 방어 가능한 진술이 아님을 분명히 했습니다.²⁰

SR 11-7과 모델 위험 관리(MRM)의 진화

Supervisory Regulation 11-7은 은행업에서 모델 거버넌스의 확정적 기준으로 남아 있습니다.⁷ AI 맥락에서 규제당국은 이제 다음에 초점을 맞추고 있습니다.

1.​ 개념적 건전성: 대출기관은 모델의 경제적·수학적 논리를 문서화하여, 그것이 단지 허위 상관관계에 의존하지 않음을 입증해야 합니다.⁷

2.​ 독립적 검증: 모델을 검증하는 팀은 기술적으로 역량이 있어야 하며 개발 팀과 완전히 독립적이어야 합니다.⁷

3.​ 결과 분석: 모델이 실세계 조건에서 예상대로 작동하는지 보장하기 위해 정기적 백테스팅과 "효과적 도전(effective challenge)"이 요구됩니다.⁷

NIST AI RMF 2.0: 거버넌스 청사진

National Institute of Standards and Technology(NIST)는 2025년 업데이트된 AI Risk Management Framework(RMF) 2.0을 발표했으며, 여기에는 "AI Bill of Materials"(AI-BOM) 개념이 도입됩니다.²⁵ 이는 기관이 데이터가 어디서 오는지, 어떤 모델이 사용되는지(제3자 API 포함), 이러한 구성 요소가 어떻게 상호작용하는지를 정확히 알아야 함을 요구합니다.²⁵

RMF 2.0 기능	구현 요구사항	방어 가능한 증거
Govern	AI 위험 소유권 정의	이사회 수준 감독 기록
Map	모든 AI 시스템 인벤토리	동적 AI-BOM 및 데이터 계보
Measure	편향과 드리프트 정량화	SHAP/LIME 감사 및 TPR 로그
Manage	지속적 위험 완화	자동화된 모델 "킬 스위치"

공정성 엔지니어링: 형평의 수학

Deep AI 제공자는 정성적 "공정성"을 넘어 정량적 "공정성 엔지니어링"으로 이동합니다. 이는 모델 수명주기의 여러 단계에서 수학적 제약을 적용하는 것을 포함합니다.

신용 인수심사에서의 공정성 지표

Veriprajna는 모델을 감사하고 보정하기 위해 공정성 지표 스위트를 활용합니다.

●​ Demographic Parity: 보호 집단( )의 승인율( )이 집단( )의 승인율과 같아야 한다는 요구사항.​

●​ Equalized Odds: 진양성률(TPR)과 가양성률(FPR)이 집단 간에 일관되어야 한다는 요구사항. 이는 모델이 모든 인구통계에 대해 동등하게 정확하도록 보장합니다.²⁹

●​ Disparate Impact Ratio: 보호 집단의 승인율 대 대조 집단의 승인율 비율이 일반적으로 0.8(5분의 4 규칙)을 초과해야 규제 조사를 피할 수 있는 지표.³¹

디바이싱 전략: 전처리, 중처리, 후처리

편향 완화는 파이프라인 전반의 개입을 요구합니다 32:

1.​ 전처리: SMOTE(Synthetic Minority Oversampling Technique) 같은 기법이나 "합성 데이터"를 생성하여 과소대표 인구통계를 균형 맞춤으로써 학습 데이터의 편향을 다룹니다.¹⁸

2.​ 중처리: 학습 알고리즘 자체를 수정합니다. "적대적 디바이싱(Adversarial Debiasing)"이 현재의 골드 스탠더드로, 2차 모델(적대자)이 1차 모델의 예측으로부터 보호 속성을 예측하도록 학습됩니다. 이어서 1차 모델은 예측 오차를 최소화하면서 적대자의 오차를 최대화하도록 최적화됩니다.³³

3.​ 후처리: 기본 모델의 완전한 재학습 없이 Equalized Odds를 보장하기 위해, 모델이 초기 점수를 산출한 후 임계값을 조정합니다.³²

설명 가능 AI(XAI): 포렌식 투명성

AI 시스템이 엔터프라이즈급이 되려면 설명 가능해야 합니다. Veriprajna는 단순 피처 중요도를 넘어 "국소 해석 가능성"으로 나아가는 XAI 프레임워크를 통합합니다.²⁰

SHAP 및 LIME 통합

SHAP(SHapley Additive exPlanations) 값은 결정의 기여를 특정 입력 피처에 할당하는 수학적으로 엄밀한 방법을 제공합니다.³¹ 협력 게임 이론에 기반하여, 피처( )에 대한 SHAP 값은 다음과 같이 계산됩니다.

