算法问责危机：为执法时代构建深度 AI 解决方案

金融服务行业正经历自动化决策系统监管方式的根本性变革。算法免责时代——以专有创新为名快速部署"黑箱"模型为特征的时期——已被严格问责与可辩护智能的体制所取代。这一转变因一系列备受瞩目的监管干预而尤为凸显，其中最显著的是 Earnest Operations LLC 于 2025 年 7 月达成的 250 万美元和解，以及对 Navy Federal Credit Union 抵押贷款放贷差异的系统性审查。¹ 对当代受托人与机构贷款方而言，这些事件远不止孤立的法律挫折；它们是深层次架构失败的症状。

承保与风险评估向人工智能的转型最初被宣传为解决人类主观性的万灵药。然而，对表层"封装器"架构的依赖——即仅将结构化或非结构化数据传递给 OpenAI 的 GPT-4 或 Google 的 Gemini 等第三方大语言模型（LLM）的系统——引入了一类新的系统性风险。这些浅层集成缺乏领域专属护栏、透明度机制与因果推理能力，无法承受消费者金融保护局（CFPB）及各州总检察长当前的审查强度。³ Veriprajna 正立足这一关键节点，倡导一种"深度 AI"理念：优先追求结构完整性、公平性工程与稳健治理，而非仅仅追求概率效率。

Earnest Operations 和解案：算法偏见的分类学

2025 年 7 月 10 日，马萨诸塞州总检察长宣布与 Earnest Operations LLC 达成具有里程碑意义的和解，了结对该公司人工智能驱动的放贷模型不成比例地损害黑人与西班牙裔申请人以及非公民借款人的指控。¹ 该案成为关于"代理变量"与"一票否决规则"如何无意中将历史歧视硬编码进现代数字平台的经典案例研究。

经由 CDR 实现的代理歧视机制

马萨诸塞州调查的核心要素之一，是 Earnest 将同期违约率（Cohort Default Rate，CDR）用作其学生贷款再融资模型中的加权子分。¹ CDR 追踪特定教育机构的平均贷款违约率。从统计角度看，该变量似乎能提供对机构风险的宏观视角。然而，总检察长指控称，该变量的预测力并非来自个体信用资质，而是来自其与受保护种族与社会经济阶层的强相关性。⁶

历史上，历史上黑人学院与大学（HBCU）以及服务大量低收入少数族裔学生的院校，因代际财富差距而面临系统性资金不足与更高的平均违约率。⁶ 通过对申请人学校的 CDR 施加惩罚，该模型实际上对个体施加了集体罚则，而无视其个人财务稳健性或信用历史。这代表了 SR 11-7 框架下"概念健全性"的典型失败：将基于群体的历史产物用作个体风险的代理变量。⁶

自动化排除与治理失败

Earnest 调查进一步凸显了"一票否决规则"的危险——即基于特定标准自动拒绝申请的硬编码算法闸门。¹ Earnest 使用一票否决规则拒绝至少不具备绿卡的申请人，总检察长认定该做法构成对平等信贷机会法（ECOA）差别影响风险的违反。¹

至关重要的是，和解案揭示了公司书面政策与运营现实之间的脱节。尽管 Earnest 的内部政策要求对模型例外进行高管监督，调查人员发现承保人经常绕过模型或在无文档记录的情况下适用任意标准。¹ 这种不一致造成了一种混合风险画像：算法偏见与未受监控的人类偏见并存，使系统无法被审计与辩护。⁸

违规类别	技术触发因素	法律侵权
代理歧视	同期违约率（CDR）	ECOA 差别影响 / M.G.L. c. 93A
自动化排除	移民身份"一票否决规则"	不公平/欺骗性做法（UDAP）
透明度失败	不准确的不利行动通知	B 条例（ECOA）不合规
治理缺口	缺乏独立模型验证	未能缓释公平信贷风险
流程不稳定	非标准化的人工覆盖	未能实施内部控制

Navy Federal Credit Union：统计问责与系统性漂移

Earnest 案聚焦于特定变量失败，而对 Navy Federal Credit Union（NFCU）的调查则展示了偏离公平结果的算法系统在宏观层面的影响。对 2022 年《住房抵押贷款披露法》（HMDA）数据的分析显示，作为全国最大信用合作社的 NFCU，拒绝了超过半数的黑人常规抵押贷款申请人。⁹

抵押贷款中的差距鸿沟

与其他顶级贷款方相比，Navy Federal 的统计差异尤为鲜明。2022 年，该信用合作社批准了约 77% 的白人申请人，但仅批准了 48.5% 的黑人申请人与 55.8% 的西班牙裔申请人。⁹ 白人与黑人批准率之间近 29 个百分点的差距，是前 50 大抵押贷款贷款方中最宽的。¹⁰

