不正検知の機械学習
不正検知の機械学習
誤検知を減らしながら、不正をより早期に検知します
数十億件のセッションで学習された機械学習モデルが、本人確認（オンボーディング）、ログイン、決済の各段階で不正行為を検知し、新たな不正パターンが現れるたびに継続的に精度を高めていきます。
柔軟性と制御性を備えた不正検知モデルを導入する
当社のコンソーシアムで訓練されたモデルを利用することも、12,000以上のリスク特徴量を備えたフィーチャーストアで独自モデルを学習することも、あるいはお客様がお持ちのモデルを当社インフラ上でホスティングすることも可能です。
あらゆる判断の背景を完全に説明可能に
すべてのモデルは SHAP 値によって完全に説明可能であり、モデルの重みや特徴量の寄与度を可視化できます。また、特徴量の重要度に基づいて独自の信頼度しきい値を定義することもできます。
ネットワーク全体の不正パターンから学習する
お客様のモデルは、Sardine のグローバルネットワーク全体で検知された不正シグナルを活用できるため、検知結果は自社で既に発生した事例だけでなく、他社で起きている最新の不正動向も反映します。
モデル戦略を完全に自由に設計・運用
すぐに使えるコンソーシアムモデルを利用したり、12,000以上のリスク特徴量を備えた当社のフィーチャーストアでカスタムモデルを学習したり、あるいはお客様独自のモデルを Sardine のルールエンジンとスコア正規化機能に統合することができます。
あらゆるモデルに組み込まれたグローバルな不正検知インテリジェンス
新たな攻撃に先回りするコンソーシアム訓練モデル
すべてのモデルは、数十億規模のデバイスと消費者を網羅する、世界で最も急成長しているグローバルな不正対策コンソーシアムから得られる集合的なシグナルをもとに学習されています。
ある顧客のトラフィックで検知された攻撃パターンはネットワーク全体の検知精度向上につながるため、あなたのモデルは、これまで遭遇したことのない不正行為の事例からも学習されています。
ルールと機械学習を組み合わせて、二重層の防御戦略を構築する
既知の不正パターンにはルールで素早く対応し、そのうえでフィードバックやリスクシグナル、攻撃手法の変化に基づいて、機械学習を使って時間とともに判断精度を高めていきます。これらを組み合わせることで、不正が進化しても、チームは事前により強いコントロールを持ちつつ、より高い精度で不正を見抜けるようになります。
カスタム機械学習モデルをトレーニングする
Sardine の特徴量ストアには、デバイス、行動、ネットワーク、本人確認、トランザクションデータにまたがる 12,000 以上のリアルタイムシグナルが用意されており、四半期ごとに数百件ずつ追加されています。カスタマイズ可能な API により、取り込む評価データを細かく選択できるほか、Snowflake、GCP、BigQuery と直接連携して、貴社のリスク戦略に最適化されたモデルを構築・デプロイできます。
MLモデルをホスティングしてデプロイする
Sardine の Model Garden で ML モデルをデプロイおよび管理し、Sardine 独自のモデルと自社モデルの両方を、アップロードと管理のためのセルフサービス型インターフェースを備えた単一の本番環境上で稼働させることができます。カスタムモデルはルールエンジンやスコア正規化とネイティブに統合されており、複雑な導入に対してはホワイトグローブ型の手厚いサポートも利用できます。
リスクライフサイクル全体にわたる適応型モデル
よくある質問
Sardine はどのようにして、不正検知モデルの判断をリスクチームにとって説明可能な形にしているのですか？
Sardine は、あらゆる不正スコアについて、どの特徴量が判断に影響したのかをリスクチームが確認できる、機能レベルでの可視性を提供します。これにより、チームはモデルがなぜ特定のユーザーや取引、セッションをフラグしたのかを理解し、その根拠となるシグナルの強さを確認し、より自信を持ってしきい値を設定できるようになります。このレベルの透明性は、ポリシーのチューニングや結果の調査、モデル駆動の意思決定に対する社内ガバナンスの維持を求められる不正対策オペレーションチームにとって、特に有用です。
Sardineの中で自社の不正検知モデルを利用することはできますか？
はい。Sardine では、チームが自社の不正検知モデルを持ち込み、Sardine のネイティブモデルと同じ環境内で実行することができます。これにより、Sardine をデプロイ、オーケストレーション、スコアリング、意思決定のために利用しながらも、各社独自のモデリング戦略を柔軟に維持することが可能になります。社内にデータサイエンスのリソースを持つチームにとっては、別々のモデル基盤やリスクツールをつなぎ合わせることなく、カスタムの不正検知向け機械学習を運用環境に乗せやすくなります。
Sardine は本番環境でどのように機械学習とルールベースを組み合わせていますか？
Sardine は、機械学習とルールを 1 つの意思決定レイヤーに統合することで、チームが同じワークフローの中で、適応的なスコアリングと明示的なポリシー制御の両方を適用できるようにします。ルールは、厳格な要件、ルーティングロジック、ビジネス上の制約を強制でき、一方で機械学習は、人手では定義しづらい複雑な不正パターンの検知を支援します。これにより不正対策チームは、モデルが意思決定にインサイトを与え、ルールがその意思決定の適用方法を形作るという、より実務的な本番運用体制を構築できるようになります。
Sardine の機械学習モデルは、どのような不正検知ワークフローをスコアリングできますか？
Sardine の機械学習モデルは、オンボーディング、ログイン、口座入金、支払い、さらには幅広い口座アクティビティなど、主要な不正対策ワークフロー全体でリスクをスコアリングできます。これは、顧客のジャーニーにおけるタイミングによって、不正パターンの現れ方がしばしば異なるため、非常に重要です。