住宅ローンの不正申込をAIが100段階で採点、静銀信用保証が6か月で運用開始

学習データに何を「不正」として含めるかを、思い込みではなく検証で決めた点が、この開発の勘所だったと考えられます。住宅ローンの不正は実行から発覚までに時間差があり、発覚件数自体も多くありません。データの偏りを補う狙いで、事後的に不正と判明した案件に加え、審査時に不正の疑いが強いと判断して融資を断った案件も学習させる案が検討されました。ところが最後まで並行して精度を検証した結果、後者を学習させないほうが判別力が高いと分かり、最終的には事後判明分のみを採用しています。人の判断を混ぜたデータは一見量を稼げますが、それは「人が疑ったパターン」の再現になりかねない。検証で切り分けたことが、ベテランの目とは別軸の判断材料を作ることにつながったと読み解けます。

役割分担の切り方も、短期開発を支えた要素です。HEROZ側がAIモデルと審査システム連携に必要なAPIの開発を担い、静銀信用保証側は特徴量や学習データを決める際の審査観点からの助言と、出力結果へのフィードバックに集中しました。HEROZには住宅ローンの不正検知システムを開発・運用した経験があり、データ項目の意味や業務フローを一から説明せずに済んだことが、コミュニケーションの短縮に効いています。当初1年以上と見込んでいた開発が半分の期間で済んだ背景には、この前提共有の省略があったと見てよいでしょう。

現場への出し方を最小限にとどめた設計も見逃せません。導入時点では審査フロー自体を変えず、審査システムの画面にスコアを表示して参考情報として使う形に絞っています。運用しながら新規データに対する出力精度を確認し、その結果を踏まえてフロー見直しを検討する段取りです。判定をいきなり業務ルールに組み込まず、まず見える化から始める順序が、現場の抵抗を抑えつつ精度検証を続けられる状態を作っています。