NFCU 提出的辩护——即公开 HMDA 数据缺乏信用评分与手头现金指标——已受到严谨第三方分析的挑战。当研究人员控制了包括收入、债务收入比（DTI）、房产价值与社区特征在内的十余个变量后，具有相同画像的黑人申请人被拒贷的可能性仍超过白人申请人的两倍。² 这表明信用合作社"秘密"承保算法中存在无法用传统信用因素解释的"残余偏见"。¹²

诉讼与监管反弹

Navy Federal 事件已引发一波合并的集体诉讼与国会质询。2024 年 5 月，一名美国地区法官裁定差别影响主张可继续推进，允许原告就 NFCU 承保模型的内部逻辑寻求证据开示。¹² 这对行业凸显了一条关键教训：仅凭统计差异往往就足以在驳回动议中幸存，从而使机构承担举证责任，证明其"秘密"流程既必要又是可获得的最低歧视性替代方案（LDA）。¹²

指标	白人申请人	黑人申请人	差距
原始批准率	77.1%	48.5%	28.6%
拒绝率	23.0%	52.0%	29.0%
VA 贷款拒绝率	15-17%（估计）	28.6%	~12%
全国平均拒绝率（CFPB）	5.6%	16.2%	10.6%

结构性脆弱性：为何封装器无法通过受托人测试

对简单 LLM 封装器或"横向"AI 工具的依赖，造成了技术能力与监管要求之间的根本错配。金融服务需要高风险、确定性的逻辑，而基础模型本质上是概率性与非确定性的。⁴

幻觉与准确性悖论

大语言模型通过预测序列中的下一个 token 运作，而非检索事实或执行精算计算。¹⁵ 在信贷承保场景中，LLM 可能生成"幻觉"——一种听起来合理但对申请人财务档案毫无依据的、虚构的拒贷理由。¹⁶ 若银行的聊天机器人或自动化系统错误陈述资格标准或利率，机构将因误导消费者而直接承担责任，正如加拿大航空聊天机器人先例所示。¹⁶

横向 AI 的上下文真空

通用 AI 平台缺乏准确处理抵押贷款文件、纳税申报表与银行对账单所需的"纵向"上下文。若无行业专属训练，这些模型难以解读收入模式或现金流分析中的细微差别，往往导致"假阴性"——信用良好的借款人因模型无法识别替代数据模式而被拒绝。⁴ 实施"深度 AI"架构的贷款方——即包含专用数据摄入、实体抽取与领域专属风险层的架构——可显著提高精度并减少合规触发。⁴

训练数据污染问题

LLM 在海量互联网文本语料上训练，而这些语料充斥着历史性、性别与种族偏见。¹⁹ 当机构使用 LLM 封装器来"评估"借款人的经历或就业史时，模型可能无意中套用其训练数据中的刻板印象。¹⁵ 例如，某些国籍或职业可能在模型的"潜在空间"中与较低信用资质相关联，即使个体的具体数据点毫无瑕疵。¹⁵

2026 年监管格局：可辩护性标准

2025 与 2026 年的监管环境已从一般性指引转向明确强制要求。声称算法"过于复杂而无法解释"的时代已经结束。

CFPB 与行为特异性

CFPB 已最终确定指引（通告 2023-03 及 2025 年更新），要求债权人必须为不利行动提供"准确且具体的理由"。³ 若底层原因是算法识别出特定购物习惯或非传统数据点，贷款方不能躲在"购买历史"或"收入不足"等宽泛类别之后。³ 该局已明确表明，"算法决定的"并非具有法律可辩护性的陈述。²⁰

SR 11-7 与模型风险管理（MRM）的演进

监管条例 11-7 仍是银行业模型治理的权威标准。⁷ 在 AI 语境下，监管机构目前聚焦于：

1.​ 概念健全性：贷款方必须记录模型的经济与数学逻辑，证明其并非仅依赖虚假相关。⁷

2.​ 独立验证：验证模型的团队必须具备技术能力，并与开发团队完全独立。⁷

3.​ 结果分析：需要定期回测与"有效质疑"，以确保模型在真实世界条件下按预期表现。⁷

NIST AI RMF 2.0：治理蓝图

美国国家标准与技术研究院（NIST）于 2025 年发布了更新版 AI 风险管理框架（RMF）2.0，引入了"AI 物料清单"（AI-BOM）概念。²⁵ 这要求机构确切了解其数据来源、使用了哪些模型（包括第三方 API），以及这些组件如何交互。²⁵

RMF 2.0 功能	实施要求	可辩护证据
治理（Govern）	界定 AI 风险所有权	董事会层面的监督记录
映射（Map）	盘点全部 AI 系统	动态 AI-BOM 与数据血缘
度量（Measure）	量化偏见与漂移	SHAP/LIME 审计与 TPR 日志
管理（Manage）	持续风险缓释	自动化模型"熔断开关"

