MongoDB Atlas Vector Search を使用して、リアルタイム分析とセマンティック検索を組み合わせ、従来の方法で見逃された不正を検出します。
ソリューション概要
不正行為およびマネー ロンダリング防止（AML）は、企業と消費者の双方にとって大きな懸念事項であり、商業銀行や資本市場を含む金融サービス機関に影響を与えています。銀行業務のすべての領域におけるトランザクションの量と複雑さにより、サイバー犯罪者が不正を隠蔽し、マネー ロンダリングを行うことが容易になります。これらの問題に取り組む従来の方法、例えばルールベースのシステムや機械学習の手法は、モデルの関連性を維持するための機能エンジニアリングのオーバーヘッドによって制約されています。これにより、更新が時代遅れになり、機能強化が遅延することになります。
Atlas Vector Search は、これらの制限に対処することで不正検出およびAML対策の改善に貢献し、不正対策における機械学習の進化における次のステップとなる可能性があります。リアルタイム分析の恩恵をすでに受けている組織は、この異常検出の画期的な進歩により、不正検出と AML の精度が次のレベルに向上することを実感するでしょう。
このソリューションでは、MongoDB Atlas Vector Search を使用したリアルタイム分析の統合がどのように説得力のあるシナジーを生み出し、不正が発生する前に組織が深く隠されたインサイトを明らかにできるようにするのか解説します。このソリューションは、リアルタイム データフィードと継続的なモニタリングを活用して、新たな脅威を検出し、変化するリスク環境に適応します。
ソリューションの構築とリファレンス アーキテクチャ
Atlas Vector Search がどのように役立つか
MongoDB Atlas のようなベクトル データベースを使用すると、異なる種類のデータ間の類似性や関係を見つけやすくなります。スタンドアロンまたはボルトオン ベクトル データベースを使用するのではなく、MongoDB の最新のマルチクラウド データベース プラットフォームにより、ユーザーは運用データ、メタデータ、ベクトル埋め込みを MongoDB Atlas に保存し、Atlas Vector Search を生成系 AI アプリケーション向けにデータをインデックス化・取得し、シームレスに使用できます。
リアルタイム分析と Atlas Vector Search の組み合わせは、従来の方法では得られないインサイトを組織が発見できる強力なシナジーを提供します。MongoDB は、以下の図 1 に示すように、Atlas Vector Search を通じてこれを実現します。
図 1. 不正と AML の検出における Atlas Search のアクション
不正検出と AML のためのベクトル埋め込みはどのように作成されるのでしょうか。
このソリューションでは、詐欺の埋め込みは、テキスト、トランザクション、カウンターパーティー データの組み合わせに基づいています。AML 埋め込みは、トランザクション、カウンターパーティ間の関係、およびそれらのリスクプロファイルに基づいて作成されます。
非構造化データの使用や 1 つ以上のベクトル埋め込みの作成など、データソースの選択は、特定のニーズに合わせて構成できます。埋め込みを実行するには、投票AI を使用します。
履歴ベクトルの埋め込み
このデモのデータベースには、不正検知および AML 埋め込み用に合成生成されたテスト データがあらかじめ格納されています。実際のシナリオでは、過去の取引データや顧客プロファイルをベクトルとしてエンコードすることで、埋め込みを生成できます。
直感的なアプローチの 1 つとして、MongoDB のようなデータ ストアにデータを統合する方法があります。これにより、多様なデータ型を取り込み、関連するデータ フィールドをベクトル化するために必要な柔軟性が得られます。
このデモでは、ベクトル埋め込みを使用して意味のあるセマンティック検索を実現し、人間のアナリストや調査員が問題の取引や不審なケースを評価する方法をシミュレートします。
通常、人間のアナリストや調査員はまず、関連するデータ（インターネットや社内ソースから取得）を収集し、関連する構造化データ（日付、取引タイプ、金額など）および非構造化もしくは準構造化データ（取引内容、職業やビジネスの説明、人物または企業、受取人との関係性など）を統合・要約した上で、調査対象の取引の背景を説明するためのレポートを作成します。
不正防止/AML アプリケーションは、Atlas Vector Search を活用することで、同様のアクションを容易に実行できます。これは、定量データと定性データを統合し、テキストによる説明文を構築することで実現されます（この説明文はLLMs によって補完することも可能です）。構築された説明文は、その後、ベクトル埋め込みに使用され、さらに Atlas Vector Search を通じて、同様のトランザクションまたはケースに対するセマンティック検索の実行にも利用できます。
不正検知と AML ワークフロー
