--- title: 不正検知における基盤モデルを解説：ChatGPTを支える技術を不正対策に応用 source_page: https://www.sardine.ai/jp/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud canonical: https://www.sardine.ai/jp/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud format: text/markdown date: 2026-11-07T01:01:00.000Z description: 不正検知における基盤モデルは本物か、それとも過大評価か？XGBoostとの違い、適合率を高められる領域、そしてデータ品質とレイテンシが依然として限界を定める領域を解説… --- **Quick links:** [Human page](https://www.sardine.ai/jp/media/the-saturday-fraud-strategist/episodes/foundation-models-in-fraud) · [Home](https://www.sardine.ai) · [Customers](https://www.sardine.ai/jp/customers) · [Blog](https://www.sardine.ai/jp/blog) · [Demo](https://www.sardine.ai/jp/demo) --- # 不正検知における基盤モデルを解説：ChatGPTを支える技術を不正対策に応用 **Published:** 2026-11-07T01:01:00.000Z 不正検知における基盤モデルは本物か、それとも過大評価か？XGBoostとの違い、適合率を高められる領域、そしてデータ品質とレイテンシが依然として限界を定める領域を解説… 今年はどのカンファレンスでも、不正対策における基盤モデルの活用が議題に上がり、同じ問いを何度も耳にします。これは本物なのか、それとも新たなバズワードにすぎないのか。Money20/20 Vegasに到着した私は、日々こうしたモデルを使って開発に取り組んでいる人に話を聞きたいと思いました。ペドロ・サンゾヴォは、本人確認や不正対策のプロダクトに携わり、キャリアを通じて不正対策の分野で活躍してきました。Palantirでキャリアをスタートさせ、ブラジルで加盟店向けの不正対策企業を設立。その会社をSignifydに売却した後、同社で機械学習モデルを活用したプロダクト開発を率いました。6か月前にPlaidに入社しました。今回は、短く実践的な内容にまとめました。基盤モデルとは何か、そして私たちの多くが現在使っているモデルとどう違うのでしょうか。どのような場面でXGBoostを上回り、どこで同じ壁にぶつかるのでしょうか。また、チームでルールを作成する際に、埋め込み表現をどう活用すればよいのでしょうか。ペドロはこうした問いに的確に答えてくれました。ぜひ聞いていただきたい話もいくつかあります。このエピソードで取り上げる内容：基盤モデルとは何か、そしてTransformerモデルは、不正対策チームが長年使用してきたルールの連鎖やXGBoostモデルとどう異なるのか従来のモデルが手作業で設計された特徴量と正確な教師ラベルに依存する理由と、それが中小企業にとって難しい理由金融データの基盤モデルが取引を一連のイベントとして捉え、次に何が起こるかを予測する仕組み Pedroが目にしている最大34%の適合率向上とは何を意味するのか、そして、なぜ依然としてデータ品質が結果を左右するのかカード取引では300ミリ秒といったレイテンシの制約が、どのモデルをどこで使うべきかを左右する理由基盤モデルの説明可能性はXGBoostと比べてどうなのか、また、与信と不正検知で求められる説明可能性が異なるのはなぜか埋め込みをルールに変換するのが難しい理由と、AIエージェントがどのように役立つ可能性があるか次のような方に、このエピソードはおすすめです：不正対策のデータサイエンスチームを率いている、またはそのチームと協働しており、基盤モデルの活用を検討すべきか判断しようとしている方少人数の不正対策チームを率いており、ラベル付けや特徴量エンジニアリングに課題を抱えている基盤モデルとXGBoostの違いについて、わかりやすい説明を求めている予測精度の向上とレイテンシーや説明可能性とのトレードオフを検討する必要がある埋め込みとAIエージェントを連携させて不正検知ルールを作成する仕組みに関心がある ### エピソードの概要と重要なポイントルールベースからXGBoost、そしてTransformerへ Pedroは、その歴史をわかりやすく説明しています。10〜15年にわたり、不正防止は複数のルールを連鎖させる仕組みで運用されていました。