グラフ分析-マネー・ローンダリングへの対抗策を強化
金融犯罪およびコンプライアンス担当テクニカル・プロダクト・マネージャー、Govind Gopinathan Nair | 2022年1月24日
デジタル決済の急速な普及と金融テクノロジー・サービスの急増によって、世界の金融サービスへのアクセスは広がり、国際的な資金移動がより簡単かつ迅速になりました。これにより、金融活動とそれに付随するデータの量が爆発的に増加しています。こうした膨大なデータの中には、金融犯罪を検出し、未然に防ぐシグナルが含まれています。
現在使用されている多くのマネー・ロンダリング防止（AML）ソリューションは、トランザクション活動における複雑で疑わしいパターンを検出するようには設計されておらず、依然としてルールベースの行動検出システムにとどまっています。また、従来のAMLシステムは多くの場合リレーショナル・データベースに依存しており、そのようなリレーショナル・データベースのエンティティ間の関係性や接点を把握するのが困難になることがあります。このことは、マネー・ロンダリングの疑いがある取引の発見や追跡を困難にし、対策の妨げとなる可能性があります。
金融犯罪との闘いにおいて、金融機関を支援する先進的なテクノロジーとして、グラフとグラフ分析を組み合わせることが注目されています。グラフとグラフ機械学習は、大手テクノロジー企業において、レコメンデーションや検索機能を向上させるナレッジ・グラフの構築、およびタンパク質折り畳み問題の解決や新薬の発見など、最先端研究の強化に既に活用されています。同様に、グラフとグラフ分析は、金融業界における金融犯罪防止ツールキットの有力な手段となる可能性があります。
グラフ分析について
最も基本的な形態では、グラフは、エンティティを表すノードまたは頂点と、それらエンティティ間のつながりを示すエッジによって構成されます。これらのグラフは、関係の属性に応じて、方向性を持つものと持たないものに分類されます。グラフは、関係性を捉える最も直感的な手法です。また、プロパティ・グラフを活用することで、ノードとエッジに関する付加データを、それぞれのプロパティとして取得できます。
最新のグラフ分析ツールは、エンティティ間の結び付き、ノードとエッジのプロパティで取得されたエンティティの特性、およびそれらの時系列変化を解析することができます。PGQLなどのグラフ・クエリ言語を利用することで、ユーザーは複雑なパターンを精密にクエリできます。さらに、最新のグラフ・ニューラル・ネットワークは、グラフのトポロジと関係性をノードとエッジの属性と融合した、このようなグラフの表現形式を学習することができます。そのため、グラフ分析は、関係性、複雑な相互依存性、潜在的な結び付き、ネットワーク、クラスタを解析するための最適なツールとして注目されています。
金融エンティティ、取引、関係性は、グラフを活用して直感的に表現することができます。グラフ分析を活用することで、AMLアプリケーションは取引、共有住所、電話番号、電子メールに基づく関係性や、顧客、アカウント、世帯などのエンティティ間の結び付きを特定、検索、解析、可視化できます。そのため、アナリストやAML実務者が金融トランザクション・データを分析してインサイトを獲得し、複雑で明らかでない関係構造を理解するツールとして、急速に需要が高まっています。
グラフ分析を活用したマネー・ロンダリング対策
エンティティ間の結び付きや関係性を解析する機能により、グラフ分析はAMLにとって理想的なツールとなります。グラフ分析は、マネー・ロンダリングに斬新に取り組むためのいくつかの複数の機会を提供します。従来のAMLプログラムの有効性と実効性を飛躍的に向上させることができます。その方法を見てみましょう。
1. リスクの高いエンティティを特定する
近接中心性、次数中心性、固有ベクトル中心性などのランキング・アルゴリズムを活用して、グラフ内のノードを順位付けできます。これらの指標は、さまざまな観点からグラフ内でのノードの重要度を把握します。