이를 통해 시스템은 모든 불리한 조치 고지에 대해 구체적이고 감사 가능한 "행동 세부사항"을 생성하여, CFPB 컴플라이언스의 최고 기준을 충족합니다.²⁰

대조적·반사실적 설명

현대 규제당국은 점점 더 반사실적 설명을 기대합니다. "이 신청자가 승인되려면 무엇이 달라져야 했는가?".²⁰ Veriprajna 시스템은 이를 실시간으로 생성합니다. "신용 이용률이 15% 더 낮았거나 소득이 $5,000 더 높았다면 대출이 승인되었을 것입니다".²⁰ 이는 신뢰를 구축하고 소송 위험을 줄이는 실행 가능한 투명성을 제공합니다.³⁷

Veriprajna 아키텍처: Deep AI 프레임워크

Veriprajna의 접근은 "얇은 래퍼"를 금융 서비스의 엄격함에 맞게 설계된 다층 사회기술 시스템으로 대체합니다.³⁸

계층 1: 오케스트레이션 및 추상화 계층

컨트롤러에서 LLM을 직접 호출하는 대신—이는 서버 스레드를 차단하고 비용을 숨깁니다—Veriprajna는 오케스트레이션 계층을 구현합니다.³⁹ 이 계층은 큐를 관리하고, 제공자별 재시도 로직을 처리하며, 시맨틱 캐싱을 사용해 비용 효율성과 응답성을 보장합니다.³⁹

계층 2: 데이터 무결성 및 컨텍스트 계층

데이터가 AI 모델에 도달하기 전에, 정확성, 완전성, 일관성, 적시성, 관련성, 대표성의 여섯 차원에 걸쳐 평가하는 검증 파이프라인을 통과합니다.⁴⁰ 이는 "더러운 데이터"가 편향되거나 환각적 결과로 이어지지 않도록 보장합니다.⁴⁰

계층 3: 다중 모델 위험 엔진

Veriprajna는 단일 파운데이션 모델에 의존하지 않습니다. 대신 하이브리드 접근을 사용합니다.

●​ 결정론적 규칙 엔진: 100% 정확해야 하는 "녹아웃" 컴플라이언스 검사(예: 연령 또는 거주 요건)용.⁴¹

●​ 그래디언트 부스팅 모델(XGBoost/LightGBM): 해석 가능성과 안정성이 최우선인 구조화 신용 점수산정용.³⁶

●​ 파인튜닝된 LLM: 비구조화 문서 분석 및 엔티티 추출 전용으로, RAG(검색 증강 생성)를 활용해 모델을 신청자의 실제 문서에 그라운딩합니다.³⁹

계층 4: 지속적 모니터링 및 감사 볼트

Deep AI 시스템에는 다음을 추적하는 "섀도" 모니터링 계층이 포함됩니다.

●​ 모델 드리프트: 유입 데이터 분포가 학습 세트에서 벗어날 때를 감지.²³

●​ 편향 드리프트: Disparate Impact Ratio가 설정된 임계값 아래로 떨어질 때 실시간 알림.²⁷

●​ 환각 탐지: AI 출력을 원본 소스 데이터("그라운드 트루스")와 교차 참조하여 이상치를 플래그.¹⁵

전략적 구현: 수탁자를 위한 로드맵

레거시 또는 래퍼 기반 시스템에서 Deep AI 아키텍처로 전환하려면 "첫날부터의 방어 가능성"에 초점을 둔 단계적 접근이 필요합니다.