その後、XGBoostの登場によって、はるかに多くのデータを活用し、ごく短い遅延で細かな判断を下せるようになりました。この手法は、約10年にわたって最先端の座を占めていました。私が、アルゴリズムの観点ではこうしたモデルもルールによく似ていると指摘すると、Pedroも同じような欠点があると認めました。構築には多大な手間がかかり、特徴量をコードで実装するにはデータサイエンティストが必要で、教師データには明確なラベルが求められます。ラベル付けを間違えれば、質の悪い入力からは質の悪い結果しか得られません。これは特に小規模な企業にとって大きな負担です。つまり、従来のモデルは機能するものの、人に負担を強いるのです。基盤モデルで何が変わるのか私たちが日常的に使うLLMを支えているのはTransformerモデルです。情報を一連のシーケンスとして扱い、次に来る可能性が最も高い出力を予測する仕組みです。Pedroが問いかけているのは、金融データにも同じ手法を適用したらどうなるか、ということです。Plaidなどの企業は現在、金融情報を一連のイベントとして符号化し、人手で設計した特徴量に代わる埋め込み表現を作成しています。これにより、チームは特徴量エンジニアリングへの依存を減らせるほか、ラベルに求められる厳密さも下がります。ただし、ラベル自体は依然としてある程度必要です。Pedroによると、適合率は最大34%向上しており、これは私が業界で目にしている状況とも一致しています。しかし、従来と同じ問題は残っています。データの質が低ければ結果の質も低くなり、正確なタイムスタンプを付けるという一見単純なことさえ、実行するのは容易ではありません。こうしたモデルはより多くのデータを取り込めますが、クリーンなデータが無尽蔵にあるわけではありません。そのため、チームはこれまで保存していなかったデータの収集を始める必要があるかもしれません。レイテンシ、精度、説明可能性が、各モデルの適用先を決めるこれらすべてが機械学習や新しい意思決定モデルとどう関わるのかを尋ねた。Pedroが注目するのは、目標とする指標と制約だ。目標となるのは通常、適合率と再現率であり、最大の制約はレイテンシーだ。カード取引の判定に使える時間は約300ミリ秒以下だが、顧客登録時の審査やプロモーションの不正利用の検知では、時間的な余裕がはるかに大きい。優れたデータサイエンスとデータエンジニアリングのチームは、選択肢を検討し、何を最適化するのかを把握したうえで、データに判断を委ねるべきだというのが彼の考えだ。同じ制約のもとで既存モデルの適合率を上回るモデルがあれば、そちらを採用する。彼がもう一つ重視するのは説明可能性だ。XGBoostでもこの課題は完全には解決されていないが、それでもTransformerよりははるかに扱いやすい。与信判断では規制上、説明可能性が求められるが、不正検知では求められない。最適な答えはユースケースによって異なる。 AIエージェントで埋め込みからルールへ私は、埋め込みは特徴量エンジニアリングの近道になるものの、ルールには使えないと付け加えた。するとペドロは、すぐにエージェントを思い浮かべた。彼のチームでは、埋め込みをエージェントに与え、その一部をルールに変換したり、見落としを見つけたりできないか試している。それでも、その成果が妥当かどうかは人間が判断する必要がある。物事は単純になるどころか複雑になっているが、ペドロは、ますます面白くなっていると言う。選択肢も、試して遊べる道具も増えているという点には、私も同感だ。ただし、どの選択肢にもトレードオフがあり、チームは採用を決める前にそれを理解しておかなければならない。 ### 最後のまとめ不正対策における基盤モデルは、新たに加わった最新のツールです。良質なデータに取って代わるものではありません。Pedroの助言は、何を最適化したいのかを明確にし、制約を踏まえ、結果に基づいて判断することです。従来のモデルと基盤モデルのどちらを選ぶか迷っているなら、まずは土台となるデータの品質を確認しましょう。こうしたモデルが業務をどう変えるのか、私たちはまだ理解し始めたばかりです。優れたチームは、これらを完成された答えではなく、検証する価値のある有望な選択肢として捉えるでしょう。リソースとリンク私が大好きな、そして皆さんにもそうであってほしいこのテーマについて、もっと語り合いたいですか？ニュースレター「サタデー・フロード・ストラテジスト」にぜひご登録ください。つながりましょう：Pedro Sanzovo | LinkedIn Plaidのゼネラルマネージャー兼不正対策責任者こちらからつながる：Chen Zamir | LinkedIn The Saturday Fraud Strategistのホストフィンテック企業による、より賢い不正対策の構築を支援『不正対策担当者のためのAI実践ガイド』共著者

