भारतीय रिझर्व्ह बँकेने (RBI) आर्टिफिशियल इंटेलिजन्स (AI) मॉडेल्ससाठी जारी केलेले नवीन नियम बँकांसाठी एक मोठे आव्हान ठरत आहेत. नियमांची चौकट स्पष्ट असली तरी, प्रत्यक्ष कामात (operational) अंमलबजावणी कशी करायची, याबद्दल बँका गोंधळलेल्या आहेत.
Detailed Coverage
बँकांसाठी ऑपरेशनल आव्हान
RBI ने जारी केलेल्या 'मॉडेल रिस्क मॅनेजमेंट' (MRM) च्या मसुद्यानुसार, बँकांना AI चा वापर करताना जबाबदारी, पारदर्शकता आणि मानवी देखरेख यांसारख्या गोष्टींवर भर देण्यास सांगितले आहे. मात्र, अनेक बँका आणि फिनटेक कंपन्यांना या नियमांना दैनंदिन कामकाजात आणणे कठीण जात आहे. इंडस्ट्रीतील फीडबॅकनुसार, नियमांचे उद्दिष्ट समजले असले तरी, तांत्रिक आणि संरचनात्मक अंमलबजावणीसाठी स्पष्ट सूचनांचा अभाव आहे.
भारतातील केवळ 21% रेग्युलेटेड संस्था सध्या AI विकसित करत आहेत किंवा मोठ्या प्रमाणावर वापरत आहेत. बहुतेक ठिकाणी AI चा वापर ग्राहक सेवा चॅटबॉट्स किंवा अंतर्गत ऑटोमेशनसाठी मर्यादित आहे. क्रेडिट रिस्क असेसमेंट, लोन अप्रूव्हल आणि फ्रॉड डिटेक्शनसारख्या महत्त्वाच्या कामांमध्ये AI वापरण्यास बँका कचरत आहेत, कारण AI च्या निर्णयामुळे चूक झाल्यास RBI च्या दस्तऐवजीकरण (documentation) आणि देखरेख आवश्यकता कशा पूर्ण कराव्यात, याबद्दल त्यांना अनिश्चितता आहे.
नवीन गव्हर्नन्स आणि व्हॅलिडेशनची गरज
प्रस्तावित MRM फ्रेमवर्क अंतर्गत, सर्व AI सिस्टीम्ससाठी मॉडेल इन्व्हेंटरी (inventory) तयार करणे आणि रिस्क-बेस्ड टियरिंग (tiering) लागू करणे अनिवार्य असेल. एक मोठा बदल म्हणजे, थर्ड-पार्टी व्हेंडर्सनी (third-party vendors) विकसित केलेल्या मॉडेल्सचेही स्वतंत्र व्हॅलिडेशन (validation) करणे आवश्यक असेल. याचा अर्थ, बँकांना केवळ बाह्य तंत्रज्ञान पुरवठादारांवर अवलंबून राहता येणार नाही, तर स्वतःमध्ये बायस असेसमेंट (bias assessment), एक्सप्लेनेबिलिटी (explainability) आणि रेड-टीमिंग (red-teaming) यांसारख्या चाचण्या करण्याची क्षमता विकसित करावी लागेल.
इनोव्हेशन आणि लायबिलिटी (Liability) मधील संतुलन
तंत्रज्ञान वापराला प्रोत्साहन देण्यासाठी, RBI ने एक 'ग्रेडेड लायबिलिटी फ्रेमवर्क' (graded liability framework) प्रस्तावित केले आहे, जे प्रयोग करण्यास अनुमती देईल. परंतु, इन्सिडेंट रिपोर्टिंग (incident reporting) आणि अंतर्गत कमिटी अप्रूव्हल (committee approvals) यावर विशिष्ट 'कसे करावे' (how-to) मार्गदर्शनाचा अभाव अनिश्चितता निर्माण करत आहे. AI मुळे होणाऱ्या अपयशासाठी संस्थेमध्ये कायदेशीर किंवा ऑपरेशनल जबाबदारी कोणाची असेल, हे निश्चित करणे बँकांसाठी चिंतेचा विषय आहे. या स्पष्ट व्याख्येअभावी, कंपन्या संभाव्य नियामक दंड किंवा प्रतिष्ठेच्या नुकसानी टाळण्यासाठी प्रगत AI फीचर्सचे रोलआउट पुढे ढकलू शकतात.
बँका आणि फिनटेक्ससाठी पुढील पाऊले
सल्लामसलत प्रक्रिया (consultation process) संपल्यानंतर, वित्तीय क्षेत्राला प्रत्यक्ष गव्हर्नन्स टूल्स (governance tools) विकसित करण्यावर लक्ष केंद्रित करावे लागेल. यामध्ये मॉडेल इन्व्हेंटरीसाठी स्टँडर्ड टेम्प्लेट्स (standard templates) तयार करणे आणि व्हेंडर मॅनेजमेंटसाठी (vendor management) अंतर्गत चेकलिस्ट (checklists) स्थापित करणे समाविष्ट आहे. गुंतवणूकदारांसाठी, एखादी बँक किंवा वित्तीय संस्था किती वेगाने ही अंतर्गत गव्हर्नन्स संरचना तयार करू शकते, हे एक महत्त्वाचे निरीक्षण ठरेल. जे फिनटेक आणि बँका कार्यक्षमतेने हे कंट्रोल्स (controls) एकात्मिक करू शकतील, त्या AI चा वापर मुख्य व्यावसायिक क्षेत्रांमध्ये नियामक अडचणींशिवाय करू शकतील, तर इतर मर्यादित, कमी प्रभावाच्या AI क्षमतांसह कार्य करत राहतील.