AIをベースにした新たな金融セキュリティプラットフォームの構築

フィンテックは金融業界の従来の業務方法や業界概念を明らかに変えましたが、テクノロジーがもたらすエンパワーメント効果を享受する一方で、金融リスクの管理はより困難になってきています。従来の不正検出では、新たな不正の課題に適応できなくなりました。金融会社は、監督に人工知能（AI）などの技術を活用し始めており、不正リスクを防ぐためにデータ価値に基づいたインテリジェントなリスク予測モデルを確立しています。

金融詐欺のリスクは高まり続けている

近年、デジタル技術と金融業界の急速な融合・発展により、新たなビジネスモデルや業務形態が継続的に生まれ、従来の金融取引活動はオンラインに移行し続けています。同時に、テクノロジーの発展により金融詐欺の手法も継続的に進化しており、デジタル金融詐欺は専門的、産業化、隠蔽化、シナリオベースの特徴を示すようになり^[1] 、詐欺はより混乱を招き、特定が困難になっています。情報サービス会社エクスペリアンが発表した「世界不正レポート2018」によると、調査対象となった組織の72％が、1年前と比べて不正に対する懸念が高まったと回答し、2017年の世界の不正による損失は2010年と比べて225％増加しました。特に金融不正のリスクは拡大し続けており、金融セキュリティと不正対策の状況は厳しいことが明らかになっています。

このような厳しい状況に直面して、従来の不正防止対策は主にルール主導であり、アプリケーションまたはトランザクション情報が不正防止ルールに一致する場合に対応するビジネス戦略が実行されます。ルールの形成は主に過去の経験と以前に発生した事実に基づいており、一連のルールを抽象化しており、それぞれのルールが詐欺シナリオをトリガーします。このようにして導き出された不正防止ルールには、一定の制限があります。すべてのビジネスシナリオを列挙することはできないため、デジタル金融における新しいビジネスシナリオの出現は言うまでもなく、あらゆる種類の詐欺を包括的にカバーすることはできません。また、既存のルールが詐欺師によって回避され、ルールが詐欺の手口の変化に追いつかなくなり、詐欺の監視が困難になるというリスクもあります。

一方、従来の不正防止方法は単一次元であり、ユーザーの多次元的なユーザーポートレートを形成し、そのユーザーポートレートを通じて顧客の行動の好み、債務返済能力、支払い能力、不正傾向を分析することが困難です。さらに、金融テクノロジーは金融サービスの範囲を拡大し、金融サービスを草の根レベルにまで浸透させました。ロングテール顧客グループに直面して、従来の不正防止方法では、徐々に減少する顧客ベースに対応することが困難になっています。したがって、金融会社は早急に新たな解決策を見つける必要があります。

AIはデジタル金融セキュリティにおける重要な技術的手段となる

人工知能（AI）などの技術が金融サービスとより深く統合されるにつれて、金融会社は詐欺リスクを防止する強力な手段として、AI技術を使用して監督を強化し始めています。従来の方法と比較して、AI は不正行為検出に対してより柔軟なアプローチを提供できます。機械学習（ML）を適用することで、大量の異種・多ソースデータ情報を深く掘り下げ、不正ビジネスリスク指標を定量的に抽出し、これに基づいて不正防止モデルを構築することができます。また、繰り返しトレーニングしてリアルタイムで識別し、金融詐欺防止の意思決定の基盤を提供することもできます。 AI ベースの不正防止の利点は次のとおりです。

• より正確には「顧客確認（KYC）」 。 FinTech によって金融サービスの境界が拡大するにつれ、金融機関はより多くのデータを収集できるようになります。ディープラーニング/機械学習などのAI技術を適用して、ユーザーの基本属性、社会的属性、行動の好みなどのさまざまなチャネルデータを分析することで、多次元のユーザーポートレートが形成され、ユーザー行動データ分析のより正確なリスク評価が形成されます。
• より良いユーザーエクスペリエンス。金融テクノロジー事業は顧客基盤を拡大し、AIテクノロジーを活用して不正行為の特定における手作業を削減し、効率性を向上させ、取引/申請の審査速度を短縮し、ユーザーに優れたサービス体験を提供しています。
• リスクモデルを継続的に最適化します。機械学習モデルは、アクティビティが欺瞞的かどうかを判断するために事前定義されたルールを使用しません。機械学習モデルは、データセット内の不正パターンを識別するようにトレーニングされます。新しい情報から継続的に学習することで、戦略とモデルが最適化およびアップグレードされ、不正な取引をより正確に識別して阻止できるようになり、新しい未知の不正パターンに適応できるようになります。
• 受動性を能動性に置き換えます。人工知能は、膨大な知識グラフに基づいて、インターネット全体のリスク動向を監視し、信用実績にリスクが検出されると、タイムリーにリスク警告を発行することもできます。 AI テクノロジーを活用した金融リスク管理は、コンプライアンスや規制要件を満たすための従来の受動的な管理モデルから、監視と早期警告のための新しいテクノロジーを活用する能動的な管理方法へと変化しました。

AWS、金融セキュリティにおけるAI導入を加速

金融業務のセキュリティを確保するために AI テクノロジーを活用する金融会社が増えています。不正防止モデルとシステム アーキテクチャは、不正防止ソリューションを構築する上での中核要素の 1 つです。まず、不正防止モデルは中核的な競争力であり、特に機械学習技術に基づいて構築された不正防止モデルは重要な発展のトレンドです。さまざまなユーザーの行動特性を分析し、金融ビジネスのさまざまなリンクにおけるリスク確率を計算して、リスクを効果的に特定できます。第二に、システム アーキテクチャは不正行為の識別の有効性に直接影響するため、システムの処理速度と安定性に対する要件が高くなります。

