不正検知におけるAIとML – フィンテックの成功に向けた総合分析

巧妙化し、損失コストも増大する不正行為

不正検知になぜAIとMLが必要なのでしょうか。LexisNexis Risk Solutionsの「The True Cost of Fraud」という調査では、不正行為に関する憂慮すべき結果が示されています。2021年には不正によるコストの大幅な増加が記録され、米国の小売・電子商取引企業は現在、不正被害額$1につき$3.60の損失を被っています。この数値は、コロナ禍前の2019年に記録された数値($3.13)を15%上回っています。また、下のグラフに示すとおり、2020年と比べても7.1%高くなっています。これらの損失は、罰金、法務費用、調査費用、復旧費用などから生じる可能性があります。

a graph showing the rise in the cost of fraud

さらに、この調査は金融サービス分野におけるCOVID-19前後のいくつかの不正動向を強調しています。

  • 第一に、パンデミック中に攻撃が成功した件数が急増し、特に大規模な機関で顕著でした。その結果、不正の検知や調査、被害からの復旧に必要な追加業務が発生し、金銭的損失が拡大しています。 
  • 第二に、本人情報を悪用した攻撃が、不正関連の被害の大半を占めました。中規模から大規模の企業では、こうした攻撃が2020年に記録された損失の20%を占めています。また、これらの攻撃は主にアカウントの乗っ取りという形で発生しました。
  • 第三に、オンラインやモバイルのチャネルで取引を行う多くの企業は、デジタルリスク軽減ソリューションにほとんど、あるいはまったく投資していません。活動や取引の正当性を検証するために不可欠なこうしたツールがなければ、深刻な被害をもたらすセキュリティ侵害のリスクにさらされる可能性があります。 

この調査は、不正行為が企業を継続的に悩ませている状況についての詳細な知見を通じて、不正行為を効果的に検知・防止することが急務であると示しています。その対策の一つが、不正検知にAIとMLを活用することです。

不正の検知・防止におけるAIとML

AIとは、分析技術を応用して人間の知能を模倣し、タスクを遂行する、より広い概念を指します。MLはその一分野であり、機械がデータセットから学習し、知的な判断を自動で下せるようにすることに重点を置いています。 

不正検知にAIとMLを活用するうえで、最も強調すべき利点は効率性です。MLは現在のパターンを分析し、次々と流れてくる大量の取引から異常を見つけ出すことで、不正行為を特定します。この処理は人間の分析担当者よりも迅速かつ高精度に完了できるため、取引のリアルタイム承認と、潜在的な問題の適時検知が可能になります。さらに、この技術による高精度な予測は、誤検知や人的ミスを解消できます。

不正検知にAIとMLを活用するもう一つの利点は、拡張性です。MLに基づく手法は、より多くのデータに触れることで、時間とともに精緻化していきます。この自己進化能力は、企業の長期的な成長を支える鍵となります。 

不正検知モデルとその活用事例

不正検知にAIとMLを活用することで、さまざまなモデルを構築できます。これらは二値分類器と異常検知器の2つに分類され、不正行為のさまざまな側面に応じて異なる用途に適用されます。それぞれの分類について、代表例であるロジスティック回帰とアイソレーションフォレストを通じて順に見ていきます。

ロジスティック回帰

ロジスティック回帰は、あるクラスに属する確率や事象が発生する確率を、0から1のスコアで予測します。AIとMLを用いた不正検知では、メールによるフィッシングを見つけ出し、大量のメールから不要な迷惑メールを除外するうえで、その信頼性が実証されています。これは不正防止の重要な側面です。不正を目的とする迷惑メールであるフィッシングメールを例に考えてみましょう。通常、フィッシング攻撃者は銀行のものに似せた偽のウェブサイトやURLを作成し、ユーザーが指示に従うよう誘導します。ユーザーは、機密情報の提供や支払いを求められることがあります。

一般に、モデルは類似する悪意のあるメールと正当なメールを多数与えられることで学習します。その後、得られた知識を適用して異常な入力を分類します。 学習段階で使用される、スパムメールに関連する可能性のある変数を以下の表に示します:

a table showing the process of spam detection, proving the potential of AI and ML in fraud detection.

