MongoDB Atlas を活用した金融犯罪対策

トランザクション モニタリングとリスク スコアリング エンジン

目的: ベクトル検索を使用したセマンティック不正パターンの検出

• MongoDB Atlas Vector Search を使用して、明示的なルールに一致しない場合でも、既知の不正パターンのように動作するトランザクションを特定します。

• 以下のような各トランザクションに対する定性および動作の側面から埋め込みを生成します。

  • 加盟店のカテゴリと説明

  • チャンネルとデバイスフィンガープリント

  • IP 範囲と ASN 情報

  • 時間帯シーケンスやセッション動作などの時間的パターン

  • 説明フィールドまたはフリーテキストノート（該当する場合）

• これらの 1536 次元の埋め込みを、運用データを保持する同一のトランザクションドキュメントに保存します。

• 未加工の金額、残高の変更、単純な速度カウンターなど、高シグナルの数値機能を埋め込みの外部で保持し、ルールベースまたはスコアカードモデルで評価します。この分離により、以下が可能になります。

  • ベクトル検索を使用して、単純なしきい値やルールを超える意味的に類似した動作を表示します。

  • 決定論的なルールやリスクモデルを使用し、数値制限や規制制約を強制します。

• 新規トランザクションをスクリーニングする際、埋め込みを生成し、$vectorSearch を使用して MongoDB Atlas をクエリします。

  • システムは、静的ルールを回避しますが、動作に置いて以前の不正行為に類似する、意味的に類似性のあるトランザクションを返します。

  • ベクトル類似性スコアと数値リスクスコアを組み合わせて、統合リスク決定パイプラインを作成します。

リスクモデル マネジメント

目的: Change Streamsによるリアルタイムのリスク インテリジェンス

MongoDB の変更ストリームを使用して、リスクモデル、コンプライアンスルール、または監視リストが変更された際に即座に通知を受け取ることができます。ポーリングやアドホックなキャッシュ無効化に依存する代わりに、更新を不正検出やケースマネジメントサービスに直接ストリームできます。

アナリストが新しいリスクモデルを有効にすると、すべてのトランザクション スクリーニング エンジンが数ミリ秒以内に変更を受け取り、更新されたルールを受信トラフィックに適用します。これにより、検出前に不正なトランザクションが決算されるのを可能にするバッチ遅延が排除されます。

リスクモデルまたは構成コレクションで変更ストリームカーソルを開くと、MongoDB はすべての挿入、更新、または置換操作をアプリケーションにプッシュします。更新を見逃さないように、RESUMEトークンを使用して、サービス再開後またはネットワーク障害発生後の中断時点から処理を再開します。

クリックして拡大します

図 2. Change Streams、ベクトル検索、リスクモデルを使用したリアルタイム不正検出パイプライン

エンティティのオンボーディングとケース マネジメント

このモジュールには主に2つの目的があります。

目的: ハイブリッド検索によるAI活用型エンティティ解決

MongoDB の $rankFusion 演算子を使用して、エンティティのオンボーディングまたは調査中に複数の検索戦略を組み合わせます。あいまい一致に Atlas Search、セマンティック類似度に Atlas Vector Search を並行して実行します。$rankFusion は結果セットを結合し、テキスト類似性と埋め込みから関連性を組み合わせてエンティティにランクを付けます。

上位候補については、 $graphLookup を使用して関係ネットワークとトランザクションネットワークをトラバースします。MongoDBは、エンティティ接続、トランザクションパターン、共有識別子、リスク指標などのネットワークコンテキストを単一の集計パイプラインで返します。これにより、複数システムのクエリやコストのかかる結合の実行を回避できます。

エンティティデータ、検索結果、ネットワーク分析を、AI アシストのリスク分類向けに AWS Bedrock Claude-3 Sonnet などの LLM に投入します。モデルは、コンプライアンスフラグ、関係パターン、動作インジケーター、監視リストの一致を評価して、信頼スコアと推奨アクションを持つリスク評価を生成します。

LLM 生成の調査サマリーを使用して、 MongoDB でケース ドキュメントを自動作成します。これにより、手動でのレポート作成が削減され、コンプライアンスドキュメントの一貫性が向上します。

目的: グラフ トラバーサルによるネットワーク検出

調査担当者は、多くの場合、マネーロンダリングネットワークやエンティティ間の隠れたつながりを追跡する必要があります。MongoDB の $graphLookup 集計ステージを使用すると、このネットワーク分析を運用データベースで直接実行できます。個別にグラフを保存する必要はありません。

• 不審なエンティティから始めて、ビジネス関係者、共有アドレス、トランザクション相手、企業構造を通じて関係を再帰的にトラバースします。各トラバーサルでは、行動分析、リスクスコア、コンプライアンス フラグが組み込まれた完全なエンティティドキュメントが返されます。