1단계: 알고리즘 인벤토리와 위험 순위

기관은 제3자 소프트웨어에 내장된 AI 구성 요소를 포함해 모든 정량 시스템을 목록화해야 합니다.²³ 각 시스템은 복잡성, 중요성, 규제 민감도에 따라 위험 순위가 매겨집니다.²³

2단계: "대안 탐색"(LDA 감사)

현행 공정 대출법 하에서는 모델이 정확하다고 말하는 것만으로는 충분하지 않습니다. 대출기관은 "덜 차별적인 대안"을 적극적으로 탐색해야 합니다.¹³ 이는 여러 모델 구성을 학습하고, 예측력의 "실질적" 손실 없이 공정성을 최대화하는 구성을 선택하는 것을 포함합니다.¹³

3단계: Human-in-the-Loop(HITL) 공식화

"인간 요소"는 알고리즘만큼 감사 가능해야 합니다. Veriprajna는 모든 수동 오버라이드가 필수 정당화 필드와 함께 기록되고 독립 컴플라이언스 담당자가 검토하는 "Human-in-the-Loop" 시스템을 구현합니다.³⁷ 이는 자의적 인간 결정이 AI의 의도된 공정성을 훼손하는 "Earnest의 함정"을 방지합니다.¹

구현 단계	조치 항목	기대 성과
1단계: 발견	AI-BOM 및 데이터 계보 감사	잠재적 대리 위험의 완전한 가시성
2단계: 보정	적대적 디바이싱 및 LDA 탐색	최적화된 공정성-정확성 트레이드오프
3단계: 통합	XAI 및 반사실적 엔진	CFPB 준수 불리한 조치 고지
4단계: 거버넌스	지속적 모니터링 및 HITL 감사	장기 모델 복원력과 신뢰

결론: 수탁 지능의 새로운 기준

Earnest Operations와 Navy Federal Credit Union의 사건은 금융 AI 1차 물결—"블랙박스" 실험과 피상적 통합으로 정의된 물결의 종말을 알립니다. Deep AI로 정의되는 2차 물결은 아키텍처 무결성, 수학적 공정성, 급진적 투명성에 대한 근본적 결의를 요구합니다.

Veriprajna의 철학은 2026년에 알고리즘이 단순한 효율성 도구가 아니라 기업 가치의 선언이자 구속력 있는 법적 기록이라는 인식 위에 구축됩니다. Earnest가 지불한 $2.5 million 합의는 편향에 대한 벌금만이 아니었습니다. 거버넌스 부재, 대리 식별 실패, 결정을 설명할 수 없음에 대해 치른 대가였습니다.¹ Navy Federal의 진행 중인 소송은 통계적 격차가 "Deep AI" 감사로 다루어지지 않으면 가장 유서 깊은 기관조차 위협할 수 있다는 경고입니다.²

LLM 래퍼를 넘어 코드 수준에서 공정성을 통합하는 사회기술 시스템을 구축함으로써, 금융 기관은 이중 임무를 이행할 수 있습니다. 예측 정확성을 통해 주주 가치를 극대화하면서, 자신이 섬기는 공동체에 대한 수탁 의무를 지키는 것입니다. 선택은 더 이상 AI와 수동 프로세스 사이가 아닙니다. 취약한 "래퍼" 기술과 Deep AI의 견고하고 방어 가능한 지능 사이입니다. 이것이 탁월함의 새로운 기준이며, 규제된 세계에서 지속 가능한 혁신으로 가는 유일한 길입니다.

인용 문헌

1. Mass. AG reaches settlement with student loan firm for $2.5M over AI lending bias, 2026년 2월 6일 접속, https://bankingjournal.aba.com/2025/08/mass-ag-reaches-settlement-with-earnest-operations-for-2-5m-over-ai-lending-bias/

2. Hicks et al. v. Navy Federal Credit Union - 1:23-cv-01798 - Class Action Lawsuits, 2026년 2월 6일 접속, https://www.classaction.org/media/hicks-et-al-v-navy-federal-credit-union.pdf

3. CFPB Issues Guidance on Credit Denials by Lenders Using Artificial Intelligence, 2026년 2월 6일 접속, https://www.consumerfinance.gov/about-us/newsroom/cfpb-issues-guidance-on-credit-denials-by-lenders-using-artificial-intelligence/

4. AI adoption pitfalls: what lenders get wrong about automation | Ocrolus, 2026년 2월 6일 접속, https://www.ocrolus.com/blog/ai-adoption-pitfalls-lenders-get-wrong-about-automation/

5. State action targets use of biased AI underwriting models: Key points - DLA Piper, 2026년 2월 6일 접속, https://www.dlapiper.com/en/insights/publications/ai-outlook/2025/state-action-targets-use-of-biased-ai-underwriting-models

6. AI Discrimination Risk in Lending: Lessons from the Massachusetts ..., 2026년 2월 6일 접속, https://www.debevoisedatablog.com/2025/07/20/ai-discrimination-risk-in-lending-lessons-from-the-massachusetts-ags-recent-2-5-million-settlement/

