WO2023175897A1 - 監視システム、監視装置、監視方法および記録媒体 - Google Patents

監視システム、監視装置、監視方法および記録媒体 Download PDF

Info

Publication number
WO2023175897A1
WO2023175897A1 PCT/JP2022/012611 JP2022012611W WO2023175897A1 WO 2023175897 A1 WO2023175897 A1 WO 2023175897A1 JP 2022012611 W JP2022012611 W JP 2022012611W WO 2023175897 A1 WO2023175897 A1 WO 2023175897A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
transaction
account
fraudulent
customer
Prior art date
Application number
PCT/JP2022/012611
Other languages
English (en)
French (fr)
Inventor
洋平 杉山
祐哉 榛澤
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2022/012611 priority Critical patent/WO2023175897A1/ja
Publication of WO2023175897A1 publication Critical patent/WO2023175897A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Definitions

  • the present invention relates to a monitoring system, a monitoring device, a monitoring method, and a recording medium.
  • Patent Document 1 An example of a transaction monitoring system that monitors account transactions is described in Patent Document 1.
  • the system of Patent Document 1 includes an acquisition means, a calculation means, and a determination means, and when the difficulty of judgment is high, it is possible to judge whether or not a transaction is suspicious by having a highly skilled person make the judgment. We will help you make accurate decisions even if they are complex.
  • Patent Document 2 describes a fraudulent financial transaction detection program that detects fraudulent financial transactions.
  • the program described in Patent Document 2 includes an information acquisition step of acquiring transaction information regarding the transaction history in the bank account of a new detection target whose fraudulent transactions are to be newly detected, and a previously acquired transaction in the bank account of the detection target. Based on the transaction information obtained in the above information acquisition step, by referring to the reference transaction information regarding the history and the degree of correlation of 3 or more levels with the possibility of fraudulent transactions of the person to be detected in the past, The computer executes a determination step for determining the possibility of fraudulent transactions.
  • JP2019-61548A Japanese Patent Application Publication No. 2021-144355
  • an object of the present invention is to provide a monitoring system, a monitoring device, a monitoring method, and a recording medium that solve the problem that fraud in financial transactions cannot be detected on a transaction-by-transaction basis.
  • Input means for inputting past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions; a generation unit that uses the transaction information, the customer information, and the account information input by the input unit and uses a learned model to generate fraudulent transaction information that is information related to fraudulent transactions; output means for outputting the fraudulent transaction information generated by the generation means; has A monitoring device is provided in which the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer.
  • Input means for inputting past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions; a generation unit that uses the transaction information, the customer information, and the account information input by the input unit and uses a learned model to generate fraudulent transaction information that is information related to fraudulent transactions; output means for outputting the fraudulent transaction information generated by the generation means; has A monitoring system is provided in which the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer.
  • one or more computers In financial transactions, enter past transaction information, customer information that is information about the customer, and account information that is information about the account, Using the input transaction information, the customer information, and the account information, using a learned model to generate fraudulent transaction information that is information related to fraudulent transactions, Output the generated fraudulent transaction information,
  • a monitoring method is provided in which the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer.
  • the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer, and a computer-readable recording medium storing a program is provided.
  • another aspect of the present invention may be a program that causes at least one computer to execute the method of the above one aspect, or a computer-readable recording medium having recorded such a program. Good too.
  • This recording medium includes non-transitory tangible media.
  • the computer program includes computer program code that, when executed by the computer, causes the computer to implement the monitoring method on the monitoring device.
  • constituent elements of the present invention do not necessarily have to exist independently, and it is noted that a plurality of constituent elements may be formed as a single member, or one constituent element may be formed of a plurality of members.
  • a certain component may be a part of another component, a part of a certain component may overlap with a part of another component, etc.
  • the method and computer program of the present invention describe a plurality of procedures in order, the order in which they are described does not limit the order in which the plurality of procedures are executed. Therefore, when implementing the method and computer program of the present invention, the order of the plurality of steps can be changed within a range that does not affect the content.
  • the multiple steps of the method and computer program of the present invention are not limited to being executed at different timings. Therefore, it may be possible that another procedure occurs while a certain procedure is being executed, or that the execution timing of a certain procedure and the execution timing of another procedure partially or completely overlap.
  • a monitoring system it is possible to obtain a monitoring system, a monitoring device, a monitoring method, and a recording medium that solve the problem that fraud in financial transactions cannot be detected on a transaction-by-transaction basis.