公平性工程：公平的数学

深度 AI 提供商超越定性的"公平"，迈向定量的"公平性工程"。这涉及在模型生命周期的多个阶段施加数学约束。

信贷承保中的公平性指标

Veriprajna 采用一套公平性指标来审计与校准模型：

●​ 人口统计均等：要求受保护群体（ ）的批准率（ ）等于群体（ ）的批准率。​

●​ 均等化几率：要求各组的真阳性率（TPR）与假阳性率（FPR）保持一致。这确保模型对各人口统计群体具有同等准确性。²⁹

●​ 差别影响比率：受保护群体批准率与对照组批准率之比通常应高于 0.8（五分之四规则），以避免监管审查。³¹

去偏策略：预处理、处理中与后处理

缓释偏见需要在整条流水线中进行干预 32：

1.​ 预处理：使用 SMOTE（合成少数类过采样技术）等技术处理训练数据中的偏见，或生成"合成数据"以平衡代表性不足的人口统计群体。¹⁸

2.​ 处理中：修改学习算法本身。"对抗性去偏"是当前金标准：训练一个次级模型（对抗方）从主模型的预测中预测受保护属性。随后优化主模型，在最小化其预测误差的同时最大化对抗方的误差。³³

3.​ 后处理：在模型产出初始分数后调整阈值，以确保均等化几率，而无需对基础模型进行完整重训练。³²

可解释 AI（XAI）：取证级透明度

AI 系统要达到企业级标准，必须可解释。Veriprajna 集成的 XAI 框架超越简单的特征重要性，迈向"局部可解释性"。²⁰

SHAP 与 LIME 集成

SHAP（SHapley Additive exPlanations）值为将决策归功于特定输入特征提供了数学上严谨的方法。³¹ 基于合作博弈论，特征（ ）的 SHAP 值计算为：

这使系统能够为每份不利行动通知生成具体、可审计的"行为细节"，满足 CFPB 合规的最高标准。²⁰

对比解释与反事实解释

现代监管机构日益期望反事实解释："要使该申请人获批，需要改变什么？"。²⁰ Veriprajna 系统可实时生成此类解释："若您的信贷使用率低 15%，或收入高 5,000 美元，贷款本可获批"。²⁰ 这提供了可操作的透明度，有助于建立信任并降低诉讼风险。³⁷

Veriprajna 架构：深度 AI 框架

Veriprajna 的方法以多层社会技术系统取代"薄封装器"，专为金融服务的严苛要求而设计。³⁸

第 1 层：编排与抽象层

Veriprajna 并非从控制器直接调用 LLM——那会阻塞服务器线程并隐藏成本——而是实现一个编排层。³⁹ 该层管理队列、处理特定于提供商的重试逻辑，并使用语义缓存以确保成本效率与响应性。³⁹

第 2 层：数据完整性与上下文层

在数据到达 AI 模型之前，它会经过一个验证流水线，从六个维度进行评估：准确性、完整性、一致性、及时性、相关性与代表性。⁴⁰ 这确保"脏数据"不会导致有偏见或幻觉性的结果。⁴⁰

第 3 层：多模型风险引擎

Veriprajna 并不依赖单一基础模型，而是采用混合方法：

●​ 确定性规则引擎：用于必须 100% 准确的"一票否决"合规检查（例如年龄或居住要求）。⁴¹

●​ 梯度提升模型（XGBoost/LightGBM）：用于可解释性与稳定性至关重要的结构化信用评分。³⁶

●​ 微调 LLM：专门用于非结构化文档分析与实体抽取，利用 RAG（检索增强生成）将模型锚定在申请人的实际文档中。³⁹

第 4 层：持续监控与审计保险库

深度 AI 系统包含一个"影子"监控层，跟踪：

●​ 模型漂移：检测输入数据分布何时偏离训练集。²³

●​ 偏见漂移：当差别影响比率低于既定阈值时发出实时警报。²⁷

●​ 幻觉检测：将 AI 输出与原始源数据（"事实真相"）交叉核对以标记异常。¹⁵

战略实施：受托人路线图

从遗留或基于封装器的系统过渡到深度 AI 架构，需要分阶段推进，并以"从第一天起即可辩护"为重点。

步骤 1：算法盘点与风险排序

机构必须编目所有定量系统，包括第三方软件中的嵌入式 AI 组件。²³ 随后根据复杂性、实质性与监管敏感度对每个系统进行风险排序。²³

步骤 2："寻找替代方案"（LDA 审计）

在现行公平信贷法下，仅称模型准确是不够的。贷款方必须积极寻找"较低歧视性替代方案"。¹³ 这涉及训练多种模型配置，并选择在不造成预测能力"实质性"损失的前提下最大化公平性的方案。¹³

