AIを活用した不正検知：銀行が金融犯罪にようやく勝利しつつある方法

大手銀行は現在、取引が決済される前に詐欺リングを検知するグラフニューラルネットワークを導入しています。これらのシステムは、リアルタイムの取引スコアリングと、ラベル付き損失データで訓練された教師あり分類モデルを組み合わせています。

これらの効果は、いくつかの大手金融機関の損失報告書に表れています。カード非提示およびアカウント乗っ取りのケースで、削減率は40〜60パーセントの範囲にあります。

What Changed in Bank Fraud Systems

銀行はルールエンジンや基本的なロジスティック回帰からグラフニューラルネットワークに移行しました。新モデルでは、すべての口座、デバイス、加盟店をノードとして扱い、送金、ログイン、デバイス共有を表すエッジで接続します。

取引がネットワークに到達すると、モデルは既知の詐欺パターンに対してミリ秒単位でスコアリングを行います。

この移行は、クラウドプロバイダーがグラフ学習をより高速かつ低コストにした後、2025年後半に大規模展開が始まりました。

教師あり分類だけでは、ラベル付きデータが常に遅れるため、新しい詐欺パターンを見逃します。異常検知だけでは、顧客を苛立たせる偽陽性が多発します。

グラフニューラルネットワークは、口座間の関係性特徴を学習することで両方の問題を解決します。Featurespace、Sardine、DataVisorは、現在これらのモデルの本番版を銀行に提供しています。

同じベンダーは現在、承認ウィンドウ内でスコアを更新するリアルタイムストリーミング層を追加しています。

詐欺グループは、決定境界を探索する少額取引を実行してモデルをテストします。また、闇市場から盗まれたデバイスフィンガープリントを購入し、口座間でローテーションさせています。

一部の行為者は、どの組み合わせが銀行のスコアリングを通過するかを予測する軽量モデルを自ら訓練しています。

銀行は、新たなラベル付きケースによる継続的なモデル再学習と、検証時の敵対的堅牢性チェックで対応しています。

スコアリングの高速化は、正当な旅行や大口購入をブロックするリスクを高めます。消費者チャネルでは、偽陽性率を0.1パーセント未満に抑える必要があります。

グラフモデルはまた、クリーンなグラフ構築パイプラインを必要とします。エッジの欠落は検知品質を低下させます。

ベンダーはしたがって、境界ケース向けに人間によるレビューキューとモデルを組み合わせています。

規制当局は、特定の取引がブロックされた理由を説明するモデル監査ログを要求する可能性があります。銀行は今後6ヶ月間の四半期報告で更新された損失数値を公表するでしょう。

ベンダーは、新たな公開詐欺データセットが利用可能になれば、ベンチマーク結果を公開するでしょう。

報告された削減率の低下は、詐欺行為者が新たな回避方法を見つけたことを示すでしょう。