機械学習とAIは、現在では不正行為や金融犯罪を検知するための重要なツールとなっています。しかし、企業が不正対策やコンプライアンスのパフォーマンス向上のために機械学習へますます依存するにつれて、重要なトレードオフに直面することになります。
不正検知やコンプライアンス業務のような領域で働くデータエンジニアにとって、詐欺対策およびコンプライアンスのパフォーマンスに関するトレードオフは、汎用的なフィーチャーストアを導入するか、機械学習用の特徴量を自社内で構築するかの選択にあります。
どちらも理想的とは言えません。
もし両方の長所を同時に手に入れられたらどうでしょうか？
Sardine は、ドメイン特化型の機械学習機能を構築し、それらを完全に制御できるようにします。
不正対策とコンプライアンスのツールや自社開発には、それぞれ最適とは言えないトレードオフがある
現在、詐欺対策およびコンプライアンスの担当チームは、エンジニア主導の体制へとますます移行しており、自社内で機械学習の能力を開発し、複数のデータプロバイダーを活用して自社の課題解決に取り組んでいます。
従来型のソリューションプロバイダーのやり方では、これを簡単に実現することはできません。
従来の不正対策ソリューションは、多くの場合、リスク事象に対してスコアを提示します。例えば、顧客が支払いを行おうとしている場合、高リスクまたは低リスクのスコアを返すことがあります。このシンプルでありながら効果的なツールにより、金融機関や EC 事業者、マーケットプレイス企業は、取引を迅速に承認または拒否することができます。
しかし、このブラックボックス型のアプローチは、自分たちで機械学習（ML）モデルを訓練したいチームや、特定のユースケースや脅威を解決したいチームには適していません。
これにより、よくある3つのやや不利なトレードオフが生じます
- ブラックボックスを受け入れる代わりに、ビジネスパフォーマンスを犠牲にする ❌
- 基盤となるデータプロバイダーを自社でつなぎ合わせて内製化すると、多額の運用コストと大きな負荷が発生する ⚠
- 汎用的なフィーチャーストアを使ってソリューションを構築する ⚠
理想的なコンプライアンスソリューションとは、自社開発の強みと、フィーチャーストアの強みの両方を最大限に活かせるものです。
では、それをどのように実現すればよいのでしょうか。
まず、フィーチャーストアが何をすべきか見ていきましょう。
私たちが特徴エンジンに求めるもの
- トレーニング／サービング間のスキューなし：トレーニング環境と本番環境のギャップは、Online Analytical Processing (OLAP) と Online Transaction Processing (OLTP) の間で特徴量スキューを生むリスクがあります。特徴量スキューとは、機械学習モデルのトレーニングに使用されるデータと、本番環境で実際に扱われるデータとの間に不整合が生じることを指します。Sardine のプラットフォームはこの問題を解消し、一貫性があり信頼できる特徴量の挙動を保証します。
- ポイントインタイムの正確性：正確なバックテストとモデル学習には、特定の時点におけるシステムの状態を反映したデータが必要です。Sardine のプラットフォームはポイントインタイムの正確性を保証し、企業が過去データを信頼性高く評価し、それに基づいてモデルを学習できるようにします。
- 可観測性：本番環境における特徴量や機械学習スコアの可視性は、監視、デバッグ、そして不正防止およびコンプライアンスシステムの最適化にとって極めて重要です。Sardine のプラットフォームは包括的な可観測性を提供し、企業が不正検知モデルの挙動をリアルタイムで追跡・把握できるようにします。
- データウェアハウス接続：現代の企業は、大量のデータを保存・分析するためにデータウェアハウスに依存しています。Sardine のプラットフォームはデータウェアハウスへのアクセス機能を提供しており、お客様の環境にデータを送信する形で統合することができます。
- 低レイテンシ：オンライン取引の世界では、わずか1ミリ秒の差が重要になります。Sardineのプラットフォームは低レイテンシで動作するよう設計されており、不正検知および防止対策をほぼリアルタイムで適用できるため、不正行為が成功するリスクを最小限に抑えることができます。
汎用的なフィーチャーストアにおける問題点
- 特徴量の選定には時間がかかります。あなたの状況に合ったドメイン固有の特徴量を見つけるには、多くの時間と労力が必要です。フィーチャーストアを使えばさまざまな特徴量のプロトタイピング自体は容易になりますが、それでも特徴量をバックテストし、自分たちのドメインで有効な特徴量を見つけるためのパイプラインを構築する必要があります。理想的には、業務の専門家がローコードまたはノーコードでこれを行えるべきです。
- これらの特徴量は、機械学習モデルやワークフロー、ルールエンジンの中で明確に適合する場所がありません。不正対策やコンプライアンスのチームは、ルールやワークフローに基づいて業務を行っており、モデルはそれを機能面で支えています。ドメイン固有の特徴量の開発に多大なリソースを投じた後でさえ、組織はそれらの特徴量を既存の機械学習モデル、ワークフロー、あるいはルールエンジンにシームレスに統合することにしばしば課題を抱えています。
