1. 课程导入

欢迎进入《金融AI治理控制矩阵与证据留痕》课程。在正式展开控制矩阵之前，我们需要先回答三个问题：为什么金融行业的AI治理比其他行业更紧迫？这门课要帮你建立什么能力？以及后续30章将围绕怎样的整体框架展开？本章作为导入，不追求技术细节，而是帮你建立一张“认知地图”，让后续每一章都能挂在这张地图上。

一、为什么金融AI治理具有特殊紧迫性

金融行业是强监管、高杠杆、强外部性的行业。一个信贷审批模型如果存在性别或地域歧视，不只是产品问题，而是可能触发监管处罚、声誉损失与系统性风险。与传统软件不同，AI系统具有三个让治理变难的特征：

• 行为不可完全预设：模型输出由数据与参数共同决定，开发者也难以逐条预测。
• 决策链路长：从数据采集、特征工程、训练、部署到人工复核，责任容易稀释。
• 证据易失：模型版本、训练数据、提示词、阈值、人工override记录若未留痕，事后无法还原“当时为什么这样决策”。

监管趋势也在同步收紧。无论是模型风险管理要求、算法备案、消费者保护，还是“可解释、可审计、可追责”的通用原则，最终都会落到两个工程问题上：控制点是否被定义并执行，以及执行过程是否留下可验证的证据。这正是本课程两条主线：控制矩阵与证据留痕。

二、课程学习目标

完成本课程后，你应当能够独立完成以下任务：

1. 识别控制点：针对信贷、风控、投顾、客服等金融AI场景，定位数据、模型、部署、监控、人工干预五类关键控制点。
2. 设计控制矩阵：把风险、控制目标、控制活动、责任角色、频率、证据类型组织成可执行矩阵。
3. 落地证据留痕：设计日志、版本快照、审批记录、override记录与审计追踪的最小可用方案。
4. 应对审计与复盘：能够用证据链还原一次AI决策，并定位控制失效环节。
5. 平衡创新与合规：在不过度拖慢交付的前提下，把治理嵌入MLOps与业务流程。

三、核心概念预览

本课程反复使用以下概念，先建立统一语言：

概念	含义	典型载体
控制点	为降低特定风险而设置的检查或约束动作	审批节点、阈值校验、人工复核
控制矩阵	风险—控制—责任—证据的结构化映射	治理台账、RACI表
证据留痕	可验证、可追溯、防篡改的执行记录	日志、版本快照、审批流水
模型版本	一次可复现的训练与配置组合	模型ID、数据版本、超参数
人工干预	人对AI输出的覆盖、修正或拒绝	override记录、复核意见
审计追踪	按时间顺序还原决策与操作的能力	审计日志、事件链

四、整体框架：五层治理与一条证据链

后续章节将围绕“五层治理结构”展开：数据层、模型层、部署层、监控层、人工干预层。每一层都有对应的控制点与证据要求。贯穿五层的是一条证据链，从数据来源到最终决策输出，任何一环缺失都会导致审计断链。

这张图请务必记住：上方五层是治理对象，下方一条链是证据要求。后续每一章都会回到这张图，指出当前章节在五层中的位置，以及需要补齐哪一段证据。

五、一个典型场景：信贷AI拒贷后的审计追问

假设某客户被AI信贷模型拒绝，随后提出申诉。监管或内部审计会追问：

1. 该客户申请时使用的是哪个模型版本？
2. 训练该版本使用了哪些数据？数据授权是否有效？
3. 拒绝阈值是多少？由谁审批设定？
4. 是否有特征漂移告警？告警是否被处理？
5. 是否有人工复核？复核意见与override记录在哪里？
6. 上述记录是否可防篡改、可按时间还原？

如果其中任何一项无法回答，治理就是失效的。注意，这里的问题不是“模型准不准”，而是“过程是否可证明”。这正是控制矩阵与证据留痕要解决的核心问题。

六、学习方法与复盘建议

建议你按以下方式学习本课程：

• 带着场景学：每章选择一个你熟悉的金融AI场景，把控制点套进去。
• 动手画矩阵：不要只读，尝试用表格把风险、控制、证据、责任列出来。
• 检查证据链：每学完一层，问自己“这一层的证据我现在的系统能留下吗？”
• 复盘失败案例：把审计断链当作故障来排查，而不是当作文档问题。

本章建立了三个基础认知：金融AI治理的紧迫性来自不可预设、链路长、证据易失；课程目标是让你能设计控制矩阵并落地证据留痕；整体框架是五层治理加一条证据链。接下来，我们将从数据层开始，逐层拆解控制点与证据要求。