たとえば、次数中心性はグラフ内の各ノードの結び付き方を捉え、固有ベクトル中心性はグラフ内の他の高度に接続されたノードへのノードの接続状況を測定します。このような中心性指標は、財務グラフで最も重要なノードを特定できます。
次数分布アルゴリズムは、グラフの構造を解析する簡潔な手法です。たとえば、一般的なトランザクション・グラフでは、頂点次数（隣接ノード数）が最も高いエンティティは通常、ビジネス・エンティティです。金融機関は、顧客の次数分布を分析し、顧客プロファイルに照らして異常に高い次数を持つ外れ値を特定することができます。このようなエンティティは、継続的な顧客確認（KYC）プロセスの一環として、強化されたデュー・デリジェンスまたは継続的なデュー・デリジェンスの対象となる場合があります。
2. 検出と監視を強化する
PGQLなどのグラフ・クエリ言語を活用することで、ユーザーは資金移動の複雑なパターンを取得するクエリまたはシナリオを記述できます。このようなツールを活用することで、特定の高リスク・パターンに対して、よりカスタマイズされた監視が実現できます。これは、最終受益者（UBO）を特定する際に特に有用です。UBOは、所有権とトランザクションの複雑な連鎖に組み込まれています。
グラフ・アルゴリズムを活用することで、非トランザクション・グラフ（非トランザクション関係のみを考慮したグラフ）内のノード間の最短経路を発見できます。同じノード間のトランザクション・グラフ（トランザクション・データのみを考慮）内の最短経路がはるかに長い場合は、資金の階層化が試行されている可能性があります。
最新のグラフ・ニューラル・ネットワークでは、グラフ内のノードの埋め込みまたは表現形式を学習することもできます。埋め込みは、ノードのトポロジ、関係性、および特性を捉えます。これらの埋め込みは、顧客リスク・スコアリングやイベント・スコアリングといった後続モデルでも活用でき、モデルの性能を大幅に向上させ、誤検出と偽陰性の両方を削減できます。これらの埋め込み技術の説明可能性に関する問題に対処可能なグラフ・ニューラル・ネットワークの説明機能も活用できます。
3. 調査にコンテキストを提供し、迅速化する:
アラートがフラグ付けされた場合、AMLアナリストがそれが独立した事象であるか、相互に結び付いた事象であるかを見極めることは重要です。従来のAML調査では、顧客、口座、取引といった分散したデータから、それらのつながりを特定することは困難でした。しかし、対象となる事案をグラフで表現すれば、グラフ可視化やグラフ分析が可能になり、調査担当者は対象となるエンティティのコンテキストを把握しやすくなります。
最新のグラフ・ディープラーニング技術は、事案の埋め込み表現を習得し、類似した疑わしい活動のレポート（SAR）を顕在化することで、調査担当者に価値あるガイダンスを提供することも実現します。
4. 金融犯罪に関する知識グラフ
金融機関にとって、長期的な目標の1つは、金融犯罪に関する知識グラフを構築することです。最新の自然言語処理（NLP）とグラフ・データベースを組み合わせることで、金融機関は、顧客に関する構造化・非構造化データ、内部データと外部データをすべて取り込んだ、単一の金融犯罪グラフを構築できます。これにより、KYC、調査、さらにはマーケティングなど、さまざまな機能において有用な顧客のより深い理解が可能になります。
すべてを統合する
これらは、グラフ分析が可能にする潜在的なユースケースのごく一部です。金融機関は、大規模な導入に着手する前に、いくつかのより単純なユースケースを試すことができます。
グラフ分析は、データサイエンティストが異常やパターンを特定するのを支援し、検出を改善し、コストを削減し、AMLコンプライアンス達成までの時間を短縮できます。また、調査担当者の生産性を劇的に高め、複雑で入り組んだ活動パターンを理解するのに役立つ強力な視覚化機能も提供します。
AMLツールキットの一部としてグラフ分析を実装するには、スキルの高いリソース、投資、およびコミットメントが必要ですが、グラフ分析を採用することで銀行および金融機関のAMLコンプライアンス・プログラムを大幅に強化できるため、そのメリットはこれらのコストを上回ります。