DatabricksにおけるモダンなBSA/AMLコンプライアンス

金融サービスにおけるマネーロンダリング防止（AML）機能は、歴史的に2つの責任を中心に組織されてきました。それは、マネーロンダリングの疑いがある活動のアラートをクリアすることと、必要に応じて疑わしい取引届出書（SAR）を提出することを含め、すべてのケースの処理結果を記録することです。これらすべてを、プログラムの有効性とプロセスの監査可能性を維持しながら行う必要があります。 このモデルは現在、プレッシャーにさらされています。進化する金融犯罪の類型、リアルタイムの説明可能性に対する規制上の期待、そして生成AIの成熟により、現代のAML業務のあり方が再形成されつつあります。AMLのリーダーは、アナリストの時間を、今日の業務の大半を占めるデータ収集、誤検知の仕分け、説明文の起草ではなく、真の金融犯罪インテリジェンスに向けることをますます期待されています。

制約となっているのは、人材や意図であることはほとんどありません。それは、断片化されたシステム、不透明なベンダーのスコアリング、手動での証拠集めによって、すべてのアラートに課される構造的な足かせです。その足かせが取り除かれない限り、どれほど資金が豊富であっても、AMLプログラムはバックログ（未処理案件）の解消モードから抜け出せないままです。

AML業務が生産性の壁にぶつかる理由

今日の一般的なAML調査サイクルは、手動でエラーが発生しやすいものです。アナリストは1ケースあたり3〜6時間を費やし、顧客確認（KYC）、取引モニタリング、制裁スクリーニング、ケース管理、ネガティブニュース（adverse media）、実質的支配者、社内CRM、店舗ログ、規制ナレッジベースなど、10以上のサイロ化されたシステムからデータを抽出して関連付け、スプレッドシートやWordのテンプレートにまとめています。その時間の大部分は誤検知に費やされています。PwC の推計によると、取引モニタリングシステムによって生成されるすべてのアラートの90〜95%は対応不要なものですが、証拠を自動的に結びつけるものがないため、それぞれに真の検知（true positive）と同じ調査労力が消費されています。第一世代のルールベースのモニタリングは、現代のAIを活用した不正手法にますます遅れをとっています。

この足かせは、次の4つの箇所に現れます。

• 10以上のサイロ化されたシステム。 アナリストが事実上の統合レイヤーとなっています。アラートが発生するたびに、複数のベンダーポータルに再認証し、作業文書に値をコピーし、識別子を手動で照合する必要があります。
• 高い誤検知率。 進化する金融犯罪の類型に合わせて継続的に更新されない検知ルールやモデルは、実際の活動パターンから乖離し、最終的に問題がないと判明する取引に対してアラートを生成する可能性があります。結果にかかわらず、各アラートには依然として3〜6時間の調査労力が消費されます。
• 手動でのケース記録。 すべてのケースにおいて、エスカレーション、誤検知としての却下、またはSARの提出など、規制監査のために文書化してアーカイブされた書面による処理結果が必要です。アナリストは、ケースごとに同じ規制を引用し、同じ証拠パッケージを構成しながら、これらの報告書をゼロから手作業で作成しています。 Bank Policy Instituteの調査データによると、銀行側におけるSAR提出だけの作業時間は1件あたり約21.4時間であり、これはFinCEN自体のペーパーワーク削減法（Paperwork Reduction Act）による見積もりの10倍以上です。
• 不透明なベンダースコアリング。 パッケージ化されたAMLプラットフォームは通常、チューニング用のシナリオしきい値を公開していますが、基礎となるモデルの成果物、特徴量エンジニアリング、再学習の頻度はベンダーの環境内にあることが多く、金融機関がモデルリスク管理基準（例：SR 11-7）を満たし、特定のスコアがどのように算出されたかを規制当局から尋ねられた際に迅速に回答することを困難にしています。

