金融機関が独自のインテリジェンスを構築するためにトランザクション基盤モデルに収束する理由

金融機関は長年にわたり、不正検出モデル、信用モデル、レコメンデーションエンジン、リスクシステムなどのAIを構築してきました。これらのタスク固有のモデルの群れは効果的でしたが、サイロ化したシステムによって制約を受けています。サイロ化したシステムは、機関が消費者の金融行動を統一的に理解することを妨げます。エンタープライズデータセットが成長し続けるにつれて、機関が知っていることとAIが推論できることのギャップは拡大しており、独自データを活用してインテリジェンスを構築する大きな機会が生まれています。

NVIDIAの2026年金融サービスにおけるAIの状況レポートによると、65%の機関がAIを導入しており、90%近くが展開または評価中であり、ほぼすべてが支出を維持または増加させています。しかし、AIが大規模化するにつれて複雑性も増し、断片化されたモデルアーキテクチャが制限要因となっています。

主要企業は、アーキテクチャ自体を再考することでこの課題に取り組んでいます。かつて業界は各事業ライン向けに特化した統計的および機械学習アルゴリズムに依存していましたが、現在ではトランスフォーマーベースのトランザクション基盤モデルにより、独自データのみで訓練された消費者の行動の単一の統一表現を学習することが可能になりました。

トランザクション基盤モデルは、支払い、送金、製品インタラクション、行動シグナルなどの数十億の金融イベントで訓練された大規模AIシステムであり、生データをインテリジェンスに変換し、企業が顧客により良いサービスを提供するのに役立ちます。

このシフトは構造的です。従来の不正検出モデルは孤立したシグナルを評価しますが、基盤モデルは文脈の中で行動を解釈し、タイミング、デバイス、位置、以前の活動が意味を形成します。さらに重要なことは、トランスフォーマーアーキテクチャの力を表形式データにもたらし、従来のアルゴリズムには見えなかったシグナルを抽出することです。

真夜中の支払いは、10分以内の4回目であり、なじみのないデバイスで、顧客がこれまで取引したことのない都市で発生した場合、異なる意味を持ちます。この文脈の深さは、タスク内だけでなくタスク間でもパフォーマンスを向上させます。

NVIDIAと協力して、RevolutはPRAGMAを構築しました。これは、100か国以上にわたる2600万ユーザーレコードにわたる240億イベントで訓練されたトランスフォーマーベースの基盤モデルのファミリーです。NVIDIA Hopper GPU、NVIDIA cuDFライブラリ、NVIDIA Nemotronオープンモデルを含むNVIDIAのフルAIスタックをNebiusクラウド上で活用し、単一の基盤モデルが信用スコアリング、不正検出、製品レコメンデーションなどの領域で強力なタスク固有モデルを上回り、手作り特徴への依存を減らします。

「私たちは数週間、時には数ヶ月かかっていた特徴エンジニアリングから、まったく時間がかからない状態に移行しました」とRevolutのグループ信用データサイエンス責任者Tadas Kriščiūnas氏は述べています。

どの機関も、NVIDIAの新しい「Build Your Own Transaction Foundation Model」開発者サンプルを使用してこのアプローチを採用できるようになりました。これにより、チームは表形式トランザクションデータ上でトランスフォーマー埋め込みの構築を開始し、既存のパイプラインに統合してゼロから再構築する必要がなくなります。

断片化のコスト

問題は今日のモデルではなく、その軌道にあります。新しいユースケースごとに別のモデルが追加されます。新しい市場ごとに再トレーニングが必要です。コンテキストを共有できないモデルは価値を残します。

Mastercardは、今日の数十億の匿名化されたトランザクションで訓練され、不正、承認、チャージバック、加盟店ロケーション、ロイヤルティデータなどの追加データセットにわたって数千億にスケーリングするように設計された、独自の大規模表形式基盤モデルを開発しています。

NVIDIA、AWS、Databricksの機能（NVIDIA NeMo AutoModelオープンライブラリや加速コンピューティングを含む）を活用して構築されたこのモデルは、市場、顧客、ユースケースにわたる多数のAIモデルへの依存を減らすことを目的としています。初期テストでは、標準的な機械学習技術を上回り、サイバーセキュリティ、不正検出、ロイヤルティ、パーソナライゼーション、ポートフォリオ最適化、分析において有望なアプリケーションが示されています。

Adyenも大規模にトランザクション基盤モデルを展開し、1兆ドルの支払いを処理しています。強化学習を使用して、Adyenは加盟店のコンバージョンを最大化し、リスクを最小化しています。

「承認率の0.1%向上のようなわずかな改善でも、巨額のグロス・マーチャンダイズ・バリューと大幅なコスト削減につながります」とAdyenのプリンシパルAIプロダクトマネージャーDhruv Ghulati氏は述べています。

エージェンティック・コマースのためのセマンティックレイヤー

42%の金融機関がすでにエージェンティックAIを使用または評価しています。これらのシステムがサブスクリプション管理、支払いルーティング、購入などのトランザクションを実行し始めると、金融行動の性質が変化しています。

StripeはNVIDIAとAWSのプラットフォームを利用して、個々のシグナルに反応するのではなく、トランザクション行動の完全なコンテキストを理解する基盤モデルを構築し、昨年は1120億ドル近くの不正を阻止し、平均で38%の不正率低減を達成しました。

トランザクションデータは、競合他社が複製できない独自の履歴です。データはすでに存在します。アーキテクチャは実証されています。インフラは準備ができています。

エコシステムパートナーを通じたスケーリング

「Build Your Own Transaction Foundation Model」開発者サンプルは、Amazon Web Services（AWS）上でAmazon SageMaker HyperPodを使用して展開するか、Nebius AI Cloud（NVIDIA加速コンピューティング搭載）で実行できます。

Nebius AI Cloudは、開発者サンプルの展開からマルチノードトレーニング、Token Factoryでのマネージド推論まで、トランザクション基盤モデルのライフサイクル全体をサポートします。

金融サービス企業は、EXL、Infosys、GFT IT Consulting、Thoughtworksなどのサービスパートナーと協力して、開発者サンプルを特定のユースケースに適用することもできます。

EXLは、トランザクション基盤モデルをEXLerate.aiプラットフォームに統合し、サイロ化した金融データを独自トランザクションデータを活用したスケーラブルなエンタープライズインテリジェンスレイヤーに統合しています。NVIDIAと協力して、EXLはこのアーキテクチャを利用して金融機関のモデル開発を加速し、コンテキストに応じた意思決定を強化し、エージェンティックAIを大規模に運用化する支援をしています。

Thoughtworksは、複雑な銀行環境でトランザクション基盤モデルを運用化し、支払い、サービス、リスクに統合し、必要なガバナンスとAI運用モデルを確立する支援をしています。同社は、6月17日にニューヨークで開催されるAWSサミットで、トランザクション基盤モデルに関するデモとプレゼンテーションを行う予定です。

GFT IT Consultingは、トランザクション基盤モデルを主要ソリューションに統合しています。Wynxxは、100以上の金融機関が信用リスクなどの分野で安全にAIを採用するために使用するエージェンティックAIプラットフォーム、Smaragdは、主要銀行の誤検知を最大75%削減するコンプライアンスエンジンです。

6月2日から4日に開催されるMoney20/20 EuropeでNVIDIAに参加し、トランザクション基盤モデルが金融サービスの次世代AIをどのように強化しているかを学びましょう。

build.nvidia.comで「Build Your Own Transaction Foundation Model」開発者サンプルを探索してください。