步骤 3：人机协同（HITL）正式化

"人为因素"必须与算法一样可审计。Veriprajna 实施"人机协同"系统，每一项人工覆盖均须以强制理由字段记录，并由独立合规官审核。³⁷ 这可防止任意人为决策破坏 AI 预期公平性的"Earnest 陷阱"。¹

实施阶段	行动事项	预期成果
第一阶段：发现	AI-BOM 与数据血缘审计	全面可见潜在代理风险
第二阶段：校准	对抗性去偏与 LDA 搜索	优化公平性-准确性权衡
第三阶段：集成	XAI 与反事实引擎	符合 CFPB 的不利行动通知
第四阶段：治理	持续监控与 HITL 审计	长期模型韧性与信任

结论：受托人智能的新标准

Earnest Operations 与 Navy Federal Credit Union 的事件标志着金融业第一波 AI 的终结——那一波以"黑箱"实验与表层集成为特征。由深度 AI 定义的第二波，要求对架构完整性、数学公平性与彻底透明度作出根本承诺。

Veriprajna 的理念建立在如下认识之上：在 2026 年，算法不仅是效率工具；它是企业价值观的声明，也是具有约束力的法律记录。Earnest 支付的 250 万美元和解金，不仅是偏见罚金，更是为缺乏治理、未能识别代理变量以及无法解释决策所付出的代价。¹ Navy Federal 持续进行的诉讼提醒人们：若统计差异未通过"深度 AI"审计加以应对，即使是最负盛名的机构也可能受到威胁。²

通过超越 LLM 封装器，构建在代码层面集成公平性的社会技术系统，金融机构可以履行双重使命：通过预测准确性最大化股东价值，同时履行对所服务社区的受托义务。选择不再是 AI 与人工流程之间的抉择；而是脆弱的"封装器"技术与深度 AI 稳健、可辩护智能之间的抉择。这是卓越的新标准，也是在受监管世界中实现可持续创新的唯一路径。

参考文献

1. Mass. AG reaches settlement with student loan firm for $2.5M over AI lending bias, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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 ..., 2026年2月6日访问, 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, 2026年2月6日访问, https://www.modelop.com/ai-governance/ai-regulations-standards/sr-11-7

8. AG Campbell Announces $2.5 Million Settlement With Student Loan ..., 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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 ..., 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, https://fairnow.ai/executives-guide-risks-of-llms/

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

17. Top 5 challenges in Manual Credit Underwriting - Accumn - Corpository, 2026年2月6日访问, https://hello.accumn.ai/top-5-challenges-in-manual-credit-underwriting/

18. Synthetic Data in Model Risk Management - NexaStack, 2026年2月6日访问, https://www.nexastack.ai/blog/synthetic-data-model-risk-management

19. LLM or Large Liability Model? The risks of ChatGPT in Finance - Global Relay, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, https://taktile.com/articles/managing-ai-model-risk-in-aml

24. Sustaining model risk management excellence amid deregulations - KPMG International, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, https://www.atlassystems.com/blog/ai-vendor-risk-questionnaire

27. Risk Management Framework 2025 | NIST, COSO, ISO, AI RMF - Neotas, 2026年2月6日访问, https://www.neotas.com/risk-management-framework/

28. AI Governance Checklist for 2026 Compliance - RadarFirst, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, https://www.geeksforgeeks.org/machine-learning/debiasing-machine-learning/

31. Structural Gender Bias in Credit Scoring: Proxy Leakage - arXiv, 2026年2月6日访问, https://arxiv.org/html/2601.18342v1

32. The Fair Game: Auditing & Debiasing AI Algorithms Over Time - arXiv, 2026年2月6日访问, https://arxiv.org/html/2508.06443

33. Fairness and Bias in Machine Learning: Mitigation Strategies - Lumenova AI, 2026年2月6日访问, https://www.lumenova.ai/blog/fairness-bias-machine-learning/

34. Explainable Artificial Intelligence for Credit Risk Assessment: Balancing Transparency and Predictive Performance - ResearchGate, 2026年2月6日访问, 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, 2026年2月6日访问, https://civilrights.org/disparate-impact-age-of-ai/

36. Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? - arXiv, 2026年2月6日访问, https://arxiv.org/html/2510.25701v1

37. AI Risk Management Framework - Palo Alto Networks, 2026年2月6日访问, https://www.paloaltonetworks.com/cyberpedia/ai-risk-management-framework

38. Advance Journal of Econometrics and Finance Vol-3, Issue-1, 2025 ..., 2026年2月6日访问, 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, 2026年2月6日访问, https://medium.com/@silverskytechnology/stop-building-wrappers-the-architecture-of-ai-first-apps-a672ede1901b

40. Checklist for Validating AI Financial Systems - Lucid.Now, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, 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, 2026年2月6日访问, https://www.advisorengine.com/action-magazine/articles/navigating-ai-compliance-a-risk-based-framework-for-financial-services-in-2026