  • FIG. 1 is a diagram showing an overview of a monitoring device according to an embodiment. It is a flowchart which shows the example of operation of the monitoring device of this embodiment.
  • 1 is a diagram conceptually showing a system configuration of a monitoring system according to an embodiment.
  • FIG. 2 is a block diagram illustrating the hardware configuration of a computer that implements a monitoring device. It is a diagram showing an example of a data structure of transaction information. It is a diagram showing an example of a data structure of customer information. It is a diagram showing an example of a data structure of account information. It is a figure showing an example of a data structure of a fraudulent transaction score. It is a figure showing an example of an output screen of fraudulent transaction information.
  • FIG. 1 is a diagram showing an overview of a monitoring device according to an embodiment. It is a flowchart which shows the example of operation of the monitoring device of this embodiment.
  • 1 is a diagram conceptually showing a system configuration of a monitoring system according to an embodiment.
  • FIG. 2 is
  • FIG. 3 is a diagram showing an example of a basis information output screen.
  • FIG. 1 is a diagram showing an overview of a model generation device according to an embodiment. It is a flowchart which shows the example of operation of the model generation device of this embodiment.
  • 1 is a diagram conceptually showing a system configuration of a monitoring system according to an embodiment. It is a figure which shows the data example of transaction information within a period which is an example of secondary information.
  • FIG. 1 is a functional block diagram showing an example of a logical configuration of a model generation device according to an embodiment. It is a figure which shows the data example of transaction information within a period. It is a figure which shows the data example of the transaction information within a period which shows operation result information within a period.
  • FIG. 1 is a diagram showing an overview of a model generation device according to an embodiment. It is a flowchart which shows the example of operation of the model generation device of this embodiment.
  • 1 is a diagram conceptually showing a system configuration of a monitoring system according
  • FIG. 3 is a diagram illustrating an example data structure of secondary information including location comparison information.
  • FIG. 3 is a diagram illustrating an example data structure of secondary information including transaction amount ratio information. It is a flowchart which shows the example of operation of the model generation device of an embodiment.
  • FIG. 1 is a diagram showing an overview of a model generation device according to an embodiment. It is a flowchart which shows the example of operation of the model generation device of an embodiment. 1 is a diagram conceptually showing a system configuration of a monitoring system according to an embodiment.
  • FIG. 3 is a diagram showing a data structure of template information. It is a figure showing an example of an import screen. It is a figure showing an example of an input information selection screen. It is a figure which shows an example of a secondary information selection screen.
  • FIG. 3 is a diagram illustrating an example data structure of template information. It is a figure showing an example of a template selection screen. It is a flowchart which shows the example of operation of the model generation device of an embodiment.
  • FIG. 3 is a diagram illustrating an example data structure of template information. It is a flowchart which shows the main part of the example of operation of the model generation device of an embodiment.
  • acquisition means that the own device retrieves data or information stored in another device or storage medium (active acquisition), and that the own device retrieves data or information stored in another device or storage medium, and that the own device retrieves data or information stored in another device or storage medium, and that the own device retrieves data or information stored in another device or storage medium, and that the own device retrieves data or information stored in another device or storage medium (active acquisition) Involves at least one of inputting data and/or information (passive retrieval). Examples of active retrieval include requesting or interrogating other devices and receiving responses thereto, and accessing and reading other devices or storage media. Further, an example of passive acquisition includes receiving information that is distributed (or sent, push notification, etc.). Furthermore, "obtaining” may mean selecting and obtaining data or information that has been received, or selecting and receiving distributed data or information.
  • FIG. 1 is a diagram showing an overview of a monitoring device 100 according to an embodiment.
  • the monitoring device 100 includes an input section 102, a generation section 104, and an output section 106.
  • the input unit 102 inputs past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions.
  • the generation unit 104 uses the transaction information, customer information, and account information input by the input unit 102 to generate fraudulent transaction information, which is information regarding fraudulent transactions, using the learned model.
  • the output unit 106 outputs the fraudulent transaction information generated by the generation unit 104.
  • the fraudulent transaction information includes at least one of an account-specific fraudulent transaction score and a customer-specific fraudulent transaction score.
  • the input unit 102 inputs past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions (step S101).
  • the generation unit 104 uses the transaction information, customer information, and account information input by the input unit 102 to generate fraudulent transaction information, which is information related to fraudulent transactions, using the learned model (step S103).
  • the output unit 106 outputs the fraudulent transaction information generated by the generation unit 104 (step S105).
