金融業務へのAI（人工知能）適用に関するノウハウを「パターン」として整理した『金融AI成功パターン』（日経BP、2023年）では、7つの基本パターンと、5つの上級パターンを紹介している。同書からさまざまな場面に適用できるノウハウとして、本連載では機械学習の基本とライフサイクルを取り上げ、連載の後半では「７つの基本パターンの概要」を抜粋して解説する。今回のテーマは、７つの基本パターンのうち、「需要予測AI」と「不正検知AI」である。（技術プロダクツユニットクロスメディア編集部）
金融AI成功パターンには、以下の７つの基本パターンがあります。
- ターゲティングAI
- 価値算出AI
- 需要予測AI
- 不正検知AI
- 審査AI
- テキスト分類AI
- 画像認識AI
今回はこのうち、「需要予測AI」と「不正検知AI」を紹介します。
需要予測AI
金融機関では、需要に合わせて人材やリソースを配置する業務があります。例えば、コールセンターの席数、ATMの現金装填頻度、リース商品の供給などでは、需要に合わせて最適な配置や配送計画が必要となります。需要を現実より大きく見積もってしまうと、供給過多や在庫コストが発生してしまいます。逆に需要を小さく見積もったうえで計画してしまうと、例えばコールセンターでは対応の待ち時間が延びて、顧客満足度を低下させてしまいます。
需要の予測は、それまでのトレンドを可視化したうえで、担当者の長年の経験と勘で決める方法があります。ただこの方法では、属人的で業務がブラックボックス化され、細かい粒度での需要予測ができないなどの問題があります。現状予測の粒度が粗いと、意思決定も粗くならざるを得ないです。
需要は、トレンドや単発的なキャンペーンが影響するだけではなく、土日祝日や月末、給料日直後などのカレンダーイベント、天気や位置情報などその土地独特の影響も絡み合って変化します。経験と勘による需要予測では、さまざまな種類のデータを読み込むことにも多くの時間を要することとなり、担当者の負担が重くなってしまいます。
このような場面で有効なのが「需要予測AI」です。主な利用用途には、コールセンター需要予測、ATM需要予測、リース商品需要予測、コア預金モデルなどがあります。
需要予測AIを利用することによって、今後数カ月間の需要を、短時間でより細かい粒度、かつ高い精度で予測できます。担当者の経験に左右されない精度の高い判断ロジックを簡単に作成し、経験と勘といったブラックボックス化を防ぐことができます。
需要予測AIは時系列回帰問題（時系列連続値予測）であり、ターゲットとなる需要データを粒度ごとの時系列順で準備します。日次の需要予測AIであれば、1月1日の需要、1月2日の需要という具合にデータを準備するのです。自動機械学習（AutoML：Automated Machine Learning）が時系列に対応していない場合には、さらに予測距離ごとにターゲットをずらした状態で準備します。仮に1週間先から1週間分を予測したい場合には、1月1日を基準とすると、1月8日、9日……14日の需要データをターゲットとして準備する必要があります。
