【ITニュース解説】FraudLens - TigerGraph

この解説文は、金融機関における不正取引の検知と調査を革新する「FraudLens」というシステムについて、システムエンジニアを目指す初心者が理解できるように説明する。

まず、従来の不正検知システムが抱えていた課題から見ていく。銀行のシステムでは、日々膨大な数の取引が発生するが、それらには「不正である」という明確なラベルが付いているわけではない。多くの場合、機械学習モデルが不完全なリスクスコアを算出し、それに基づいて不正の可能性を判断していた。しかし、これには二つの大きな問題があった。一つは「誤検知の多さ」である。例えば、旅行先での高額な買い物や、普段とは違う電子機器の購入など、正当な取引であっても不正と誤解され、カードが停止されてしまうケースが頻繁に発生した。これは顧客にとって不便であり、銀行の評判にも悪影響を及ぼす。もう一つは「組織的な詐欺への対応の難しさ」である。巧妙な詐欺集団は、一枚のカードで少額の取引を繰り返したり、複数のカードや架空の身元を使い分けたりすることで、個々の取引のリスクスコアを低く抑え、システムの目を欺く。従来のルールエンジンや単一の機械学習モデルでは、このような組織的な動きを全体として捉えることが困難だった。

これらの課題を解決するために開発されたのが「FraudLens」である。このシステムは、TigerGraph Savannaというグラフデータベースを中核として、自律的に不正を調査し、最適な対応策を提案するエージェントとして機能する。GraphRAG（Retrieval Augmented Generation）という技術を用いることで、単にデータを集めて大規模言語モデル（LLM）に投げるのではなく、グラフデータベースから構造化された証拠を収集し、それをLLMが理解しやすい形で提示する。エージェントは、8つの段階を持つ検査可能なステートマシン（AIが順序立てて行動を決定する仕組み）に従って動作する。これにより、グラフ構造をたどり、多段階の証拠を集め、不確実性を評価し、必要に応じて追加の検証を要求し、そして完全な監査が可能な形で規制当局への報告を含む対応策を推奨できるようになった。

システムの心臓部であるTigerGraphは、単なるデータを保存する場所ではない。不正調査ワークフロー全体の「計算の中心」として機能する。ここでは、顧客間の共有デバイス情報や、取引の時間的な連鎖、過去の不正事例といった、不正の「つながり」を表現する関係性（エッジ）をスキーマとして定義している。例えば、「SHARED_DEVICE_PROFILE」というエッジは、同じデバイスを使っている顧客同士を結びつけ、詐欺集団がデバイスを共有している状況を可視化する。「NEXT_TRANSACTION」は、一連の取引を時系列でつなぎ、短期間に多数の少額取引が連続するようなパターンを即座に検出するのに役立つ。「CASE_SIMILAR_TO」は、過去の解決済み不正ケースと新しい調査を結びつけ、類似性を評価する。

TigerGraphは、これらの関係性を活用するための強力なネイティブアルゴリズムも内蔵している。例えば、「connected_components」というアルゴリズムは、共有デバイスなどでつながる顧客のネットワーク全体をグループ化し、詐欺集団のクラスターを特定する。「velocity_burst_detection」は、短時間に特定の条件（例：1時間以内に5ドル未満の取引が3回以上）を満たすカードテストのパターンを検出する。「prior_case_similarity」は、過去の事例との類似性を多角的に計算し、現在の調査に役立てる。これらのアルゴリズムはTigerGraph内で直接実行されるため、外部のプログラミング言語で再実装する手間がなく、高速に処理できる。また、LangGraphエージェントとグラフデータベースのやり取りは、Model Context Protocol（MCP）という構造化されたツールインターフェースを通じて行われる。これにより、すべての呼び出しが明確に定義され、検証され、ミリ秒単位の遅延で記録される。