  • the fraudulent transaction information includes at least one of the fraudulent transaction score by account and the fraudulent transaction score by customer.
  • the input unit 102 inputs past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions.
  • the generation unit 104 uses the transaction information, customer information, and account information input by the input unit 102 to generate fraudulent transaction information, which is information regarding fraudulent transactions, using the learned model.
  • the output unit 106 outputs the fraudulent transaction information generated by the generation unit 104.
  • the fraudulent transaction information includes at least one of the fraudulent transaction score by account and the fraudulent transaction score by customer.
  • the monitoring device 100 solves the problem that fraudulent financial transactions cannot be detected on a transaction-by-transaction basis, and provides a monitoring system, a monitoring device, and a monitoring method that can detect fraudulent financial transactions on an account-by-account or customer-by-customer basis. and a recording medium.
  • monitoring device 100 A detailed example of the monitoring device 100 will be described below.
  • FIG. 3 is a diagram conceptually showing the system configuration of the monitoring system 1 according to the embodiment.
  • the monitoring system 1 is a system that uses a monitoring device 100 to monitor financial transactions.
  • a monitoring system 1 and a monitoring device 100 are provided.
  • the monitoring device 100 monitors fraudulent financial transactions.
  • Monitoring device 100 is connected to financial transaction server 30 via communication network 3a.
  • the communication network 3a may be configured by combining a plurality of networks, but all of them are assumed to be secure networks against unauthorized access from the outside. Furthermore, the financial transaction server 30 is connected to a plurality of ATMs 20 via a communication network 3b.
  • the communication network 3b is a dedicated line for connecting to the financial transaction server 30, and is a network equipped with advanced security measures.
  • the monitoring device 100 has a storage device 120.
  • the storage device 120 stores various data input and processed by the monitoring device 100.
  • Monitoring device 100 further includes a storage device (not shown) that stores model 110.
  • Model 110 is a trained model for detecting fraud in financial transactions.
  • the storage device that stores the model 110 and the storage device 120 may be provided inside the monitoring device 100 or may be provided outside the monitoring device 100. That is, both the storage device of the model 110 and the storage device 120 may be hardware integrated with the monitoring device 100, or may be hardware separate from the monitoring device 100.
  • model 110 is generated by a model generation device 200 (or model generation device 300) of an embodiment described later.
  • the financial transaction server 30 may be provided for each financial institution, and manages information regarding financial transactions of the financial institution.
  • Financial transaction server 30 includes a storage device 40 that stores information regarding financial transactions of the financial institution.
  • the storage device 40 may be provided inside the financial transaction server 30 or may be provided externally. That is, the storage device 40 may be hardware integrated with the financial transaction server 30 or may be hardware separate from the financial transaction server 30.
  • Information regarding financial transactions at multiple ATMs 20 is transmitted via the communication network 3b to the financial transaction server 30 of the financial institution associated with the financial transaction, and is stored in the storage device 40.
  • the monitoring device 100 is realized by a personal computer or a server computer.
  • the financial transaction server 30 may be realized by a server computer or the like, but since the financial transaction server 30 is a system on the financial institution side, it is not particularly limited in the present invention.
  • the monitoring system 1 may include an operation terminal 10.
  • the operation terminal 10 is connected to the monitoring device 100 via the communication network 3a.
  • the operating terminal 10 is a terminal used by a person in charge of a financial institution or an institution that monitors financial transactions.
  • the operating terminal 10 is a personal computer or the like.
  • the monitoring device 100 can cause the operating terminal 10 to output monitoring results of financial transactions by the monitoring device 100, such as detection results of fraudulent transactions.
  • FIG. 4 is a block diagram illustrating the hardware configuration of computer 1000 that implements monitoring device 100. Financial transaction server 30 and operation terminal 10 in FIG. 3 are also realized by computer 1000.
  • Computer 1000 has a bus 1010, a processor 1020, a memory 1030, a storage device 1040, an input/output interface 1050, and a network interface 1060.
  • the bus 1010 is a data transmission path through which the processor 1020, memory 1030, storage device 1040, input/output interface 1050, and network interface 1060 exchange data with each other.
  • the method of connecting the processors 1020 and the like to each other is not limited to bus connection.
  • the processor 1020 is a processor implemented by a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), or the like.
  • the memory 1030 is a main storage device implemented by RAM (Random Access Memory) or the like.
  • the storage device 1040 is an auxiliary storage device realized by a HDD (Hard Disk Drive), an SSD (Solid State Drive), a memory card, a ROM (Read Only Memory), or the like.