The Saturday Fraud Strategist

不正検知における基盤モデルを解説：ChatGPTを支える技術を不正対策に応用

November 7, 2026

13 min

Apple Podcasts

YouTube

Spotify

今年はどのカンファレンスでも、不正対策における基盤モデルの活用が議題に上がり、同じ問いを何度も耳にします。これは本物なのか、それとも新たなバズワードにすぎないのか。Money20/20 Vegasに到着した私は、日々こうしたモデルを使って開発に取り組んでいる人に話を聞きたいと思いました。

ペドロ・サンゾヴォは、本人確認や不正対策のプロダクトに携わり、キャリアを通じて不正対策の分野で活躍してきました。Palantirでキャリアをスタートさせ、ブラジルで加盟店向けの不正対策企業を設立。その会社をSignifydに売却した後、同社で機械学習モデルを活用したプロダクト開発を率いました。6か月前にPlaidに入社しました。

今回は、短く実践的な内容にまとめました。基盤モデルとは何か、そして私たちの多くが現在使っているモデルとどう違うのでしょうか。どのような場面でXGBoostを上回り、どこで同じ壁にぶつかるのでしょうか。また、チームでルールを作成する際に、埋め込み表現をどう活用すればよいのでしょうか。ペドロはこうした問いに的確に答えてくれました。ぜひ聞いていただきたい話もいくつかあります。

このエピソードで取り上げる内容：

基盤モデルとは何か、そしてTransformerモデルは、不正対策チームが長年使用してきたルールの連鎖やXGBoostモデルとどう異なるのか
従来のモデルが手作業で設計された特徴量と正確な教師ラベルに依存する理由と、それが中小企業にとって難しい理由
金融データの基盤モデルが取引を一連のイベントとして捉え、次に何が起こるかを予測する仕組み
Pedroが目にしている最大34%の適合率向上とは何を意味するのか、そして、なぜ依然としてデータ品質が結果を左右するのか
カード取引では300ミリ秒といったレイテンシの制約が、どのモデルをどこで使うべきかを左右する理由
基盤モデルの説明可能性はXGBoostと比べてどうなのか、また、与信と不正検知で求められる説明可能性が異なるのはなぜか
埋め込みをルールに変換するのが難しい理由と、AIエージェントがどのように役立つ可能性があるか

次のような方に、このエピソードはおすすめです：

不正対策のデータサイエンスチームを率いている、またはそのチームと協働しており、基盤モデルの活用を検討すべきか判断しようとしている方
少人数の不正対策チームを率いており、ラベル付けや特徴量エンジニアリングに課題を抱えている
基盤モデルとXGBoostの違いについて、わかりやすい説明を求めている
予測精度の向上とレイテンシーや説明可能性とのトレードオフを検討する必要がある
埋め込みとAIエージェントを連携させて不正検知ルールを作成する仕組みに関心がある

エピソードの概要と重要なポイント

ルールベースからXGBoost、そしてTransformerへ

Pedroは、その歴史をわかりやすく説明しています。10〜15年にわたり、不正防止は複数のルールを連鎖させる仕組みで運用されていました。その後、XGBoostの登場によって、はるかに多くのデータを活用し、ごく短い遅延で細かな判断を下せるようになりました。この手法は、約10年にわたって最先端の座を占めていました。私が、アルゴリズムの観点ではこうしたモデルもルールによく似ていると指摘すると、Pedroも同じような欠点があると認めました。構築には多大な手間がかかり、特徴量をコードで実装するにはデータサイエンティストが必要で、教師データには明確なラベルが求められます。ラベル付けを間違えれば、質の悪い入力からは質の悪い結果しか得られません。これは特に小規模な企業にとって大きな負担です。つまり、従来のモデルは機能するものの、人に負担を強いるのです。

