भारतीय रिजर्व बैंक (RBI) के आर्टिफिशियल इंटेलिजेंस (AI) मॉडल जोखिम प्रबंधन पर मसौदा दिशानिर्देश स्पष्ट सिद्धांत तो देते हैं, लेकिन बैंकों को इन्हें लागू करने में व्यावहारिक कठिनाइयों का सामना करना पड़ रहा है। संस्थानों को पारदर्शिता और निष्पक्षता जैसे गवर्नेंस लक्ष्यों की समझ है, लेकिन जवाबदेही और जोखिम रिपोर्टिंग जैसे कार्यों के लिए परिचालन 'कैसे करें' (how-to) के चरणों की कमी AI को महत्वपूर्ण वित्तीय कार्यों में अपनाने की गति धीमी कर सकती है।
Detailed Coverage
RBI का मॉडल जोखिम प्रबंधन (MRM) फ्रेमवर्क
भारतीय रिजर्व बैंक (RBI) वित्तीय संस्थानों में आर्टिफिशियल इंटेलिजेंस (AI) के इस्तेमाल को मानकीकृत करने के उद्देश्य से 'मॉडल जोखिम प्रबंधन (MRM)' पर अपने मसौदा दिशानिर्देशों को अंतिम रूप दे रहा है। ये दिशानिर्देश जवाबदेही, पारदर्शिता और मानवीय निरीक्षण के संबंध में केंद्रीय बैंक की अपेक्षाओं को स्पष्ट रूप से रेखांकित करते हैं। हालांकि, कई बैंकों और फिनटेक कंपनियों को इन उच्च-स्तरीय सिद्धांतों को दैनिक संचालन में बदलना एक बड़ी चुनौती लग रही है।
वित्तीय संस्थानों के लिए परिचालन संबंधी चुनौती
उद्योग से मिली प्रतिक्रिया बताती है कि वित्तीय संस्थान नियामक लक्ष्यों को तो समझते हैं, लेकिन उन्हें तकनीकी और संरचनात्मक कार्यान्वयन के लिए स्पष्ट निर्देशों की कमी महसूस हो रही है। वर्तमान में, भारत में लगभग 21% विनियमित संस्थाएं ही सक्रिय रूप से AI विकसित या उपयोग कर रही हैं। ज्यादातर मौजूदा अनुप्रयोग ग्राहक सेवा चैटबॉट या बुनियादी आंतरिक स्वचालन जैसे कम जोखिम वाले क्षेत्रों तक सीमित हैं। क्रेडिट जोखिम मूल्यांकन, ऋण स्वीकृति और रीयल-टाइम धोखाधड़ी का पता लगाने जैसे अधिक जटिल, उच्च-दांव वाले कार्यों में कंपनियां सावधानी बरत रही हैं। ऐसा इसलिए है क्योंकि यदि AI का कोई निर्णय गलत हो जाता है, तो RBI की दस्तावेज़ीकरण और निरीक्षण आवश्यकताओं को कैसे पूरा किया जाए, इस पर वे अनिश्चित हैं।
नई गवर्नेंस और सत्यापन आवश्यकताएं
प्रस्तावित MRM ढांचे के तहत, संस्थानों को एक व्यापक मॉडल इन्वेंट्री बनाए रखने और सभी AI प्रणालियों के लिए जोखिम-आधारित टियरिंग लागू करने की आवश्यकता होगी। एक बड़ा बदलाव तीसरे पक्ष के विक्रेताओं द्वारा विकसित मॉडलों के लिए भी स्वतंत्र सत्यापन (independent validation) को अनिवार्य करना है। इसका मतलब है कि बैंक अब अनुपालन सुनिश्चित करने के लिए केवल बाहरी प्रौद्योगिकी प्रदाताओं पर निर्भर नहीं रह सकते; उन्हें पूर्वाग्रह मूल्यांकन (bias assessments), स्पष्टीकरण जांच (explainability checks), और रेड-टीमिंग (red-teaming) - एक ऐसी प्रक्रिया जहां टीमें हमलों का अनुकरण करके कमजोरियों के लिए सिस्टम का परीक्षण करती हैं - जैसे कार्यों को करने के लिए इन-हाउस क्षमता का निर्माण करना होगा।
नवाचार और देनदारी में संतुलन
प्रौद्योगिकी को अपनाने के लिए प्रोत्साहित करने हेतु, RBI ने एक ग्रेडेड देयता (graded liability) ढांचा सुझाया है, जिसका उद्देश्य प्रयोग की अनुमति देना है। हालांकि, घटना रिपोर्टिंग (incident reporting) और आंतरिक समिति की मंजूरी पर विशिष्ट 'कैसे करें' (how-to) मार्गदर्शन की अनुपस्थिति अनिश्चितता का क्षेत्र बनाती है। वित्तीय फर्मों को विशेष रूप से इस बात की चिंता है कि AI-संचालित विफलता के लिए संगठन के भीतर कौन कानूनी या परिचालन रूप से जवाबदेह होगा। इन स्पष्ट परिभाषाओं के बिना, संस्थान संभावित नियामक दंड या प्रतिष्ठा क्षति से बचने के लिए उन्नत AI सुविधाओं के रोलआउट में देरी कर सकते हैं।
बैंकों और फिनटेक के लिए अगले कदम
जैसे-जैसे परामर्श प्रक्रिया समाप्त हो रही है, वित्तीय क्षेत्र को व्यावहारिक शासन (governance) उपकरणों के विकास की ओर बढ़ना होगा। इसमें मॉडल इन्वेंट्री के लिए मानकीकृत टेम्प्लेट बनाना और विक्रेता प्रबंधन के लिए आंतरिक चेकलिस्ट स्थापित करना शामिल है। निवेशकों के लिए, एक बैंक या वित्तीय संस्थान इन आंतरिक शासन संरचनाओं को कितनी तेज़ी से बना सकता है, यह एक प्रमुख निगरानी योग्य (key monitorable) कारक होगा। जो फर्म इन नियंत्रणों को कुशलतापूर्वक एकीकृत कर सकती हैं, वे नियामक बाधाओं का सामना किए बिना मुख्य व्यावसायिक क्षेत्रों में AI को तैनात करने की बेहतर स्थिति में होंगी, जबकि अन्य सीमित, कम प्रभाव वाली AI क्षमताओं के साथ काम करना जारी रख सकती हैं।