  • the storage device 1040 stores each function of the monitoring device 100 (for example, the input unit 102, generation unit 104, output unit 106, etc. in FIG. 1), or each function of the model generation device 200 (for example, the secondary information in FIG. 11), which will be described later.
  • the program module that implements the generation unit 308, etc.) is stored therein. When the processor 1020 reads each of these program modules onto the memory 1030 and executes them, each function corresponding to the program module is realized.
  • the storage device 1040 stores each data in the storage device 120 of the monitoring device 100, the storage device of the model 110 of the monitoring device 100, the model generation device 200, and the model generation device 300, and the storage device 40 of the financial transaction server 30. may also be memorized.
  • the program module may be recorded on a recording medium.
  • the recording medium that records the program module includes a non-transitory tangible medium usable by the computer 1000, and a program code readable by the computer 1000 (processor 1020) may be embedded in the medium.
  • the input/output interface 1050 is an interface for connecting the computer 1000 and various input/output devices.
  • the input/output interface 1050 also functions as a communication interface that performs short-range wireless communication such as Bluetooth (registered trademark) and NFC (Near Field Communication).
  • the network interface 1060 is an interface for connecting the computer 1000 to a communication network.
  • This communication network is, for example, a LAN (Local Area Network) or a WAN (Wide Area Network).
  • the method by which the network interface 1060 connects to the communication network may be a wireless connection or a wired connection.
  • the computer 1000 connects necessary equipment (for example, the display of the monitoring device 100 or the operation terminal 10, the operation unit (keyboard, mouse, touch panel, touch pad, etc.), speakers, microphone, printer, etc.).
  • necessary equipment for example, the display of the monitoring device 100 or the operation terminal 10, the operation unit (keyboard, mouse, touch panel, touch pad, etc.), speakers, microphone, printer, etc.).
  • Each component of the monitoring device 100 of each embodiment of FIG. 1, the model generation device 200 of each embodiment of FIGS. 11 and 15, and the model generation device 300 of FIG. 21 is the hardware and software of the computer 1000 of FIG. realized by any combination of It will be understood by those skilled in the art that there are various modifications to the implementation method and device.
  • the functional block diagrams illustrating the monitoring device 100, model generation device 200, and model generation device 300 of each embodiment show blocks in logical functional units rather than configurations in hardware units.
  • the input unit 102 inputs past transaction information 400, customer information 410 that is information about the customer, and account information 420 that is information about the account in financial transactions.
  • FIG. 5 is a diagram showing an example data structure of transaction information 400.
  • the transaction information 400 includes, for each transaction, the store number (store code) of the store where the account is held, which can identify the account in which the transaction occurred, the account code indicating the account (savings deposit, checking account, etc.), and the account number.
  • the customer number of the customer who holds the account where the transaction occurred the transaction statement number that can identify the transaction
  • the transaction type of the transaction for example, type of cash withdrawal, transfer withdrawal, etc.
  • the transaction channel indicating the transaction channel for example, store counter, ATM, internet banking, etc.
  • the date transaction date
  • the time the transaction amount
  • the account where the transaction occurred including the balance after the transaction, the payable balance indicating the payment limit applied to the transaction account), the counterparty financial institution code, the counterparty store code, and the counterparty account number that can identify the account to which the transaction is to be remitted.
  • the counterparty financial institution code the counterparty store code
  • the counterparty account number that can identify the account to which the transaction
  • FIG. 6 is a diagram showing an example data structure of customer information 410.
  • the customer information 410 includes the store number (store code) of the store that holds the account where the transaction occurred included in the transaction information 400, the customer number of the customer who holds the account where the transaction occurred, and the personality of the customer (individual, corporate). , financial institution, public fund, sole proprietorship, etc.), the date of birth of the customer who holds the account, and the nationality of the customer who holds the account.
  • FIG. 7 is a diagram showing an example data structure of account information 420.
  • the account information 420 includes the store number (store code) of the store holding the account where the transaction included in the transaction information 400 occurred, the account code indicating the item of the account (savings deposit, current account, etc.), and the account number of the account. , the customer number of the customer who holds the account, and the date on which the account was opened.
  • the timing at which the input unit 102 accepts the input of each piece of information may be, for example, at a predetermined timing between the end of business hours and the start of business for one day, or input for each day during business hours.
  • a predetermined number of days up to the previous business day (or a predetermined period) may be received at a predetermined timing, including a predetermined timing.
  • the information input by the input unit 102 is stored in the storage device 120 as transaction information 400, customer information 410, and account information 420, respectively.