図 1 に示すように、受信トランザクション不正と AML 集計テキストを使用して、最初に埋め込みモデルを使用して埋め込みを生成し、次に Atlas Vector Search を使用して分析されます。
トランザクション プロセシングの結果
詐欺/疑わしいとフラグが立てられた場合: トランザクションのリクエストは拒否されます。
フラグが立てられていない場合: トランザクションは正常に完了し、確認メッセージが表示されます。
拒否されたトランザクションについては、トランザクション参照番号を添えてケース マネジメント サービスに詳細を問い合わせください。成功したトランザクションには、アクションは必要ありません。
不正検出および AML を目的とした Atlas Vector Search の統合
Atlas Vector Search と関連する埋め込みを使用することにより、組織は次のことが可能です。
不正検知の精度を向上: Atlas Vector Search は、ルールベースや ML モデルが見落としがちな、複雑で高次元のパターンを捉え、より精度の高い不正検出を可能にします。取引の文脈全体を分析することで、Atlas Vector Search は微細な不正の兆候をより的確に見抜くことができ、単純なモデルでは見逃されてしまうような洗練された不正スキームの検出を向上させます。
新しい不正スキームをより迅速に検出: リアルタイムの異常検出により、Atlas Vector Search は新規の不正スキームまたはマネーダリング手法をより迅速に識別できるため、継続的なモデルの再訓練が必要なく、新たな脅威によるリスクを軽減できます。
スケールと適応を容易に: MongoDB のマルチモデル運用データストアは、組織が構造化データと（特にテキストや画像などの）非構造化データを、不正検出および AML のために単一の運用および AI データストアで活用できるようにします。これにより、複数のニッチなデータストアやベクトル ストアを追加することなく、従来のシステムでは処理できない隠れたパターンを明らかにします。高度にスケーラブルなアーキテクチャと、ワークロード分離のために専用検索ノードを配置するオプションを組み合わせた MongoDB は、データセットの増加に伴い組織がスムーズに拡大し、新たな詐欺やマネーロンダリングのパターンに動的に適応できるよう支援し、より柔軟で将来にわたって有効な金融犯罪対策フレームワークを提供します。
AML および不正防止のために MongoDB を選ぶ理由
不正検出と AML には、絶えず進化する多様なデータセットが関与するため、包括的なプラットフォーム アプローチが必要です。統合データプラットフォームである MongoDB によって、専用のベクトルデータベースなどのニッチな技術が不要になるため、カスタマーから選ばれています。MongoDB のドキュメント データモデルには、あらゆる構造（構造化、半構造化、非構造化）、任意の形式、任意のソースなど、あらゆるタイプのデータが組み込まれているため、変更の頻度に関係なく、顧客の全体像を作成し、トランザクションの異常をリアルタイムでより適切に予測できるようになります。
Atlas Vector Search を導入することにより、機関は以下のことが可能です。
セマンティック検索と生成系 AI を活用したインテリジェントなアプリケーションをあらゆるタイプのデータを対象に構築できます。
ベクトル埋め込みをソースデータとメタデータのすぐ隣に保存し、データベースに挿入または更新されたベクトルはベクトル インデックスに自動的に同期されます。
リソース消費を最適化し、パフォーマンスを向上させ、可用性を高めるために、検索ノードを活用します。
実績のある完全管理の MongoDB Atlas を使用して、最新のマルチクラウド データベース プラットフォームで運用の負担を軽減します。
不正および AML の広範で進化し続ける特性を踏まえると、これらの領域では通常、複数の手法およびマルチモーダルなアプローチが求められます。そのため、統一されたリスクデータプラットフォームは、効果的なソリューションの構築を目指す組織に対して、いくつかの利点を提供します。
図 2。不正検出/AMLシステムの高レベルのアーキテクチャ
この [GitHub リポジトリ] では、顧客が銀行のウェブサイトにアクセスして取引を実行するデモを提示します。このデモは、取引クリアリング段階に焦点のクを当てており、銀行が一連の検証を実施して不正行為と制裁、AML 法の順守を維持するプロセスを示しています。デモには、制裁対象顧客を特定できる API が含まれており、定量データと定性データの両方からテキスト ナラティブを構築する革新的なプロセスを適用して、AML および不正取引の両方にフラグを立てます。これらのプロセスには、AI 埋め込みや MongoDB のフルテキスト検索、Atlas Vector Search、Atlas App Services などの機能が含まれます。
キーポイント
このソリューションでは、セマンティック検索にベクトル埋め込みを使用するため、それらを生成するには埋め込みモデルが必要です。 GitHubリポジトリにはプロバイダー認証情報は含まれていません。埋め込みサービスとして MongoDB AIを使用できます。