• トラバーサル実行中に、信頼度スコア、関係タイプ、またはリスクしきい値で関係を絞り込みます。

• 数ミリ秒でマルチホップのネットワークを検出し、グラフ結果を絞り込み、並べ替え、グループ化などの標準的な集計操作と組み合わせます。

// Multi-hop relationship traversal with MongoDB $graphLookup
db.entities.aggregate([
   {
      $match: { entityId: 'ENT_12345' },
   },
   {
      $graphLookup: {
         from: 'entity_relationships',
         startWith: '$entityId',
         connectFromField: 'target_entity_id',
         connectToField: 'source_entity_id',
         as: 'relationship_network',
         maxDepth: 2,
         restrictSearchWithMatch: {
            confidence_score: { $gte: 0.7 },
            relationship_type: {
               $in: [
                  'BUSINESS_ASSOCIATE',
                  'SHARED_ADDRESS',
                  'TRANSACTION_COUNTERPARTY',
               ],
            },
         },
      },
   },
   {
      $lookup: {
         from: 'entities',
         localField: 'relationship_network.target_entity_id',
         foreignField: 'entityId',
         as: 'connected_entities',
      },
   },
   {
      $project: {
         entityId: 1,
         name: 1,
         riskAssessment: 1,
         networkDepth: { $size: '$relationship_network' },
         connectedEntities: {
            $map: {
               input: '$connected_entities',
               as: 'entity',
               in: {
                  id: '$$entity.entityId',
                  name: '$$entity.name.full',
                  riskLevel: '$$entity.riskAssessment.level',
               },
            },
         },
      },
   },
]);

クリックして拡大します

図 3. MongoDB Search と $graphLookup を使用したエンティティ解決および LLM を活用したケースマネジメント

コレクション間の関係

この設計では、埋め込み参照と専用の relationships コレクションを組み合わせを通じで関係をモデル化します。

• エンティティドキュメントは、関連するエンティティへの参照を connected_entities 配列に埋め込むことができます。

• トランザクションドキュメントはエンティティにリンクする customer_id フィールドを保存します。

• entity_relationships コレクションは、信頼スコア、関係タイプ、監査証跡とともに、明示的な関係を保存します。

このパターンによって、$graphLookup を使用した効率的なグラフのトラバーサルを実行するとともに、新しい関係タイプが出現してもスキーマを柔軟に保つことができます。

パフォーマンス向けのインデックスの作成戦略

Atlas Search インデックスを使用して、エンティティの解決と調査ワークフローをサポートします。

• リアルタイムの名前提案用に、エッジ n グラム（2–15文字）を使用して name.full でオートコンプリートを構成します。

• entityType、nationality、residency、riskAssessment.overall.level の string ファセットを構成して、検索結果をフィルターします。

Atlas Vector Search インデックスを組み込みフィールドで使用して、エンティティおよび動作パターンの一致向けに、1536次元ベクトルのコサイン類似度を設定し、セマンティック類似性の一致を有効にします。識別子データと動作パターン向けに個別の組み込みを作成して、特定のユースケースをターゲットにできます。

運用ワークロードに標準インデックスを使用します。

• entityId、customer_id、timestamp の各項目で単一フィールドのインデックスを使用し、検索や範囲クエリを行います。

• 半径ベースの詐欺ルールには、ロケーション座標で 2dsphere インデックスを使用します。

• 一般的な調査フィルターには、リスクレベルとエンティティタイプの複合インデックスを使用します。

ドキュメントの例

{
   "_id": ObjectId("674a83b654c7f1b869cb1c2"),
   "customer_id": "CUST_67890",
   "transaction_id": "TXN_54321",
   "timestamp": ISODate("2024-11-15T14:22:36Z"),
   "amount": 2500.75,
   "currency": "USD",
   "merchant": {
      "name": "Global Electronics",
      "category": "electronics",
      "id": "MERCH_123"
   },
   "location": {
      "city": "San Francisco",
      "state": "California",
      "country": "US",
      "coordinates": {
         "type": "Point",
         "coordinates": [
            -122.4194,
            37.7749
         ]
      }
   },
   "device_info": {
      "device_id": "device_abc123",
      "type": "desktop",
      "os": "macOS",
      "browser": "Chrome",
      "ip": "203.0.113.45"
   },
   "transaction_type": "purchase",
   "payment_method": "credit_card",
   "status": "completed",
   "risk_assessment": {
      "score": 78.5,
      "level": "high",
      "flags": [
         "unusual_amount",
         "unexpected_location",
         "velocity_alert"
      ],
      "transaction_type": "suspicious",
      "diagnostics": {
         "customer_base_risk": 35.0,
         "transaction_factors": {
            "amount": 85.0,
            "location": 90.0,
            "device": 0,
            "velocity": 75.0,
            "pattern": 60.0
         }
      }
   },
   "vector_embedding": [
      0.234,
      -0.567,
      0.890, ...
   ]
}