累積的な影響として、人員を増やして解消するよりも早くバックログが増加しています。PwC EMEA AML Survey 2024では、金融機関の44%が、金融犯罪規制の強化をコンプライアンス業務を複雑にする最も差し迫った要因として挙げており、次の10年の類型（リアルタイム決済、組み込み型金融、暗号資産と法定通貨のブリッジ、大規模な合成アイデンティティ）は、そのギャップをさらに広げるだけです。

解決策：Databricks Data Intelligence Platform

バックログの解消から調査へと移行するために、AMLチームは、単にアラートを保存するだけでなく、それらを推論し、規制当局が期待するガバナンス姿勢のもとで実行できるプラットフォームを必要としています。Databricks Data Intelligence Platformは、取引モニタリング、KYC、制裁スクリーニング、規制ナレッジ、AIエージェントをUnity Catalogのガバナンスのもとに統合し、生の取引から提出されたSARまでの完全なリネージ（系統）を提供します。各コンポーネントは「すべてか無か」ではなく構成可能（コンポーザブル）であるため、金融機関はフルスタックをエンドツーエンドで導入することも、個々のパーツを既存のワークフローに重ね合わせることもできます。これは、近代化を始めたばかりのチームにとって特に有用です。このアプローチを従来のAMLスタックと区別する6つの機能をご紹介します。

1. Unity Catalogによって管理された統合コンプライアンスデータレイヤー

Unity Catalogは、10以上のサイロ化されたシステムを、ガバナンスが効いた単一のレイクハウスに統合します。勘定系システム、取引モニタリングストリーム、KYCプロファイル、制裁ヒット、ケース履歴、および金融機関のAMLポリシー文書ライブラリは、Lakeflow Connectを介してBronze → Silver → Goldのメダリオンアーキテクチャに取り込まれます。これには、Deltaによって強制されるデータ品質、顧客のPII（個人特定情報）に対するカラムマスク、およびチームや役割に紐づいた行レベルのセキュリティが適用されます。すべての下流の成果物、リスクスコア、エージェントの証拠チェーン、SARレポートは、そのソース行と取り込みタイムスタンプまでリネージが追跡されます。検査官から、何がアラートの引き金になったのか、どのような証拠が提出を裏付けたのか、あるいは金融機関が構造的に類似したケースをどのように処理したのかを尋ねられた際、その回答はアナリストの記憶ではなく、再現可能なクエリとなります。ガバナンス、リネージ、および品質の強制は、オーバーレイではなく、プラットフォームの特性として組み込まれています。

2. 検知とリスクスコアリングのためのエンドツーエンドのML

静的なルールエンジンは、置き換えられるのではなく拡張されます。Databricks Data Intelligence Platformは、データサイエンスチームや金融犯罪対策チームに、金融機関独自の取引履歴、顧客ベース、リスクプロファイルに合わせた最先端のMLモデルを開発、トレーニング、サービングするための基盤を提供し、アラートキューと調査中のコンテキストの両方により豊かなシグナルを供給します。モデルは、チャンピオン／チャレンジャーのエイリアスと完全な実験追跡機能とともにMLflowに登録されます。Model Servingはアクティブなモデルを公開し、Lakehouse Monitoringは本番環境でのドリフトとパフォーマンスを監視し、推論テーブルはチャレンジャーの再学習にフィードバックされるアナリストの評価をキャプチャします。チャレンジャーが優れていることが証明されると、チームはMLflowのライフサイクル管理を通じてそれらを昇格させます。すべてのアラートは、それを引き起こしたビジネスルールとMLシグナルの説明を表示できるため、アナリストはなぜそれがキューに入ったのかをすでに把握した状態でケースを開始できます。その結果、基礎となる取引モニタリングルールエンジンを全面的に刷新することなく、アナリストのキューに届く誤検知を75%削減できます。