ある研究論文では、この仕組みに基づいて構築されたメール分類器が、98%を超える優れた正解率を示しました。

Isolation Forest 

不正検知にAIとMLを活用するもう一つの例が、Isolation Forestモデルです。このモデルは異常検知のプロセスを容易にします。簡単に言えば、Isolation Forestの目的は「外れ値」を分離することです。このアルゴリズムは、データをランダムに分割すると、正常なデータ点よりも異常なデータ点のほうが分離しやすいという前提に基づいています。 

一方、異常な活動やパターンを見つけることは、前述のとおり最も代表的な不正行為である個人情報の盗用を防ぐうえで極めて重要です。この作業に使用されるモデルは、個々のユーザーの行動パターンをデータベース化し、それを現在の活動と継続的に比較することに重点を置きます。大きな違いがあれば、システムはアカウントが乗っ取られた可能性を疑い、関係者全員に警告を通知します。したがって、これは不正検知にAIとMLを活用する大きな可能性をさらに裏付けています。

Isolation Forestは、なりすまし詐欺を検知する非常に知的で効果的なソリューションであることが、多くの研究論文によって実証されています。例えば、クレジットカードの不正利用を特定するためにIsolation Forestを活用する方法を示す実験が行われました。Local Outlier Factorアルゴリズムと比較して、Isolation Forestアルゴリズムは99.5%という高い正解率を示しました。

企業が不正防止にAIとMLを導入して成功するには?

不正検知にAIとMLを適切に適用すれば、不正行為の識別を大幅に支援しながら、新たな不正手口にも継続的に適応できます。一方、十分な理解と準備がなければ、設計が不十分なシステムによって、多額の損失につながる誤りが生じ、意思決定が妨げられるおそれがあります。

Forbesによると、企業はAIとMLを活用した不正検知戦略を設計する際、次の点に留意する必要があります:

  • データの正確性:モデルを定期的にテストし、検証することで、データセットにノイズ、欠損値、外れ値が含まれないことを保証できます。したがって、この取り組みは正確な出力を得るために不可欠です。
  • データの偏り:MLモデルにデータの偏りがあると、特定の要素がほかの要素よりも多く反映されます。偏ったデータセットは、正確性が低く、分析上の価値も乏しい、歪んだ結果につながります。 
  • 明確に定義された目標と目的:当然のことに思えるかもしれませんが、企業が不正検知にAIとMLを適用する際には、不正対策に特化した詳細な計画が必要です。解決したい問題は何か、リソースをどのように配分すべきか、どのような具体的なユースケースが自社におけるMLの価値を最大化するのか、といった問いを検討する必要があります。 

おわりに

急速に変化する世界で、金融業界の企業は、システムへの侵入を狙う不正行為者と、その多様な手口に絶えず直面しています。そのため、テクノロジー主導のアプローチを実現するために、不正検知にAIとMLを搭載したツールを活用することが強く推奨されます。

不正検知をはじめ、さまざまな分野でAIとMLの力を活用しましょう!

受賞歴のあるサービスと、CMMIで評価されISO認証を取得したプロセスを備えるITO分野の先駆者の一社として、当社は100件を超えるプロジェクトを成功させ、幅広い業界に堅牢なソリューションを提供してきました。 その中にはBFSIも含まれます。

決済ポータルの構築や銀行サービスの統合など、BFSI関連の主要サービスを含む幅広い実績を持つGEMが、お客様の差別化を支援します。

以下のフォームにご記入いただければ、できる限り早くご連絡いたします!

    Ready to build your next project?

    Our experts will connect with you within 24 hours to discuss your project.

    contact

    Quick contact

      Or reach us at:
      whatsapp
      viber
      kakao
      Line
      0971098183