  • the generation unit 104 uses the transaction information 400, customer information 410, and account information 420 input by the input unit 102 to generate fraudulent transaction information 430, which is information regarding fraudulent transactions, using the learned model 110. do.
  • the fraudulent transaction information 430 includes a score indicating a fraudulent transaction. As the score, at least one of scores for each transaction, each account, and each customer is generated. In particular, it is preferable that the fraudulent transaction information 430 includes at least one of a fraudulent transaction score for each account and a fraudulent transaction score for each customer.
  • the generated fraudulent transaction information 430 is stored in the storage device 120.
  • the score is at least one of a value indicating whether the transaction is fraudulent and a value indicating the probability that the transaction is fraudulent. For example, when expressed as a numerical value in the range of 0 to 100, the closer it is to 0, the higher the score is. , it may be shown that the possibility of fraud is lower, and the closer it is to 100, the higher the possibility of fraud is. Alternatively, the score may be positive or negative, with negative values indicating a higher probability of fraud and positive values indicating a lower probability of fraud. good.
  • the criteria for the fraudulent transaction score may vary depending on whether the account or customer where the transaction occurred is a corporation or an individual. For example, separate corporate transactions and individual transactions, and arrange the scores in descending order for each population. In this case, the scores when extracting a predetermined percentage (N%) of transactions from the top will be different values for corporations and individuals. The values obtained in this manner may be used as reference values for fraudulent transaction scores for corporations and individuals, respectively.
  • “Fraud in financial transactions” includes, for example, financial transactions with prohibited business partners and financial transactions for fraudulent purposes.
  • An example of such a transaction is a financial transaction for the purpose of money laundering or financing terrorism.
  • accounts in other people's names may be purchased and used for fraudulent transactions.
  • the status of deposits and withdrawals may change suddenly before and after the account is bought or sold.
  • the amount of deposits and withdrawals suddenly increases, or the number of deposits and withdrawals suddenly increases.
  • accounts used for fraudulent transactions have characteristics such as repeated deposits and withdrawals within a short period of time.
  • the monitoring device 100 uses a learned model that has learned and modeled the characteristics of such fraudulent transactions to predict the presence or absence of fraud in financial transactions and scores it.
  • Learning here includes machine learning, deep learning, etc.
  • FIG. 8 is a diagram showing an example data structure of each fraudulent transaction score.
  • FIG. 8(a) shows a data structure example of fraudulent transaction information 430 by transaction
  • FIG. 8(b) shows fraudulent transaction information 430 by account
  • FIG. 8(c) shows a data structure example of fraudulent transaction information 430 by customer. It shows.
  • the fraudulent transaction information 430 for each transaction in FIG. 8(a) at least a transaction detail number that can identify the transaction and a fraudulent transaction score are linked.
  • the fraudulent transaction information 430 for each transaction further includes the store number of the store that holds the account where the transaction occurred, the account code of the account, the account number of the account, and the customer number of the customer who holds the account. It may further include.
  • the fraudulent transaction information 430 for each account may further include the store number of the store that holds the account where the transaction occurred, the account code of the account, and the customer number of the customer that holds the account.
  • the fraudulent transaction information 430 for each customer in FIG. 8(c) at least the customer number of the customer who holds the account in which the transaction occurred and the fraudulent transaction score are linked.
  • the fraudulent transaction information 430 for each customer may further include the store number of the store that holds the account in which the transaction occurred, the account code of the account, and the account number of the account.
  • the customers whose customer numbers match those of the customers who hold the account where the transaction occurred are considered to be the same person.
  • customer attributes such as the customer's date of birth and nationality.
  • all or at least some of them match it may be specified that the transactions are related to the same customer.
  • all or at least part of information such as not only the customer number of the customer who holds the account, but also other customer attributes, such as the customer's date of birth and nationality, may be When they match, it may be specified that the accounts are related to the same customer.
  • the output unit 106 outputs the fraudulent transaction information 430 generated by the generation unit 104.
  • the output unit 106 may display a screen 500 showing the fraudulent transaction information 430 on the display of the monitoring device 100 or the display of the operation terminal 10.
  • the operating terminal 10 is given authority to use the monitoring system 1 in advance, and the person in charge of using the operating terminal 10 has account information (for example, user name and password) for logging into the monitoring system 1. Obtain it in advance. Further, an application program for using the services provided by the monitoring system 1 is installed in advance on the operation terminal 10, and after starting the program, by logging into the monitoring system 1 using account information, Screen 500 can be displayed by selecting "View fraudulent transaction information 430" from the menu screen of monitoring system 1.