7. SR 11-7 Model Risk Management: Compliance, Validation & Governance - ModelOp, 2026년 2월 6일 접속, https://www.modelop.com/ai-governance/ai-regulations-standards/sr-11-7

8. AG Campbell Announces $2.5 Million Settlement With Student Loan ..., 2026년 2월 6일 접속, https://www.mass.gov/news/ag-campbell-announces-25-million-settlement-with-student-loan-lender-for-unlawful-practices-through-ai-use-other-consumer-protection-violations

9. Brown, Colleagues Call for a Review of Navy Federal After Reported Racial Disparities in Mortgage Lending | United States Committee on Banking, Housing, and Urban Affairs, 2026년 2월 6일 접속, https://www.banking.senate.gov/newsroom/majority/brown-colleagues-call-for-a-review-of-navy-federal-after-reported-racial-disparities-in-mortgage-lending

10. Reps. Cleaver, Horsford Demand Answers from Navy Federal Credit Union Following Reports of Alarming Racial Disparities in Mortgage Lending, 2026년 2월 6일 접속, https://cleaver.house.gov/media-center/press-releases/reps-cleaver-horsford-demand-answers-navy-federal-credit-union

11. Members of Congress say they're still concerned over racial disparities after meeting with Navy Federal Credit Union CEO | Congressman Steven Horsford, 2026년 2월 6일 접속, https://horsford.house.gov/media/in-the-news/members-of-congress-say-they-re-still-concerned-over-racial-disparities-after-meeting-with-navy-federal-credit-union-ceo

12. Court Grants Part, Not All, of Navy Federal Credit Union's Motion to ..., 2026년 2월 6일 접속, https://www.americascreditunions.org/blogs/compliance/court-grants-part-not-all-navy-federal-credit-unions-motion-dismiss-fair-lending

13. How To Identify Less Discriminatory Lending Alternatives and Why the Search Matters, 2026년 2월 6일 접속, https://www.rmahq.org/journal-articles/2024/feb-mar-2024/how-to-identify-less-discriminatory-lending-alternatives-and-why-the-search-matters/

14. Navy Federal Mortgage Discrimination Litigation Civ. No. 23-cv - Class Action Lawsuits, 2026년 2월 6일 접속, https://www.classaction.org/media/navy-federal-mortgage-discrimination-litigation.pdf

15. An Executive's Guide to the Risks of Large Language Models (LLMs) - FairNow AI, 2026년 2월 6일 접속, https://fairnow.ai/executives-guide-risks-of-llms/

16. LLM Hallucinations: What Are the Implications for Financial Institutions? | BizTech Magazine, 2026년 2월 6일 접속, https://biztechmagazine.com/article/2025/08/llm-hallucinations-what-are-implications-financial-institutions

17. Top 5 challenges in Manual Credit Underwriting - Accumn - Corpository, 2026년 2월 6일 접속, https://hello.accumn.ai/top-5-challenges-in-manual-credit-underwriting/

18. Synthetic Data in Model Risk Management - NexaStack, 2026년 2월 6일 접속, https://www.nexastack.ai/blog/synthetic-data-model-risk-management

19. LLM or Large Liability Model? The risks of ChatGPT in Finance - Global Relay, 2026년 2월 6일 접속, https://www.globalrelay.com/resources/thought-leadership/large-language-model-or-large-liability-model-what-are-the-risks-of-chatgpt-in-financial-services/

20. AI in Lending: AI Credit Regulations Affecting Lending Business 2025 - HES FinTech, 2026년 2월 6일 접속, https://hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending/

21. CFPB Applies Adverse Action Notification Requirement to Artificial Intelligence Models | Insights | Skadden, Arps, Slate, Meagher & Flom LLP, 2026년 2월 6일 접속, https://www.skadden.com/insights/publications/2024/01/cfpb-applies-adverse-action-notification-requirement

22. How Model Risk Management (MRM) Teams Can Comply with SR 11-7 - ValidMind AI, 2026년 2월 6일 접속, https://validmind.com/blog/sr-11-7-model-risk-management-compliance/

23. Managing AI model risk in AML: A step-by-step guide for banks and fintechs - Taktile, 2026년 2월 6일 접속, https://taktile.com/articles/managing-ai-model-risk-in-aml

