AutoMLを学ぶ (Japanese Edition)

第14章 ケーススタディ1 ：金融サービス—GlobalBankにおけるリアルタイム不正検知

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

第13章の導入部では、ノートブックモデルと本番システムとの間のギャップについて説明した。ここでは、GlobalBankがどのようにしてそのギャップを埋めたのか、そしてその過程で遭遇した予期せぬ事態について詳しく見ていく。

注

本章のすべてのコード例は、AutoGluon 1.4.0 を使用してテストおよび妥当性確認されている。完全な実装、詳細な出力、実験的なバリエーション、および追加の高度なテクニックについては、付属の Jupyter NotebookSupplementary_Code_A_Fraud_Detection.ipynb を参照のこと。

AutoGluonは現在も活発に開発が進められている。最新の文書化やインストール手順については、AutoGluonのWebサイトを参照のこと。

ビジネス上の課題とコンテキスト

2023年、のグローバルな決済不正による損失額は320億ドルを超え、オンライントランザクションの不正が最も急速に増加している分野であった。1日5,000万件のトランザクションを処理する大手金融機関であるGlobalBankにとって、不正検知は単なる損失防止にとどまらず、企業の存続そのものにかかわる根本的な課題であった。

GlobalBankは、次のような課題の「パーフェクトストーム」に直面していた：

課題	説明
スピード要件	カート放棄を防ぐため、100ミリ秒以内に決済判断を下す必要があった。
極端なクラス不均衡	不正なトランザクションはわずか0.08%（1,250件に1件）だった。
変化し続ける不正パターン	詐欺師は絶えず手口を変え、新たな攻撃パターンを検知できるモデルが要件となった。
顧客体験	誤検知は顧客の不満と収益の損失を招いた。
コンプライアンス遵守	金融規制により、説明可能な意思決定と完全な監査証跡が要件となった。

従来の規則ベースのシステムは、誤検知（4.2%の誤検知率）が多すぎる一方で、ますます洗練度が高まる不正パターンを検知できていなかった。ビジネスへの影響は深刻だった：

• システムを通過した年間不正損失額は320万ドル

• 誤検知によりブロックされた正当な収益は180万ドル

• 決済体験における摩擦による顧客チャーン

• 紛争トランザクションの手動審査にかかる年間コストは85万ドル

成功基準

経営陣はAutoMLイニシアチブについて明確な目標を定めた：

1. 不正による損失を50%削減（目標削減額160万ドル）

2. 誤検知を40%削減（顧客体験の向上）

3. 予測遅延を100ms未満に維持（チェックアウト体験への影響なし）

4. コンプライアンス遵守およびカスタマーサービス向けに説明可能な判断結果を提供する

5. 不正検知の80%を自動化する（手動レビューの負担を軽減する）

本ケーススタディでは、AutoGluonが、これまでの章で取り上げたほぼすべての概念を統合した完全なエンドツーエンドの実装を通じて、GlobalBankがこれらの目標を達成するのをどのように支援したかを示す。

データパイプラインと前処理

による不正検知には、複数のソースからのデータをリアルタイムで統合する必要がある。データ品質に問題があると、誤検知（顧客への迷惑）と検知漏れ（不正の見逃し）の両方を引き起こす恐れがある。GlobalBankのデータは7つの異なる銀行システムから取得されていたが、各システムには独自の形式、タイムスタンプの規則、そしてデータ品質の問題が存在していた。 ...