  • account information for example, user name and password
  • FIG. 9 is a diagram showing an example of an output screen 500 of each fraudulent transaction information 430.
  • FIG. 9A is an output screen 500 of fraudulent transaction information 430 for each transaction, and for example, information regarding transactions having a score equal to or higher than a threshold value is output as a list.
  • the list includes, for example, at least transaction statement numbers of transactions with scores equal to or higher than a threshold value and fraudulent transaction score values.
  • the list may further include the account number of the account where the transaction occurred and the customer number of the customer who holds the account, and may further include the other party's account number, the other party's customer number, etc. Further, the risks may be sorted in descending order of fraudulent transaction score.
  • FIG. 9(b) is an output screen 500 of fraudulent transaction information 430 for each account, and includes, for example, at least the account number of an account having a score equal to or higher than a threshold value and the value of the fraudulent transaction score.
  • the list may further include the customer number of the customer who holds the account, the store number of the store where the account is held, and the like. Further, the risks may be sorted in descending order of fraudulent transaction score.
  • FIG. 9(c) is an output screen 500 of fraudulent transaction information 430 for each customer, and includes, for example, at least the customer number of a customer with a score equal to or higher than a threshold value and the value of the fraudulent transaction score.
  • the list may further include the account number of the account held by the customer and the store number of the store that holds the account. Further, the risks may be sorted in descending order of fraudulent transaction score.
  • the output unit 106 outputs basis information that is the basis for generating each piece of fraudulent transaction information 430.
  • FIG. 10 is a diagram showing an example of the basis information output screen 510.
  • FIG. 10A shows an example of a basis information output screen 510 that includes basis information of the fraudulent transaction information 430 for each account.
  • This basis information output screen 510 includes a fraudulent transaction account information display section 512 that displays the account number of the account for which the fraudulent transaction score for each account is equal to or higher than the threshold value, and a score that displays the value of the fraudulent transaction score for each account. It includes a display section 514, a basis information display section 516 that displays basis information that is the basis of the fraud, and a source information display section 518 that displays the information that is the source of the basis information.
  • basis information indicating that the number of transactions in the account has rapidly increased since February 2022 is displayed in the basis information display section 516.
  • FIG. 10(b) shows an example of a basis information output screen 510 that includes basis information of the fraudulent transaction information 430.
  • This basis information output screen 510 displays the customer number of the customer, information on at least one account held by the customer, for example, the store number of the account, and the account number of the customer whose fraudulent transaction score for each customer is equal to or higher than the threshold value. and an account number, in place of the fraudulent transaction account information display section 512 of the basis information output screen 510 in FIG. 10A, and a score display section 514, It includes a basis information display section 516 and an original information display section 518.
  • basis information indicating that the transaction amount in the account held by the customer has increased rapidly since February 2022 is displayed in the basis information display section 516.
  • the output unit 106 outputs the basis information that is the basis for generating each piece of fraudulent transaction information 430, so that the person in charge can check the validity of the judgment regarding the transaction that is output as suspected of being a fraudulent transaction. This can be confirmed concretely. Therefore, the burden of confirmation work on the person in charge can be reduced.
  • the input unit 102 inputs past transaction information 400, customer information 410 that is information about the customer, and account information 420 that is information about the account in a financial transaction at a predetermined timing (step S101).
  • the input transaction information 400, customer information 410, and account information 420 are stored in the storage device 120.
  • the generation unit 104 uses the transaction information 400, customer information 410, and account information 420 input by the input unit 102, the generation unit 104 generates fraudulent transaction information 430, which is information related to fraudulent transactions, using the learned model 110. is generated (step S103).
  • the fraudulent transaction information 430 includes at least one of fraudulent transaction information 430 by customer and fraudulent transaction information 430 by account.
  • the fraudulent transaction information 430 may further include fraudulent transaction information 430 for each transaction.
  • Each fraudulent transaction information 430 is stored in the storage device 120.
  • the output unit 106 outputs the fraudulent transaction information 430 generated by the generation unit 104 (step S105).
  • the output unit 106 causes the display of the operation terminal 10 to display at least one screen 500 of FIGS. 9(a) to 9(c), for example. Further, the output unit 106 may cause the display of the operation terminal 10 to display at least one of the basis information output screens 510 shown in FIG. 10(a) and FIG. 10(b).
