Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dan machine learning dalam manajemen risiko perbankan telah berkembang pesat, khususnya dalam proses seperti credit scoring, fraud detection, anti-money laundering, serta berbagai keputusan berbasis model lainnya. Namun, semakin kompleksnya algoritma yang digunakan—terutama model berbasis black-box seperti ensemble methods dan deep learning—menimbulkan tantangan serius dalam hal transparansi, interpretabilitas, dan akuntabilitas. Dalam industri perbankan yang sangat diatur, ketidakmampuan untuk menjelaskan bagaimana suatu model menghasilkan keputusan dapat memicu risiko kepatuhan, meningkatkan potensi bias yang merugikan nasabah, serta berdampak pada reputasi dan kepercayaan stakeholder. Oleh karena itu, kebutuhan akan pendekatan Explainable AI (XAI) menjadi semakin penting untuk memastikan bahwa model yang digunakan tidak hanya akurat, tetapi juga dapat dipahami dan dipertanggungjawabkan.

Pelatihan ini dirancang untuk memberikan pemahaman komprehensif mengenai konsep Explainable AI (XAI) serta penerapannya dalam mendukung transparansi dan kepatuhan model risiko di perbankan. Peserta akan mempelajari berbagai teknik dan pendekatan untuk meningkatkan interpretabilitas model, baik melalui penggunaan model yang secara intrinsik dapat dijelaskan maupun melalui metode post-hoc explainability. Selain itu, pelatihan ini juga akan membahas bagaimana mengintegrasikan prinsip explainability ke dalam seluruh siklus hidup model (model lifecycle), mulai dari pengembangan, validasi, hingga monitoring, serta bagaimana memenuhi ekspektasi regulator terkait model risk management dan governance. Dengan pendekatan yang menggabungkan teori, studi kasus, dan praktik, peserta diharapkan mampu mengimplementasikan XAI secara efektif untuk meningkatkan kualitas pengambilan keputusan, memastikan kepatuhan, serta memperkuat kepercayaan terhadap sistem berbasis AI.