Cuestionario vinculado a una guía · duro Nivel

Cuestionario sobre decisiones de crédito y avisos de acciones adversas de IA

Prueba la regla de motivos específicos de la Regulación B, las circulares del CFPB sobre modelos complejos y formularios de muestra, y los errores de los códigos de motivo basados en SHAP.

Pregunta 1 de 8

Según el comentario de la Regulación B, ¿por qué no es suficiente decirle a un solicitante denegado que no cumplió con los estándares internos?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. Según el comentario de la Regulación B, ¿por qué no es suficiente decirle a un solicitante denegado que no cumplió con los estándares internos?
    • Revela detalles confidenciales del modelo.
    • Las razones deben ser específicas y estar relacionadas con los factores realmente considerados.
    • Debe expresarse en al menos dos idiomas.
    • Los estándares internos solo pueden divulgarse mediante el aviso de la FCRA.
  2. ¿Qué decía la Circular CFPB 2022-03 sobre los modelos crediticios complejos?
    • Los modelos complejos están prohibidos para las decisiones crediticias
    • Los acreedores que utilizan modelos complejos pueden omitir avisos de acciones adversas
    • Los acreedores no pueden evitar el requisito de razones específicas porque su tecnología es demasiado compleja u opaca.
    • Sólo los bancos, no las fintechs, deben explicar los modelos complejos
  3. El modelo de un prestamista se basa en datos de flujo de efectivo de cuentas bancarias, y la razón de la forma de muestra más cercana sólo está vagamente relacionada. ¿Qué indica la Circular 2023-03?
    • El prestamista puede utilizar el formulario de muestra más cercano.
    • El prestamista debe proporcionar razones que describan con precisión los factores reales, incluso si no están en el formulario de muestra.
    • El prestamista debe dejar de utilizar datos de flujo de caja
    • El prestamista solo necesita revelar el puntaje crediticio.
  4. ¿Qué dice el comentario de la Regulación B sobre la divulgación de muchas razones?
    • Siempre se deben enumerar al menos diez razones.
    • No es probable que sea útil revelar más de cuatro razones.
    • Sólo se puede dar una razón
    • Las razones deben enumerarse en orden alfabético.
  5. ¿Cómo suelen generar los cuadros de mando tradicionales motivos de acción adversa?
    • Comparando los puntos de cada atributo con el máximo de puntos posibles
    • Pidiéndole a un oficial de préstamos que escriba los motivos a mano.
    • Utilizando los ingresos del solicitante como única razón
    • Clasificando funciones alfabéticamente
  6. ¿Por qué es importante la elección del punto de referencia cuando se utilizan valores SHAP por motivos de acción adversa?
    • Los valores SHAP son idénticos independientemente de la referencia.
    • Las atribuciones se miden en relación con una referencia, por lo que explicar frente al solicitante promedio puede diferir de explicar frente a uno cercano al límite de aprobación.
    • El punto de referencia debe ser el solicitante con mayor puntuación.
    • Las referencias sólo importan para préstamos hipotecarios.
  7. ¿Por qué los prestamistas agrupan características correlacionadas en familias de razones antes de clasificarlas?
    • Para reducir la cantidad de características que utiliza el modelo.
    • De modo que la atribución de un factor subyacente no se diluye entre varias variables relacionadas.
    • Porque la Regulación B enumera las familias requeridas
    • Para ocultar qué fuentes de datos utiliza el modelo
  8. ¿Qué afirmación refleja la visión de la guía sobre las bibliotecas de explicabilidad?
    • La ejecución de cualquier biblioteca de explicabilidad produce automáticamente razones de cumplimiento
    • Las atribuciones pueden ser inestables y depender de elecciones, por lo que las razones necesitan validación para garantizar su precisión y claridad.
    • Las herramientas de explicabilidad solo son necesarias para solicitudes de hipotecas denegadas
    • Las herramientas de explicabilidad también demuestran que el modelo es justo.