• English

PRESS RELEASE （技術）

2020年11月24日
株式会社富士通研究所
LARUS Business Automation S.r.l.

富士通研究所と伊 LARUS社、
グラフデータベースと説明可能なグラフAI技術により金融取引の解析性能を向上

本実証の詳細は、2020年11月23日（月曜日）から24日（火曜日）までオンラインで開催される「AI＆Big Data Expo Europe 2020」のカンファレンスにて紹介します。

背景

近年、ソーシャルネットワークの活動履歴、化学分子の表現、金融取引、ウイルス感染の追跡など様々な領域でのAI活用において、データ要素間の関係性に重要な意味を持つグラフデータの利活用に期待が高まっています。このような現実世界の関係性を、従来のリレーショナルデータベース（注4）に代わり、グラフデータベースにデータを格納することでデータ要素間の関係性をそのままの形で表現・解析できるようになり、現実社会の多様な関係性を考慮した高度な分析や、新たな知見の発見が可能になります。

金融の分野においても、取引情報の関係性を解析することでより重要な情報を抽出することができるため、グラフデータベースの活用が進んでいます。特に、近年複雑化している不正取引を検知するためには、1件ごとの取引情報を解析するだけでは不十分で、取引間の関係をグラフ構造として解析する必要があります。例えば、不正取引のひとつである循環取引の場合、1件ごとの取引自体は通常取引のように見えても、グラフデータの中にループ構造が表れます。グラフデータベースを利用すると、こうしたループのようなグラフ構造のパターンから該当する不正取引を検出することができます。

これまでのデータアナリストの人手による不正取引パターンのルール作成には限界があり、見逃しや誤検知のリスクも懸念されているため、グラフAI技術による効率化が求められています。

検証の概要

本検証では、取引ごとの明細が格納された表形式データを、データ要素間の関係性が表現されたグラフデータに変換し、LARUSが提供するグラフデータベースプラットフォームと、富士通研究所の「Deep Tensor」と組み合わせて解析しました。今回、実際のネットバンクのクレジットカードデータとPOSデータを使用して、これまで人手で作成された不正取引検知ルールと比べて不正取引の検知率や誤検知率がどの程度改善するかを検証しました。さらに、「Deep Tensor」のもう一つの特長である、判断理由の提示・可視化機能を使用し、その判断理由がデータアナリストから見て妥当なものであるかについてもあわせて検証を行いました。

効果

ネットバンクのクレジットカード取引データの検証において、従来のルールベースおよびグラフAI技術と、今回の検証システムを活用した場合の不正検知率と誤検知率を比較検証した結果、不正の検知率は72%から89%に向上、誤検知率は63%削減できました。

また、検知された不正事例に対する説明因子の可視化を行ったところ、データアナリストの見地から見てもその判断理由が妥当であり、不正取引検知のためのルール化を支援できることを確認しました（図2）。

今後

両社は、グラフAI技術の有効性について、他の分野の検証も進め、グラフデータの利活用に向けて取り組んでいきます。

商標について

記載されている製品名などの固有名詞は、各社の商標または登録商標です。

注釈

注1 株式会社富士通研究所：

本社 神奈川県川崎市、代表取締役社長 原 裕貴。

注2 LARUS Business Automation S.r.l.：

本社 イタリア ベニス、Founder・CEO Lorenzo Speranzoni

注3 「Deep Tensor」：

富士通研究所が開発した人やモノのつながりを表すグラフ構造のデータから新たな知見を導くAI技術。（2016年10月20日プレスリリース）

注4 リレーショナルデータベース：

データを行と列の表形式で格納するデータベース。

関連リンク

• 株式会社富士通研究所

---