  • the output unit 106 when the output unit 106 receives an operation to select the account number column while displaying the screen 500 in FIG. The screen may be moved to the basis information output screen 510 of the fraudulent transaction information 430 for each account in a). Similarly, when the output unit 106 receives a selection operation for the customer number column while displaying the screen 500 in FIG. The screen may be shifted to the basis information output screen 510 of the fraudulent transaction information 430 for each customer in (b).
  • the monitoring device 100 includes the input section 102, the generation section 104, and the output section 106.
  • the input unit 102 inputs past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions.
  • the generation unit 104 uses the transaction information, customer information, and account information input by the input unit 102 and uses the learned model 110 to generate fraudulent transaction information that is information regarding fraudulent transactions.
  • the output unit 106 outputs the fraudulent transaction information generated by the generation unit 104.
  • the fraudulent transaction information includes at least one of a fraudulent transaction score for each account and a fraudulent transaction score for each customer.
  • the monitoring device 100 solves the problem that fraudulent financial transactions cannot be detected on a transaction-by-transaction basis, and can detect fraudulent financial transactions on an account-by-account or customer-by-customer basis.
  • the fraudulent transaction information can include fraudulent transaction information 430 for each transaction, it is possible to detect fraudulent financial transactions without omission.
  • FIG. 11 is a diagram showing an overview of the model generation device 200 according to the embodiment.
  • the model generation device 200 of this embodiment generates the learned model 110 used by the monitoring device 100 of FIG. 1. First, an example of the minimum configuration of the model generation device 200 will be described.
  • the model generation device 200 includes a secondary information generation section 202 and a model generation section 204.
  • the secondary information generation unit 202 generates secondary information that contributes to improving the performance of the model 110 for detecting fraudulent transactions in financial transactions.
  • the model generation unit 204 generates the model 110 using the secondary information generated by the secondary information generation unit 202.
  • FIG. 12 is a flowchart showing an example of the operation of the model generation device 200 of this embodiment.
  • the secondary information generation unit 202 generates secondary information that contributes to improving the performance of the model 110 for detecting fraudulent transactions in financial transactions (step S201).
  • the model generation unit 204 then generates the model 110 using the secondary information generated by the secondary information generation unit 202 (step S203).
  • This model generation device 200 includes a secondary information generation section 202 and a model generation section 204.
  • the secondary information generation unit 202 generates secondary information that contributes to improving the performance of the model 110 for detecting fraudulent transactions in financial transactions.
  • the model generation unit 204 generates the model 110 using the secondary information generated by the secondary information generation unit 202.
  • the model generation device 200 can generate a high-performance model 110 that meets the purpose of detecting fraud in financial transactions.
  • model generation device 200 A detailed example of the model generation device 200 will be described below.
  • FIG. 13 is a diagram conceptually showing the system configuration of the monitoring system 1 according to the embodiment.
  • the monitoring system 1 in FIG. 13 further includes a model generation device 200.
  • Model generation device 200 is connected to financial transaction server 30 via communication network 3a.
  • the configuration of this embodiment may be combined with at least one of the configurations of other embodiments to the extent that no contradiction occurs.
  • the model generation device 200 includes a storage device 220 and may also include a storage device (not shown) that stores the model 110.
  • the storage device for the model 110 and the storage device 220 may be provided inside the model generation device 200, or may be provided outside the model generation device 200. That is, both the storage device of the model 110 and the storage device 220 may be hardware integrated with the model generation device 200, or may be hardware separate from the model generation device 200.
  • the model generation device 200 is realized by a personal computer, a server computer, or the like.
  • the secondary information generation unit 202 generates secondary information that contributes to improving the performance of the model 110 for detecting fraudulent transactions in financial transactions.
  • the secondary information includes information that serves as an explanatory variable for a model 110 whose objective variables are the presence or absence of fraudulent transactions in financial transactions and the likelihood of fraudulent transactions. For example, as described above, accounts used for fraudulent transactions are characterized by repeated deposits and withdrawals within a short period of time. Therefore, secondary information includes information such as the time difference between deposits and withdrawals, which indicates transactions characterized by repeated deposits and withdrawals in a short period of time, the number of deposits per day, and the number of withdrawals per day. generate.
  • the model generation unit 204 generates the model 110 based on the secondary information generated as an explanatory variable of the model 110 whose objective variables are the presence or absence of fraud in financial transactions and the probability that the transactions are fraudulent. The detection performance of fraudulent transactions can be improved.
  • the secondary information 440 includes intra-period transaction information 442 regarding transaction details for a predetermined period.