基盤モデルで何が変わるのか

私たちが日常的に使うLLMを支えているのはTransformerモデルです。情報を一連のシーケンスとして扱い、次に来る可能性が最も高い出力を予測する仕組みです。Pedroが問いかけているのは、金融データにも同じ手法を適用したらどうなるか、ということです。Plaidなどの企業は現在、金融情報を一連のイベントとして符号化し、人手で設計した特徴量に代わる埋め込み表現を作成しています。これにより、チームは特徴量エンジニアリングへの依存を減らせるほか、ラベルに求められる厳密さも下がります。ただし、ラベル自体は依然としてある程度必要です。Pedroによると、適合率は最大34%向上しており、これは私が業界で目にしている状況とも一致しています。しかし、従来と同じ問題は残っています。データの質が低ければ結果の質も低くなり、正確なタイムスタンプを付けるという一見単純なことさえ、実行するのは容易ではありません。こうしたモデルはより多くのデータを取り込めますが、クリーンなデータが無尽蔵にあるわけではありません。そのため、チームはこれまで保存していなかったデータの収集を始める必要があるかもしれません。

レイテンシ、精度、説明可能性が、各モデルの適用先を決める

これらすべてが機械学習や新しい意思決定モデルとどう関わるのかを尋ねた。Pedroが注目するのは、目標とする指標と制約だ。目標となるのは通常、適合率と再現率であり、最大の制約はレイテンシーだ。カード取引の判定に使える時間は約300ミリ秒以下だが、顧客登録時の審査やプロモーションの不正利用の検知では、時間的な余裕がはるかに大きい。優れたデータサイエンスとデータエンジニアリングのチームは、選択肢を検討し、何を最適化するのかを把握したうえで、データに判断を委ねるべきだというのが彼の考えだ。同じ制約のもとで既存モデルの適合率を上回るモデルがあれば、そちらを採用する。彼がもう一つ重視するのは説明可能性だ。XGBoostでもこの課題は完全には解決されていないが、それでもTransformerよりははるかに扱いやすい。与信判断では規制上、説明可能性が求められるが、不正検知では求められない。最適な答えはユースケースによって異なる。

AIエージェントで埋め込みからルールへ

私は、埋め込みは特徴量エンジニアリングの近道になるものの、ルールには使えないと付け加えた。するとペドロは、すぐにエージェントを思い浮かべた。彼のチームでは、埋め込みをエージェントに与え、その一部をルールに変換したり、見落としを見つけたりできないか試している。それでも、その成果が妥当かどうかは人間が判断する必要がある。物事は単純になるどころか複雑になっているが、ペドロは、ますます面白くなっていると言う。選択肢も、試して遊べる道具も増えているという点には、私も同感だ。ただし、どの選択肢にもトレードオフがあり、チームは採用を決める前にそれを理解しておかなければならない。

最後のまとめ

不正対策における基盤モデルは、新たに加わった最新のツールです。良質なデータに取って代わるものではありません。Pedroの助言は、何を最適化したいのかを明確にし、制約を踏まえ、結果に基づいて判断することです。従来のモデルと基盤モデルのどちらを選ぶか迷っているなら、まずは土台となるデータの品質を確認しましょう。こうしたモデルが業務をどう変えるのか、私たちはまだ理解し始めたばかりです。優れたチームは、これらを完成された答えではなく、検証する価値のある有望な選択肢として捉えるでしょう。

リソースとリンク

私が大好きな、そして皆さんにもそうであってほしいこのテーマについて、もっと語り合いたいですか？ニュースレター「サタデー・フロード・ストラテジスト」にぜひご登録ください。

つながりましょう：Pedro Sanzovo | LinkedIn
Plaidのゼネラルマネージャー兼不正対策責任者

こちらからつながる：Chen Zamir | LinkedIn
The Saturday Fraud Strategistのホスト
フィンテック企業による、より賢い不正対策の構築を支援
『不正対策担当者のためのAI実践ガイド』共著者

Host

Chen Zamir

Head of Fraud Strategy

Guests

Pedro Sanzovo

GM and Head of Fraud at Plaid

Subscribe to newsletter

Episode transcript

Chen Zamir