Decisiones de crédito de IA y avisos de acciones adversas

La Ley de Igualdad de Oportunidades de Crédito prohíbe la discriminación en el crédito y, a través del Reglamento B, exige que los acreedores notifiquen a los solicitantes las medidas adoptadas con respecto a una solicitud, generalmente dentro de los 30 días posteriores a la recepción de una solicitud completa. Cuando la acción es adversa, como por ejemplo una denegación, el acreedor debe proporcionar una exposición de motivos específicos o indicar al solicitante cómo solicitarlos. El comentario de la Regulación B dice que las razones deben ser específicas y estar relacionadas con los factores realmente considerados; Las declaraciones de que el solicitante no cumplió con los estándares internos o no logró una puntuación de calificación no son suficientes. El comentario también señala que probablemente no sea útil revelar más de cuatro razones. Por otra parte, la Ley de Informes Crediticios Justos exige avisos cuando se utilizó un informe del consumidor, incluida información sobre la puntuación crediticia y factores clave. La CFPB se ha ocupado directamente de la IA. En la Circular 2022-03 afirmó que los acreedores no pueden eludir estos requisitos porque la tecnología que utilizan es demasiado compleja u opaca para identificar los motivos. En la Circular 2023-03 se decía que los acreedores no pueden simplemente elegir las razones más cercanas de los formularios de muestra si no describen con precisión las razones reales, un punto con particular fuerza cuando los modelos utilizan datos no convencionales. Las orientaciones y prioridades de las agencias pueden cambiar con el tiempo, pero los requisitos legales y reglamentarios por razones específicas persisten. Los prestamistas generan razones con métodos de explicación. El enfoque tradicional de los cuadros de mando compara los puntos de cada atributo con el máximo de puntos posibles. Para modelos complejos, los prestamistas suelen utilizar métodos de atribución de características, como los valores SHAP, calculando la contribución de cada característica para un solicitante en relación con un punto de referencia. Un error común es creer que cualquier herramienta de explicabilidad produce automáticamente razones de cumplimiento. Las atribuciones pueden ser inestables, dividir el crédito entre características correlacionadas y depender de la referencia elegida. Las razones deben ser precisas para el individuo y comprensibles, lo que requiere validación, no solo una llamada a la biblioteca.