FraudLensが特に優れている点は、三つの差別化要素にある。第一に、「グラフネイティブな不正組織検出」である。詐欺集団はカードや身元を頻繁に変えるが、物理的なデバイスや接続ポイントは再利用する傾向がある。このシステムは、共有デバイスや共有カードのエッジをたどることで、詐欺集団全体のつながりを単一のグラフ探索で明らかにできる。これにより、たとえ一つのカードで不正の兆候が見つかったとしても、その背後にある全ての関連カードを自動的に特定し、対応できる。

第二に、「明示的な証拠の十分性ゲートと信頼度スコア」である。システムは、単なるトリガー（引き金）からすぐに判断を下すのではなく、集められた証拠の重み付け合計に基づいて「信頼度スコア」を計算する。このスコアが特定の閾値（例えば0.70）に満たない不確実なケースでは、調査は一時停止し、顧客への確認や追加認証といった「証拠要求」を発行する。その応答がシミュレートされ、その情報に基づいてベイズ確率で信頼度が調整されて、調査が再開される。これは、人間が慎重に判断するように、システムもまた軽率な結論を出さないようにする仕組みである。

第三に、「自己更新型の機関記憶」である。不正調査が完了すると、その結果、影響、発見事項は「FraudCase」という形でグラフデータベースに保存され、過去の関連ケースと結びつけられる。これにより、後続の調査は過去の事例を検索し、その経験を参考にできる。例えば、最終的な調査報告書には「過去のケースCC-0141（確認された地域外での使用、268.43ドル）と同様のパターン」のように、過去の事例が明確に引用される。これは、過去の教訓を未来の信頼度向上に活用し、同様の調査サイクルを繰り返すことを防ぐ、学習するシステムとしての側面を持つ。

実際の運用では、FraudLensは証拠が集まるにつれて、提案するアクションを動的に変化させる。例えば、ある取引がリアルタイムモデルによって中程度の不正リスクと評価された場合、最初はカードをブロックせず、顧客への確認を要求する。顧客が「この取引は自分のものではない」と回答した場合、不正の確率が増加し、カードブロックへとアクションがエスカレートする。しかし、不正金額が少額であれば、疑わしい活動の報告（SAR）は行わないといった判断も行う。逆に、高額な取引で顧客が否定すれば、自動的にSARが申請されるなど、状況に応じて柔軟かつ適切な対応を判断する。

さらに、システムは「ポリシー駆動型ガバナンスとアクション保護」によって、提案された全てのアクションが厳格な権限マトリックス（実行許可リスト）に従うことを保証する。例えば、取引の許可やカードの監視といった基本的なアクションはAIエージェントが「自動」で実行できるが、カードの停止や高額な不正に対するブロックは、それぞれ「レベル1チームリーダー」や「レベル2不正マネージャー」の承認が必要となる。この仕組みは、不正なアクションの実行を防ぎ、システムが常に定められた銀行のポリシー内で動作することを保証する。

ベンチマークテストでは、FraudLensは20の評価ケース全てで100%の適合率を示し、平均0.01秒という高速な処理速度を達成した。SARの申請も、必要とされる2つのケース（1000ドル以上の取引、複数カードによる組織的な詐欺）でのみ正確に行われ、残りの18ケースでは正しく却下された。これは、システムが誤検知を減らし、必要な報告を正確に行う能力が高いことを示している。

このプロジェクトからは、いくつかの重要な学びが得られた。GraphRAGは、単に大量の生データをLLMに渡す「Raw RAG」に比べて、幻覚（事実に基づかない内容の生成）を減らし、応答時間を短縮し、推論の精度を劇的に向上させることが分かった。また、LLMに明確な数値的な不確実性閾値（例：0.70）を与えることで、エージェントが軽率な判断を下さず、慎重な人間の調査官のように振る舞うことを強制できた。今後の展望としては、リアルタイムの取引データをKafkaを通じてTigerGraphにストリーミング統合することや、Graph Neural Networks（GNNs）をTigerGraph Cloud上で直接展開し、より高度な不正予測を行うことが計画されている。