不正検知・AML・リスクを、「関係」でとらえるナレッジグラフ
本稿は、エンタープライズAIの「意味の層」シリーズの最終回です。第1部では確率論的なAIを決定論的な業務知識で支えるという考え方を（第1部）、第2部では自動車ドメインでの具体像を扱いました（第2部）。第3部では、この発想が最も鋭く効くもうひとつの領域——金融を見ていきます。
金融の問いは、「点」ではなく「関係」にある
不正検知も、マネーロンダリング対策（AML）も、単独の取引を見るだけでは捉えにくい問題です。一件ずつは正常に見える取引が、口座・カード・加盟店・国の「つながり」の中で、初めて怪しく見える。逆に言えば、関係を見ないかぎり、巧妙な不正は正常な取引の中に紛れてしまいます。
従来のルールベースや単表の統計は、ここが苦手です。「関係をたどる」という操作が、設計の中心に置かれていないからです。
そして金融には、もう一つの強い制約があります。規制です。判定には「なぜそう判断したか」を示す説明可能性と、後から検証できる監査可能性が、ほぼ必須で求められます。確率論的なモデルだけの「ブラックボックス」は、ここで壁になります。だからこそ、関係を明示的に定義した決定論的な意味の層が、金融ではことさら効いてきます。
金融ドメインの中核エンティティと関係
金融のデータにも、業務を問わず繰り返し現れる中核エンティティがあります。顧客・口座・カード・取引・加盟店・国です。関係そのものは、とても明快です。
- 顧客は口座を保有する
- 口座はカードを発行する
- カードは取引を実行する
- 取引は加盟店を宛先とする
- 加盟店は国に所在する
この関係を、意味の層（オントロジー）として一度定義すれば、どのシステムから来たデータも同じ意味の上に乗り、AIは「点」ではなく「関係」をたどって推論できるようになります。
金融でも、入力は二つのストリームに分かれます。取引・口座・カードといった構造化データに加えて、本人確認（KYC）書類、契約書、疑わしい取引の届出（SAR）、通信記録、さらには外部のネガティブ情報（アドバースメディア）といった非構造化データが、並行して存在します。意味の層は、フラグの立った取引を、その顧客のKYC書類や外部の関連情報まで——構造化・非構造化の両方を——同じ実体の周りに結びつけます。判定の根拠を厚くできるのは、この二つを束ねられるからです。
関係をたどると見える、「不正のリング」
意味の層の真価は、こういう問いで現れます。
個々は正常に見える取引が、同一の加盟店・同一の高リスク国に、複数の口座から集中していないか?
これは、一件の取引を見る問いではありません。複数の口座 → それぞれの取引 → 同一の加盟店 → 同一の高リスク国という、関係の「集中（リング）」を探す問いです。個々の取引は、どれも単体では正常に見えるかもしれません。けれど、関係をたどると、集中のパターンが浮かび上がります。
AMLの資金フロー追跡も、構造は同じです。資金が口座から口座へ、相手方から相手方へと渡っていく経路を、関係としてたどる。孤立した記録の集計では見えないものが、グラフの上では「経路」として見えます。これは、第1部・第2部で触れた、グラフを用いた探索（GraphRAG的アプローチ）が活きる典型です。
説明可能性と監査 ― 金融でことさら効く理由
不正やAMLの判定で、金融機関がもっとも問われるのは「なぜ、これを不審と判断したのか」です。
意味の層があると、この問いに、関係をたどって答えられます。「この取引が不審なのは、口座AがカードBを通じて、加盟店Cを介し、高リスク国Dへの集中の一部になっているから」——というように、判定の根拠を経路として提示できる。これは、社内の監査にも、当局への説明にも、そのまま直結します。
確率論的なスコアと、決定論的な根拠。この二つを重ねられることが、規制産業である金融で、意味の層が強く求められる理由です。誤検知（フォルスポジティブ）を抑えるうえでも、単独の取引ではなく関係の文脈を見られることが効いてきます。
実装の現実 ― 名寄せから始まる
金融のナレッジグラフも、いきなり全社規模で作るものではありません。出発点は、ほぼ常に名寄せ（エンティティ解決）です。KYCの観点からも、同一顧客の複数口座や、表記の異なる相手方を、どう一つの実体に束ねるか——ここがデータ品質の勝負どころになります。
そして、すべてを一度にモデル化しないこと。一つの不正・AMLユースケースに範囲を絞り、そこで効く最小限のエンティティと関係だけを定義してPoCを回す。第1部の見極めの問い——「この問いに、毎回・正確に・根拠付きで答えられなければ困るか?」——は、規制対応が絡む金融では、ほぼ常に「イエス」になります。
なお、当局や社内のルール・制裁リストといった「確定した知識」も、意味の層に取り込めます。確率論的なスコアリングと、決定論的なルール・リストを、同じ基盤の上で併用できる——これも、金融で意味の層が効く実務的な理由です。
適用領域
意味の層が効くのは、不正検知やAMLだけではありません。
- リスクスコアリング: 顧客・口座・取引の関係を文脈として、より説明可能なスコアを与える。
- 根本原因分析: 問題のある取引や口座を起点に、関係をたどって原因の連鎖を特定する。
- コンプライアンス: 規制要件と実データの関係を定義し、要件への適合を追跡可能にする。
いずれも、孤立した記録ではなく、関係の上で推論できることが前提になります。
シリーズの結び ― 「意味」を定義できた企業が、先行する
3回にわたって、確率論的なAIを、決定論的な業務知識で支えるという考え方を見てきました。自動車では、顧客・車両・部品・サプライヤー・クレームの関係として。金融では、顧客・口座・取引・加盟店・国の関係として。
ドメインは違っても、結論は一つに収れんします。エンタープライズAIの差を生むのは、最大のモデルを持つことではなく、自社の業務の「意味」を、どれだけ明確に定義できているかです。
オントロジーが意味を与え、ナレッジグラフが実体を結び、AIが推論を担う。この三つが重なったとき、データは、決定論的で・説明可能で・監査可能な知性に変わります。生成AIの性能が上がり続けるこれからこそ、その出力を業務で信頼できるかを決めるのは、AIの「下」に何を置くか——意味の層の有無です。
Cubastionは、構造化データとセマンティック検索を組み合わせたGenAI知識基盤を、エンタープライズの現場で実装しています。「自社のどのデータに、どんな意味の層を敷くと効くのか」を整理したい方は、AI・生成AIサービスをご覧ください。シリーズの起点となる考え方は、第1部にまとめています。
あわせて、構造化データと非構造化データを「どう結ぶか」を技術的に掘り下げた併走記事もご覧ください：非構造化データを、構造化データとどう結ぶか
本稿で全3部のシリーズは完結です。