データと機械学習は、不正対策およびマネーロンダリング対策（AML）チームにとって生命線のような存在になっています。
データサイエンスは、リスク管理の最前線で使われる最重要ツールです。革新的なCTOと社内のデータサイエンスチームは、自社固有のリスクプロファイルに合わせてMLモデルをカスタマイズすることで、これまでにないレベルのROIを実現しています。
多くのデータや機械学習の機能は、組織の境界の外側に存在しながら、活用されず眠ったままになっています。
第三者はしばしばスコアを返しますが、そのスコアがどのように算出されたのかは決して明かしません。
不正対策およびコンプライアンス担当チームは、どのようにしてそのスコアが算出されたのか、そしてその根拠となるデータにアクセスしたいと考えています。彼らは、そのスコアを取り込んで利用したい別の機械学習モデルや、リスク評価のために組み合わせたいデータを持っている可能性があります。
もしサードパーティのデータとML機能が社内ツールと同じように使えたらどうでしょうか？
その解決策はフィーチャーストアです。これにより、データサイエンティストはサードパーティから提供される機械学習で生成された特徴量を一元管理し、簡素化し、容易に利用できるようにできます。
その仕組みについて詳しく知りたい場合は、ぜひお話ししましょう。
- 機械学習によって得られた特徴の一例
- これらの特徴量をどのように生成するか
- フィーチャーストアの仕組み
1. Sardine の機械学習された特徴量の例を教えてください
Sardine では、Sardine ML Featurestore を作り上げるために懸命に取り組んできました。私たちはクライアントに対し、データウェアハウスと 4,000 を超える機械学習済み特徴量へ直接アクセスできるようにしています。では、機械学習済み特徴量とは何でしょうか？
私たちにとって、それらは一見すると「User.Country」のようなシンプルなデータポイントに見えるかもしれません。しかし、実際にはユーザーの真の居住国を正しく把握することは（たとえばプロキシやVPNを使っている場合など）複雑になり得ます。Sardine の「User.Country」機能を利用するクライアントは、そのユーザーに関する Sardine のインサイトを取得しているのです。
機能には、より複雑な集計を含めることもできます。たとえば、1 日の間に特定の IP アドレスからの顧客数を算出できます（例：CustomerSession.IPV4Aggregations.CustomerAggregation.CustomerCount_1DAY）。これは、特定の IP アドレスから突然多数のアカウントが作成されている場合などに役立ちます。
また、ネットワーク固有の特徴量も検討しており、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します（対象となるネットワーク：Sardineのネットワーク、特徴量：email.isFraudulent）。
これらの機能の一つひとつは、さまざまな形で大きな価値をもたらします。それらがどのように生成されているかを理解すれば、データサイエンスチームとしてどのように活用すべきかも理解できるようになります。
2. コンテキスト：Sardine の機械学習特徴量をどのように生成しているか
Sardine SDK は、デバイスおよび行動シグナルをユーザーの端末から直接取得します。デバイス ID、使用中のオペレーティングシステム、IP 情報に加え、スワイプやタイピング、タップ、スマートフォンの持ち方といった、ユーザー特有の行動パターンなどの情報を収集します。これらの強力なシグナル群は機械学習モデルの基盤となり、数千種類の特徴量として利用できます。
これらのモデルはあらかじめSardineのデータセットで学習されているため、ルート化されたデバイスの検知、リモートソフトウェア、OSの異常などのシグナルを検出することができます。モデルの出力は、詐欺対策およびコンプライアンスチームにとって、インジケーターやインサイト、警告サインとして機能する特徴量を提供します。
3. フィーチャーストアの仕組み
フィーチャーストアは、あなたの技術基盤を拡張する存在であるべきです。
何も買えない店に入りたい人はいません。
私たちは、データトレーニング用にデータウェアハウス（Snowflake または BigQuery）へのアクセスを提供し、推論のためにはリアルタイム API を通じてアクセスできるようにしています。下の図のようなイメージです。
- サーディンのクライアント（加盟店）が、いずれかのサーディンAPIエンドポイントをリクエストする場合
- Sardine はリアルタイムで 4,000 を超える機械学習による特徴量を計算し、それらをユーザーの「セッション」に紐づけます
- そのセッションの結果と機械学習で得られた特徴量は、データウェアハウス（BigQuery または Snowflake）に完全に保存されます。
- その後、クライアントはカスタム機械学習モデルを実行して、Sardine からデータをクエリまたはインポートできます
本当にそれだけのことです。
しかし、シンプルさは大きな力を持つこともあります。
不正対策とコンプライアンス担当のチームがほとんど決して自分たちの望むタイミングや方法でデータや機能にアクセスできないことを考えると、このアプローチは状況を一変させる可能性があります。
私たちは、リスク領域だけでなく、フィンテックインフラ全体にわたってフィーチャーストアへの移行が進むと予想しています。
データサイエンティストによる、データサイエンティストのための
Sardine のフィーチャーストアは、データサイエンスチームによる、データサイエンスチームのためのプラットフォームです。機械学習で生成された特徴量を一元管理し、シンプルにし、誰もが使える形で提供することで、その力をチーム自身の手に取り戻します。もはやブラックボックスではありません。あなたのチームの一部として機能する存在です。
私たちは、不正対策とコンプライアンスの担当チームが、よりきめ細かな特徴量を活用して、より多くの不正を防げるよう支援します。すべては単一のAPIとダッシュボードから提供されます。
Sardine の機能セットを使って、あなたは何をしますか？
楽しみにしています。
お問い合わせ ください。詳細をご案内します。