03CASE 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。

  1. 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

  2. 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

  3. 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。

  1. 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。

  2. 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。

  3. 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
  • 不正検知モデル開発
  • リアルタイム推論基盤構築
  • 運用モニタリング設計
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。

  1. 01

    31%

    不正検知率の向上

  2. 02

    42%

    誤検知件数の削減

  3. 03

    0.3秒以内

    判定レスポンス

04DETAILSくわしく

この事例を
くわしく

進め方や効果の測り方など、取り組みの中身をご紹介します。

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。

この事例のポイント

  • 稼働中の検知ルールを全件洗い出して、実際に効いているものと形骸化しているものを分け、検知率だけでなく誤検知コストを含めた評価指標を定義し直しました

  • 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

  • 取引データをストリーム処理して低遅延で判定を返す推論基盤を構築し、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

進め方

約10ヶ月の支援を、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名の体制で、次の3つの段階で進めました。

  1. 既存ルールの棚卸しと評価指標の再定義: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ました。そこで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しました。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ため、検知率だけでなく誤検知コストを含めた評価指標を定義し直しました。

  2. 説明可能性を重視したモデル設計:検知結果の判断根拠を説明できないことが、審査部門がモデルの導入に踏み切れない理由になっていました。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し、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。

  3. 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しました。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ています。

効果の測り方

不正検知では、検知率を上げようとすると誤検知が増えやすく、片方だけを見ると判断を誤ります。この事例では、評価指標に誤検知コストを含め、従来のルールベース運用時とモデル導入後6ヶ月の実績を比べました。

指標確かめていること結果
不正検知率検知漏れが減ったか31%向上
誤検知件数正常な取引を止めてしまう件数が減ったか42%削減
判定レスポンス取引を待たせずに判定を返せているか0.3秒以内

※ 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。

お客様からは、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で、審査の現場がモデルを信頼して使えるようになった、という声をいただいています。

関わった事業

この事例は、決済サービスを支える不正検知の仕組みづくりを金融システム開発で、不正検知モデルとリアルタイム推論基盤の開発をAIシステム開発でご支援しました。

よくある質問

AIが不正と判定した理由は、確認できますか?

この事例では、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しました。審査担当者が「なぜ検知したか」を確認できることを、設計の要件にしています。

これまでの検知ルールは、どう扱いましたか?

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しました。そのうえで、検知率だけでなく誤検知コストを含めた評価指標を定義し直しています。

手口の変化には、どのように追従しますか?

この事例では、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。

効果は、どのように確かめましたか?

従来のルールベース運用時とモデル導入後6ヶ月の実績を比べ、不正検知率の31%向上と、誤検知件数の42%削減を確かめました。判定レスポンスは0.3秒以内です。

どのくらいの期間と体制で進めましたか?

支援期間は約10ヶ月で、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名の体制で進めました。

05VOICE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
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。