Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dan machine learning dalam industri perbankan telah berkembang pesat, khususnya dalam pengelolaan risiko seperti credit scoring, fraud detection, anti-money laundering, serta risk-based decision making. Namun demikian, meningkatnya kompleksitas model—terutama yang berbasis algoritma non-linear seperti ensemble learning dan deep learning—menimbulkan tantangan serius terkait transparansi, interpretabilitas, dan akuntabilitas. Dalam konteks regulasi yang semakin ketat, bank tidak hanya dituntut untuk menghasilkan model yang akurat, tetapi juga mampu menjelaskan bagaimana suatu keputusan dihasilkan, memastikan tidak adanya bias yang merugikan, serta memenuhi prinsip fairness dan governance. Keterbatasan dalam menjelaskan model (black-box problem) dapat berpotensi menimbulkan risiko kepatuhan, reputasi, hingga risiko hukum, terutama ketika keputusan berdampak langsung pada nasabah.

Pelatihan ini dirancang untuk memberikan pemahaman komprehensif mengenai konsep Explainable AI (XAI) serta penerapannya dalam mendukung kepatuhan dan transparansi model risiko di perbankan. Peserta akan mempelajari berbagai pendekatan dan teknik XAI, baik yang bersifat global maupun lokal, serta bagaimana mengintegrasikannya ke dalam siklus hidup model (model lifecycle) mulai dari pengembangan, validasi, hingga monitoring. Selain itu, pelatihan ini juga akan membahas bagaimana XAI dapat digunakan untuk memenuhi kebutuhan regulator, meningkatkan kepercayaan stakeholder, serta memperkuat tata kelola model risiko (model risk governance). Dengan pendekatan yang menggabungkan teori, praktik, dan studi kasus, peserta diharapkan mampu mengimplementasikan prinsip transparansi dan explainability secara efektif tanpa mengorbankan performa model yang digunakan dalam pengambilan keputusan bisnis.