3. 協調して動作する特化型AIエージェント群

近代化の核心は、調査中に特化型サブエージェント群をオーケストレートするマルチエージェントチャットアシスタントであり、これはAgent Bricksに基づいて構築されています。アナリストは、手動でデータを相互に関連付けるために複数のシステムにログインする代わりに、過去のデューデリジェンスノート、ケースノート、以前のSAR提出、取引パターン、およびエンティティ関係を単一のビューに表示する単一の調査ページから作業を行います。エージェント群は利用可能なデータのネットワーク全体をスキャンし、ケースの処理方法に関する知識に基づいた推奨事項を返します。最終決定（専門チームへのエスカレーション、誤検知としての却下、またはSAR提出への移行）には人間がしっかりと関与（human-in-the-loop）します。エンドツーエンドの効果として、以前は3〜6時間の手作業を必要としていた調査が、エージェントによって強化された数分間のレビューに凝縮されます。

4. AI支援によるSAR生成：数時間から数分へ

アナリストが SAR の届出に進むと、同じエージェント群が調査中に収集されたコンテキストメタデータを自動入力し、レポート用のカスタム概要と説明文の下書きを作成します。アナリストはファクトチェックとカスタマイズを行って PDF を生成し、AI は提出前に金融機関が要求するフォーマット仕様に従ってドキュメントを構成します。提出されたレポートは、監査性の観点から完全に追跡可能な記録とともにバックエンドにプッシュされます。従来は数時間かかっていた SAR レポートの作成が、わずか数分で完了します。さらに、これにより自動的にループが閉じられ、残りの AML チームが並行してアクティブに分析しているケースの追加のコンテキストや証拠として、届出内容が即座に提示されます。

5. ネットワークパターン検出のためのグラフ可視化

アナリストのワークベンチのインタラクティブな可視化を通じて表示されるグラフレイヤーにより、アナリストは調査ページから完全なグラフビューに移動したり、グラフ自体に自然言語で質問したり、個々のエンティティにジャンプして取引先関係を調査したりできます。これにより、ペーパーカンパニー、レイヤリング構造、循環的な資金移動など、ルールベースのシステムが見落としがちな隠れたネットワークパターンが明らかになります。

6. 自然言語インターフェースによるエグゼクティブ向けレポート

AML のリーダーシップは、ケースボリュームの KPI、費やされた時間、期限超過のアラート、検出とエージングのトレンドライン、検出からチーム割り当て、解決までのプロセスフローの可視化、シナリオや重要度別の内訳を表示するエグゼクティブビューを確認できます。「チームパフォーマンス」ビューでは、インシデントの処理能力、期日のプレッシャー、検出タイプやチームごとの平均処理時間をドリルダウンして確認できるため、プロセスのボトルネックや、重要な期限に間に合わせるためにチームを再編成する機会を簡単に見つけることができます。同じガバナンスが適用されたデータに対する自然言語チャットにより、分析チームを待つことなく、セルフサービスでトレンドを深く掘り下げることができます。Genie を使用すると、AML リーダーは「前四半期にマネーロンダリング（構造化）アラートを最も多く発生させたアドバイザー関係はどれか、またチームごとの誤検知率はどのくらいか？」といった質問を投げかけ、監査に対応可能な回答を数秒で得ることができます。

結論：AML リーダーシップの新たな基準

AML チームは、アナリストの生産性と規制上の防御性のどちらかを選択する必要はもうありません。アラート、証拠、エージェント、監査証跡が、リネージ（系統）が追跡された同じ環境に存在する、ガバナンスの効いた Data Intelligence Platform がその両方を実現します。「アナリストを増やし、ベンダーを増やし、スプレッドシートを増やす」という従来のアプローチは、コンプライアンスデータを統合し、AI エージェントに複数ソースの調査負荷を担わせている金融機関に対して、もはや競争力がありません。この移行は将来の憧れではなく、今日選択可能な運用上の決断です。

