ATM詐欺を生成AIで検知、運用費を1台1日27円に抑えた地銀の内製化試行

検知精度を引き上げた主役は、モデルそのものよりも問いかけ方の設計でした。同じプロンプトのままモデルだけを入れ替えて性能を比較し、システムプロンプトには役割と出力フォーマットの指示を置き、それ以外をユーザープロンプトへ振り分けるという配置の整理が行われています。なかでも「〜ですか？」ではなく「〜のように見えますか？」と尋ねる形に変えた工夫は、この判定の性質をよく表しています。断定を求める問いは白黒のつかない映像に対しても無理に答えを出させますが、見え方を尋ねる問いであれば回答は観察の報告に近づくはずで、その差を精度の違いとして拾い上げたところに検証の丁寧さがうかがえます。

常時動き続ける仕組みであることを前提に、費用の構造そのものを組み替えた点も見逃せません。当初は高性能な生成AIモデルだけで判定していたものを、安価な画像判定モデルと組み合わせた複合評価に変え、生成AIを呼び出す頻度自体を下げる設計へ切り替えています。処理基盤にもAWS LambdaやAmazon DynamoDB、Amazon SQSといった、使った分だけ課金されるサーバレスの構成が選ばれました。映像を見続ける用途では1回あたりの単価が費用全体を支配するため、すべてを生成AIに任せず、安いモデルで足りる部分は安いモデルに任せる切り分けが、実運用に載せられるかどうかを分けたと考えられます。

内製化の進め方にも、いきなり本丸へ挑まない順序が見て取れます。まずAWSの基礎講座で知識を固め、最初の内製案件として中継ゲートウェイの構築をやり切ったうえで、詐欺検知という難度の高いテーマへ進みました。支援側も答えを渡す立場ではなく、顧客の一員となって一緒に考えるという活動コンセプトのもと、サーバレス実装の実践面で助言する役回りに徹しています。小さく確実な成功を先に一つ作ってから応用へ移る運び方は、技術の習得だけでなく、経営層を含む行内の後押しを保ちながら進むうえでも効いたのではないでしょうか。