Proceedings of the International scientific and practical conference ―Oxford 2026: Science and Education Today‖ (May 29-31, 2026) / Publisher website: www.naukainfo.com. - Oxford, United Kingdom, 2026. - 392 p.

24 В змінні аудиту спостерігаються тенденції змін від фіксації минулих збитків до прогнозного контролю. Від перевірки старих звітів про проблемні кредити NPL на надійність самих алгоритмів, які прогнозують ці збитки [19, 21]. Традиційні правила перевірки банківських ризиків потребують розширення, тому основи комплаєнс-аудиту еволюціонують, інтегруючи технологічні вимоги у класичний ризик-менеджмент. Фокус тільки з фінансової звітності розширюється до математичної архітектури алгоритмів. Сучасний ризик-менеджмент банку потребує постійний цикл перевірки ШІ задля гарантій, що автоматизовані процеси не створюють прихованих загроз для банку [12, 14 , 15]. Існує великий виклик під час масового впровадження методів машинного навчання у банківську сферу через складність нейронних мереж та ансамблів дерев рішень, процеси яких мають приховану математичну логіку прийняття рішень. Для забезпечення довіри до системи застосовується концепція прозорості моделей. Єдиним дієвим інструментом подолання цієї проблеми — впровадження в контур аудиту методів пояснюваного ШІ (Explainable AI або XAI). Інструменти XAI наочно показують внутрішньому аудиту параметри клієнта, які впливали на схвалення чи відхилення операції (наприклад, через транзакційна активність, динаміка залишків на рахунках, кредитна історія чи навіть геолокаційні дані). Застосовуються такі алгоритми — SHAP (SHapley Additive exPlanations) або LIME (Local Interpretable Model-agnostic Explanations). Це допомагає транспортувати незрозумілий об’єм математичних даних на прозорий, інтерпретований і жорстко контрольований інструмент сучасного ризик-менеджменту, що також дозволяє банку надавати обґрунтовані відповіді на запит регулятора про причину відмови в кредитуванні [16, 17]. Завершальним етапом комплаєнс-аудиту — налаштування системи внутрішнього контролю для мінімізації помилок в алгоритмі роботи зі ШІ. Через незбалансованість історичних навчальних вибірок може виникати алгоритмічна упередженість (bias) або алгоритмічна дискримінація, ШІ