Финансовые регуляторы США кардинально обновили руководство по управлению модельным риском (MRM)

17 апреля 2026 года ведущие финансовые регуляторы США, включая Федеральную резервную систему, Федеральную корпорацию по страхованию вкладов и Управление контролера денежного обращения, инициировали масштабный пересмотр нормативной базы. Они официально отменили устаревшие директивы SR 11-7, OCC 2011 — 12, FIL-22-2017, а также связанные с ними документы по противодействию отмыванию денег и банковской тайне. Взамен ведомства представили обновленную концепцию управления модельным риском, которая опирается на принципы пропорциональности и четкую оценку угроз.

Новая структура управления модельным риском требует глубокого переосмысления того, как финансовые институты применяют механизмы контроля на практике. Ключевым изменением стал переход к непрерывному жизненному циклу: разработка, валидация, внедрение, мониторинг и вывод из эксплуатации теперь рассматриваются как единая управляемая цепочка, где регуляторы ожидают видеть полную историю происхождения данных, а не просто снимки систем в моменты их передачи между отделами. Все алгоритмы должны быть классифицированы по уровням существенности, где самые важные модели первого уровня получают полный надзор, а для менее критичных систем применяются пропорционально облегченные меры контроля.

Хотя генеративный искусственный интеллект и автономные агентские системы формально не подпадают под прямое действие новых правил, надзорные органы и службы внутреннего аудита уже применяют к ним обновленные принципы по аналогии. Это касается таких решений, как ассистенты по андеррайтингу на базе больших языковых моделей, агенты предварительной сортировки для противодействия отмыванию денег и клиентские инструменты автоматизации класса «копилот». Главное требование заключается в том, что доказательства соблюрения нормативных стандартов должны формироваться автоматически как побочный продукт процесса создания моделей, а не реконструироваться постфактум.

На традиционном технологическом стеке выполнение этих обновленных ожиданий превращается в два — три квартала непрерывной проектной работы. Командам приходится заниматься миграцией инвентарных баз, переписыванием шаблонов валидации, созданием новых конвейеров мониторинга, обновлением документации и подключением моделей от сторонних поставщиков. Каждый такой рабочий поток представляет собой отдельный ресурсоемкий проект, заявку на внесение изменений и потенциальную уязвимость при аудите. В связи с этим перед отраслью встает фундаментальный вопрос о выборе единой платформы, которая позволит превратить адаптацию к следующим нормативным изменениям в обычную настройку конфигурации, избегая необходимости запускать многомесячные дорогостоящие программы.

В ответ на эти всеобъемлющие регуляторные требования компания Databricks представила специализированную эталонную архитектуру на базе концепции Lakehouse, призванную решить проблему фрагментации данных. Центральным элементом этого подхода выступает слой управления на основе инструмента Unity Catalog, который обеспечивает управление доступом на основе атрибутов, ведение журналов аудита и формирование сквозного графа происхождения данных. Этот слой служит единственным источником достоверной информации об инвентаризации, правах собственности и уровне критичности каждой системы. Благодаря выстроенной истории происхождения данных ответ на вопрос о том, как именно был сгенерирован конкретный прогноз, может быть получен с помощью всего одного запроса к платформе.

Архитектура также объединяет уровни данных, моделей и гарантий качества, чтобы классические алгоритмы машинного обучения и генеративные ИИ-агенты могли функционировать в рамках единого технологического базиса. На уровне данных используются хранилища Delta Lake, а также Databricks Feature Store для сохранения версионированных определений признаков, что позволяет доказать согласованность информации при обучении и эксплуатации. Уровень моделей опирается на MLflow и реестр Unity Catalog для применения одинаковых тегов критичности ко всем типам алгоритмов.