- 汎用的なフィーチャーストアを導入するにはエンジニアリングリソースが必要であり、アナリストが自分たちだけで実装できるわけではありません。これらのフィーチャーストアを実装・運用するには、通常かなりのエンジニアリングリソースが必要となり、エンジニアリングチームが小規模な組織や、アナリストやドメインの専門家がフィーチャーの開発・デプロイにより主体的に関わることを望む組織にとっては、制約要因になり得ます。
両方の利点を融合：リスク環境に最適化された特徴量
Sardine はあらかじめ設計された 4,000 を超える機能を提供しており、これらの機能には次のようなものが含まれます。
- 独自のデバイスおよびインテリジェンスシグナル たとえば「TrueLocation.Country」などです。ユーザーの実際の所在国を正確に把握することは、（たとえばプロキシやVPNを利用している場合など）複雑になることがあります。
- Sardine のネットワーク内で、特定のメールアドレスが過去に不正なチャージバックと関連付けられていたかどうかを判定するような Sardine ネットワークデータシグナル（「email.isFraudulent」）
- 通信事業者、メールプロバイダー、オープンバンキングなどから得られるサードパーティの高度なデータシグナル、銀行コンソーシアム、世界的な制裁リストおよび35社以上のデータプロバイダーからのデータ。
- 指定されたメールアドレスからの取引件数や、過去30日間に特定のカードBINで発生したチャージバック件数などの、速度および集計に関する特徴量
50以上の次元の中から任意の2つの次元の組み合わせについて、カウントおよび統計的な特徴量を作成しています。
50以上のディメンションには、メールアドレス、マーチャントID、カードハッシュ番号、カードBIN、銀行のルーティング番号、デバイスIDなどが含まれます。さらに、あらかじめ次のようなカウントを作成します。
- オンボーディング時の不正を見つけるためのベロシティチェック、つまり「1つのデバイスIDに紐づくメールアドレス数」を示す指標
- カードBINに関連付けられたデバイス数 — 検出に役立つのは、カード番号総当たり攻撃
- 加盟店IDごとの平均取引額――特定のカード取引がその加盟店において平均より異常に高く、盗難カードによる不正の可能性を示していないかを見つけるのに有用
算出された特徴量はリアルタイムで当社のルールエンジンと機械学習エンジンの両方で利用できるため、決済不正や取引不正を数百ミリ秒以内に阻止できます
すべての機能はあらかじめ設計されています
- 自社独自のデータを活用し、それらを利用する際にサーディンの機能を活かしながら、自社ならではのデータ資産を最大限に活用できるようにします。
- 既存のルールエンジン、またはSardine rules engineを活用することで、アナリストはエンジニアのサポートなしに新たな機能を構築できます。また、現在のインフラストラクチャやワークフローともシームレスに統合できます。
- Sardine ダッシュボード上の分析機能で可視化されリアルタイムで不正検知モデルのパフォーマンスを監視し、インサイトを得ることができます
- 分析およびバックテスト用の基礎データは、Sardine のデータウェアハウスから利用できます。これにより、詳細な過去分析、モデル検証、そして継続的な改善を行うことができます。
- OLAP と OLTP 間の機能ドリフトを防ぐために、ゼロから設計されています（厳密な監視とテストを経ているため）、オンライン分析処理およびオンライン・トランザクション処理システム全体で、一貫性が高く正確な検知とアラートに依拠することができます。
これらの機能（およびその基盤となるデータシグナル）は、目的に応じて自由にご活用いただけます。
エンジニアリング体制を構築中、またはすでに高度な社内チームをお持ちの場合は、ぜひご連絡ください。すぐにアクセスをご提供し、私たちがどのようにモデルのパフォーマンス向上に貢献できるかをご確認いただけます。
不正防止とコンプライアンス戦略の未来
データドリブンな世界において、ドメイン特化性・スピード・精度への要求が高まる中、先進的な機械学習機能を備えたプラットフォームが求められています。そして、自社開発と同等の柔軟性とコントロールが必要とされています。ポイントインタイムでの正確性、低レイテンシ、可観測性といった機能を重視し、既存システムと統合可能な4,000以上の事前構築済み特徴量を提供することで、不正行為や金融犯罪と戦うための強力なツールをお届けします。包括的な可観測性と、特徴量ドリフトを排除する厳密なテストによってデータの力を最大限に引き出すことで、企業は自社固有の課題に自信を持って、かつ精緻に対応できるようになります。優れた社内エンジニアリングチームを構築する、あるいは既存チームを強化することが目標であれば、このプラットフォームを採用することは、モデル性能とオペレーション効率を飛躍的に高めるための大きな一歩となるでしょう。