02CASE STUDY金融業
非公開企業
不正検知AIの構築で
検知精度を大幅に改善
取引データのリアルタイム分析による不正検知モデルを構築。検知精度の向上と誤検知率の削減を実現。
- 業種
- 金融業 (決済サービス)
- 企業規模
- 従業員 約800名
- 支援期間
- 約10ヶ月
- テーマ
- AI導入・内製化 / データ活用
01CHALLENGE課題
導入前に
抱えていた課題
ルールベースの不正検知が手口の変化に追いつかず、検知漏れと誤検知の両方が増加していました。
- 01
ルールの追加・改修が積み重なり、条件の重複や矛盾を誰も把握できなくなっていた
- 02
誤検知による正常取引の停止が、カスタマーサポートへの入電増加につながっていた
- 03
検知結果の判断根拠を説明できず、審査部門がモデルの導入に踏み切れずにいた
この課題に、3つの段階で取り組みました
02APPROACH支援内容
課題の解決に向けて
取り組んだこと
約10ヶ月の支援を、3つの段階で進めました。
- 01
既存ルールの棚卸しと評価指標の再定義
稼働中の検知ルールを全件洗い出し、実際に効いているものと形骸化しているものを分離。検知率だけでなく誤検知コストを含めた評価指標を再定義しました。
- 02
説明可能性を重視したモデル設計
勾配ブースティングを軸に、寄与度の大きい特徴量を提示できる構成を採用。審査担当者が「なぜ検知したか」を確認できることを要件として設計しました。
- 03
リアルタイム推論と継続学習の運用整備
取引データをストリーム処理し、低遅延で判定を返す推論基盤を構築。検知結果のフィードバックを学習データへ還流させる運用サイクルまで整えました。
- 支援領域
- 体制
- コンサルタント1名・データサイエンティスト2名・エンジニア3名
この取り組みで、成果につなげました
03RESULTS成果
導入後に
得られた成果
※ 従来のルールベース運用時と、モデル導入後6ヶ月の実績を比較したものです。
- 01
31%
不正検知率の向上
- 02
42%
誤検知件数の削減
- 03
0.3秒以内
判定レスポンス
04VOICEお客様の声
導入を
振り返って
ご担当者さまに伺ったお話です。
検知の精度そのものより、判断の根拠が見えるようになったことが大きかったです。審査の現場がモデルを信頼して使えるようになりました。
リスク管理部マネージャーOTHER CASESほかの導入事例
ほかの導入事例
近いテーマの事例をご紹介します。
導入事例をすべて見る
CONTACTご相談
同じような課題を
お持ちではありませんか。
現状の整理からご一緒します。まずはお気軽にご相談ください。