これを受けて、多くのクラウドサービスプロバイダーが自社のクラウドをベースとしたAI/ディープラーニングサービスを提供するようになりました。たとえば、AWS が提供する Amazon SageMaker は、ユーザーがワークロードとコストを抑えながらより早く本番環境に移行できるようにする、完全に管理されたサービスです。また、お客様が不正防止シナリオで Amazon SageMaker をより簡単に活用できるように、AWS は機械学習ソリューションに基づく不正検出ソリューションを提供しています。このソリューションは、不正行為の可能性があるアクティビティを自動的に検出し、確認のためにフラグを立てます。

図1: AWS 上の機械学習アーキテクチャを使用した不正検出

AWS の機械学習ベースの不正防止ソリューションは、AWS CloudFormation テンプレートを通じてデプロイできます。このソリューションには、Amazon Simple Storage Service (Amazon S3)、Amazon SageMaker、AWS Lambda、Amazon Kinesis Data Firehose、Amazon CloudWatch、オプションの Amazon QuickSight が含まれます。このソリューションにはサンプル データセットが含まれており、これをカスタマイズして独自のデータセットをトレーニングに使用することもできます。

Amazon SageMaker は、機械学習ワークフロー全体をカバーするフルマネージドサービスです。モデルトレーニングでは、SegeMaker には一般的に使用される教師あり学習および教師なし学習のアルゴリズムとフレームワークがいくつか付属しており、ユーザーは Docker コンテナを使用して独自のトレーニング アルゴリズムを作成することもできます。トレーニング プロセスを数十台のサーバーに分散して、トレーニング速度を高速化できます。

トレーニングデータは Amazon S3 クラウドストレージサーバーから読み取られ、モデルによって生成されたデータも Amazon S3 サーバーに保存されます。 Amazon S3 は、ウェブサイト、モバイルアプリケーション、バックアップと復元、アーカイブ、エンタープライズアプリケーション、IoT デバイス、ビッグデータ分析など、さまざまなユースケースで、あらゆる量のデータを保存および保護するための、耐久性、可用性、拡張性に優れたデータストレージインフラストラクチャを低コストで提供するオブジェクトストレージサービスです。

Amazon CloudWatch Events ルールを設定すると、AWS Lambda がトリガーされ、データセットからのトランザクションが処理され、Amazon SageMaker が呼び出されて、マシンモデルに基づいてこれらのトランザクションが不正であるかどうかが判断されます。 Amazon Kinesis Data Firehose は、処理されたトランザクションを Amazon S3 バケットにロードして保存します。トランザクションが Amazon S3 にロードされると、分析ツールとサービス (Amazon QuickSight) を通じて視覚化、レポート、アドホッククエリ、より詳細な分析に使用できるようになります。ソリューション全体は、事前に構築された自己学習型 ML モデルを使用して、潜在的な不正行為を検出するように構築されています。

AWS 製品とサービスの助けを借りて、金融企業のユーザーはビジネス運営のセキュリティを簡単に確保できます。

Coinbase は AWS を使用して不正行為を防止し、ユーザーに安全なデジタル資産プラットフォームを提供しています。

Coinbase はデジタル通貨取引プラットフォームであり、関連するウォレット サービスを提供しています。 2012 年の設立以来、2,000 万人を超える商人と消費者が Coinbase プラットフォーム上で 1,500 億ドルを超えるデジタル通貨を取引してきました。すべての金融サービス企業と同様に、Coinbase も事業を展開する環境のセキュリティを確保するための措置を講じる必要があります。暗号通貨取引プラットフォームが直面するリスクの 1 つは詐欺です。たとえば、オンラインでの本人確認では、特定の光の周波数を使用して運転免許証に隠されたホログラフィック パターンを見つけ、オフラインのように文書の真正性を検証することはできません。そのため、Coinbase は Amazon SageMaker を使用して、ユーザー識別ソースの不一致や異常を識別し、潜在的な詐欺リスクを防ぐために迅速な対応を行える機械学習ベースの詐欺防止システムを開発しました。

同時に、リスク管理はデジタル通貨取引プラットフォームのビジネス管理の 1 つの側面にすぎません。顧客情報のセキュリティも予防の重要な焦点です。セキュリティが極めて重要な環境では、データ アクセスの制限により機械学習が困難になります。これは、セキュリティ上の理由から、機械学習エンジニアは許可なく運用サーバーにログインしたり、レビューされていないコードを実行したりできないためです。この課題を克服するために、Coinbase は、徹底的にレビューされ、Amazon Elastic Container Registry にコミットされたコードを使用して、機械学習エンジニアにデータログへのアクセスを提供しました。暗号通貨は信頼の上に存在します。 Coinbase は、AWS が提供するテクノロジーとサービスを使用して、この信頼を構築および維持し、リスクが発生する前に継続的に防止します。

AI技術は金融業務の革新に利用されるだけでなく、多くの金融機関や規制当局が金融業務のリスク管理や監視にも利用しています。 AWS はクラウドを基盤として AI および機械学習サービスを提供しており、金融企業の顧客が AI テクノロジーのメリットを迅速に発揮し、新たな金融セキュリティ基盤を構築し、不正防止分野における革新的な開発の可能性をさらに高めることを可能にします。

【1】デジタルファイナンス、JDデジタルテクノロジー研究所