アーキテクチャの概要

このソリューションは、Databricks Data Intelligence Platform で利用可能な 5 つの機能で構成されています。

• 取り込みとガバナンス。 Lakeflow Connect は、勘定系システム、取引モニタリングストリーム、KYC プロファイル、制裁対象者マッチング、ケース履歴、ポリシー文書を Delta の Bronze → Silver → Gold メダリオンに格納し、Unity Catalog がカラムマスク、行レベルのセキュリティ、およびエンドツーエンドのリネージを適用します。
• スコアリング。 金融機関独自の取引履歴とリスクプロファイルに合わせて調整された検出モデルは、チャンピオン／チャレンジャーのエイリアスを使用して MLflow を通じてトレーニングおよびサービングされます。Model Serving がアクティブなモデルを公開し、Lakehouse Monitoring がドリフトを監視します。そして、推論テーブルがアナリストのフィードバックをキャプチャし、チャレンジャーモデルの再トレーニングにフィードバックします。
• 推論。 Agent Bricks 上に構築されたマルチエージェントアシスタントが、構造化クエリ用の Genie エージェント、金融機関の規制およびポリシーライブラリに対する Vector Search を活用した RAG ナレッジアシスタント、MCP Marketplace を通じて提供される外部エージェント、およびエンティティを解決して隠れた取引先構造を明らかにするグラフレイヤーをオーケストレーションします。
• 運用ステート。 Databricks Lakebase（レイクハウスと完全に統合されたマネージド Postgres データベース）は、エージェントやアプリケーションの運用バックエンドとして機能します。ケースのステート、アナリストのメモ、エージェントの会話履歴、SAR の下書き、ワークフローのステータスは、低レイテンシの読み書きで Lakebase に永続化され、分析データに適用されるものと同じ Unity Catalog のガバナンス、リネージ、アクセス制御の下で Delta テーブルと同期された状態を維持します。
• アナリストおよびエグゼクティブのエクスペリエンス。 Databricks Apps は、アナリストの調査ワークベンチ、エグゼクティブビュー、グラフエクスプローラー、SAR 提出画面を提供し、提出されたレポートの完全な監査追跡可能性を確保しながら、Lakebase を通じて運用ステートを読み書きします。

モジュール型デプロイ

これら 5 つのレイヤーは、個別にデプロイすることも、完全なスタックとしてデプロイすることもできます。すでに独自の取引モニタリングエンジンを運用している銀行は、スコアリングレイヤーまたは推論レイヤーのみを採用して、既存のアラートに ML リスクスコアリングと AI による強化された調査を追加できます。また、ケース管理は成熟しているもののデータが断片化している銀行は、まず取り込みとガバナンスのレイヤーから開始してソースを統合できます。すべてのコンポーネントが同じ Data Intelligence Platform と Unity Catalog のガバナンスを共有しているため、部分的なデプロイであっても、プラットフォームを再構築することなく、最終的に完全なアーキテクチャへと段階的に拡張できます。

モジュール型デプロイ

これら 5 つのレイヤーは、個別にデプロイすることも、完全なスタックとしてデプロイすることもできます。すでに独自の取引モニタリングエンジンを運用している銀行は、スコアリングレイヤーまたは推論レイヤーのみを採用して、既存のアラートに ML リスクスコアリングと AI による強化された調査を追加できます。また、ケース管理は成熟しているもののデータが断片化している銀行は、まず取り込みとガバナンスのレイヤーから開始してソースを統合できます。すべてのコンポーネントが同じ Data Intelligence Platform と Unity Catalog のガバナンスを共有しているため、部分的なデプロイであっても、プラットフォームを再構築することなく、最終的に完全なアーキテクチャへと段階的に拡張できます。

実際の動作を見る

▸ デモ動画を見る

▸ ソリューションをデプロイする（ワークスペース内）

▸ お問い合わせ：今すぐ既存の AML ワークフローにこれを統合するために、Databricks の担当アカウントチームにお問い合わせください！

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事