24. Sustaining model risk management excellence amid deregulations - KPMG International, 2026년 2월 6일 접속, https://kpmg.com/us/en/articles/2025/sustaining-model-risk-excellence-deregulations.html

25. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, 2026년 2월 6일 접속, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/

26. AI Vendor Risk Assessment Questionnaire for Compliance (2026) - Atlas Systems, 2026년 2월 6일 접속, https://www.atlassystems.com/blog/ai-vendor-risk-questionnaire

27. Risk Management Framework 2025 | NIST, COSO, ISO, AI RMF - Neotas, 2026년 2월 6일 접속, https://www.neotas.com/risk-management-framework/

28. AI Governance Checklist for 2026 Compliance - RadarFirst, 2026년 2월 6일 접속, https://www.radarfirst.com/blog/2026-ai-governance-and-privacy-readiness-checklist/

29. (PDF) AI-powered credit risk assessment and algorithmic fairness in digital lending: A comprehensive analysis of the United States digital finance landscape - ResearchGate, 2026년 2월 6일 접속, https://www.researchgate.net/publication/392902124_AI-powered_credit_risk_assessment_and_algorithmic_fairness_in_digital_lending_A_comprehensive_analysis_of_the_United_States_digital_finance_landscape

30. Debiasing Machine Learning - GeeksforGeeks, 2026년 2월 6일 접속, https://www.geeksforgeeks.org/machine-learning/debiasing-machine-learning/

31. Structural Gender Bias in Credit Scoring: Proxy Leakage - arXiv, 2026년 2월 6일 접속, https://arxiv.org/html/2601.18342v1

32. The Fair Game: Auditing & Debiasing AI Algorithms Over Time - arXiv, 2026년 2월 6일 접속, https://arxiv.org/html/2508.06443

33. Fairness and Bias in Machine Learning: Mitigation Strategies - Lumenova AI, 2026년 2월 6일 접속, https://www.lumenova.ai/blog/fairness-bias-machine-learning/

34. Explainable Artificial Intelligence for Credit Risk Assessment: Balancing Transparency and Predictive Performance - ResearchGate, 2026년 2월 6일 접속, https://www.researchgate.net/publication/395996196_Explainable_Artificial_Intelligence_for_Credit_Risk_Assessment_Balancing_Transparency_and_Predictive_Performance

35. Disparate Impact as Uniquely Relevant in the Age of AI, 2026년 2월 6일 접속, https://civilrights.org/disparate-impact-age-of-ai/

36. Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? - arXiv, 2026년 2월 6일 접속, https://arxiv.org/html/2510.25701v1

37. AI Risk Management Framework - Palo Alto Networks, 2026년 2월 6일 접속, https://www.paloaltonetworks.com/cyberpedia/ai-risk-management-framework

38. Advance Journal of Econometrics and Finance Vol-3, Issue-1, 2025 ..., 2026년 2월 6일 접속, https://ajeaf.com/index.php/Journal/article/download/131/142

39. From Wrappers to Workflows: The Architecture of AI-First Apps | by Silversky Technology | Jan, 2026 | Medium, 2026년 2월 6일 접속, https://medium.com/@silverskytechnology/stop-building-wrappers-the-architecture-of-ai-first-apps-a672ede1901b

40. Checklist for Validating AI Financial Systems - Lucid.Now, 2026년 2월 6일 접속, https://www.lucid.now/blog/checklist-validating-ai-financial-systems

41. Revolutionizing Underwriting: The Depth of ML Assistance and Algorithmic LLMs in Financial Decision-Making | by Rakesh patel | Medium, 2026년 2월 6일 접속, https://medium.com/@rakesh.sruhad/revolutionizing-underwriting-the-depth-of-ml-assistance-and-algorithmic-llms-in-financial-8f338ad4e3a8

42. Strengthening Model Risk Management: Adapting to New Regulations and Emerging Risk - Solytics Partners, 2026년 2월 6일 접속, https://www.solytics-partners.com/resources/blogs/strengthening-model-risk-management-adapting-to-new-regulations-and-emerging-risk

43. Navigating AI compliance: A risk-based framework for financial services in 2026, 2026년 2월 6일 접속, https://www.advisorengine.com/action-magazine/articles/navigating-ai-compliance-a-risk-based-framework-for-financial-services-in-2026