  • FIG. 14 is a diagram showing a data example of intra-period transaction information 442, which is an example of the secondary information 440.
  • the intra-period transaction information 442 is, for example, an example of the number of days in a predetermined period, and includes the number of days that have passed since the previous processing date regarding transaction information of a certain account or a certain customer, and the following information within the period.
  • the processing date is the date on which the processing to generate the secondary information 440 was performed.
  • the intra-period transaction information 442 includes the deposit/withdrawal time difference indicating the time (minutes) from the deposit time to the withdrawal time, the number of deposits per day, the number of withdrawals per day, the number of deposits per month, and the number of withdrawals per month. , total daily deposit amount, daily cumulative withdrawal amount, minimum deposit amount per month, minimum withdrawal amount per month, maximum deposit amount per month, maximum withdrawal amount per month, and 1 It includes at least one such as the difference between daily deposits and withdrawals.
  • the model generation unit 204 generates a model using the secondary information 440 generated by the secondary information generation unit 202.
  • a model is generated using secondary information 440 including intra-period transaction information 442.
  • the model 110 is a model that detects the presence or absence of fraudulent financial transactions and the probability that the transactions are fraudulent. That is, the secondary information 440 includes information that serves as explanatory variables for effectively learning fraudulent patterns of financial transactions.
  • the secondary information 440 may be various in addition to the above, and variations thereof will be explained in detail in the embodiments to be described later.
  • the secondary information generation unit 202 generates secondary information 440 that contributes to improving the performance of a model for detecting fraudulent transactions in financial transactions (step S201).
  • the secondary information generation unit 202 generates intra-period transaction information 442 shown in FIG. 14 as the secondary information 440, for example.
  • the secondary information generation unit 202 can generate intra-period transaction information 442 using, for example, the transaction information 400 (FIG. 5) described in the above embodiment.
  • the model generation unit 204 generates the model 110 using the secondary information 440 generated by the secondary information generation unit 202 in step S201 (step S203). Since the model 110 is generated using intra-period transaction information 442 that indicates characteristics of transaction patterns of fraudulent transactions, the performance of detecting fraud in financial transactions using this model 110 can be improved.
  • the model generation device 200 includes the secondary information generation section 202 and the model generation section 204.
  • the secondary information generation unit 202 generates secondary information that contributes to improving the performance of the model 110 for detecting fraudulent transactions in financial transactions.
  • the model generation unit 204 generates the model 110 using the secondary information generated by the secondary information generation unit 202.
  • the model generation device 200 can generate a high-performance model 110 that meets the purpose of detecting fraud in financial transactions.
  • the secondary information 440 includes intra-period transaction information regarding the transaction details for a predetermined period, it becomes possible to detect events that are suspicious of fraud that cannot be detected from just one transaction. For example, cases where deposits and withdrawals are repeated frequently within a short period of time will be detected as fraudulent transactions.
  • FIG. 15 is a functional block diagram showing a logical configuration example of the model generation device 200 according to the embodiment. This embodiment is the same as the fourth embodiment except that it has a configuration for inputting primary information used to generate secondary information. Note that the configuration of this embodiment may be combined with at least one of the configurations of other embodiments to the extent that no contradiction occurs.
  • the model generation device 200 includes the same secondary information generation section 202 and model generation section 204 as the model generation device 200 of FIG. 11, and further includes an input section 206.
  • the input unit 206 inputs past transaction information 400, customer information 410 that is information about the customer, and account information 420 that is information about the account.
  • Secondary information generation section 202 generates secondary information 440 based on transaction information 400, customer information 410, and account information 420 input by input section 206.
  • the model generation unit 204 generates the model 110 using the transaction information 400, customer information 410, and account information 420 input by the input unit 206, and the secondary information 440 generated by the model generation unit 204. .
  • Transaction information 400, customer information 410, and account information 420 are the same as each information in FIGS. 5, 6, and 7 of the second embodiment.
  • the secondary information generation unit 202 generates secondary information 440 based on at least two of the transaction information 400, customer information 410, and account information 420 input by the input unit 206.
  • the model 110 learns the secondary information 440 that has more characteristics of a fraudulent transaction pattern. By using the model 110, the fraud detection performance of the model 110 can be improved.
  • the intra-period transaction information 442 of the secondary information 440 may include period-transaction partner information indicating whether or not a trading partner of a certain transaction is different from a group of trading partners for a predetermined period.
  • the intra-period transaction information 442 of the secondary information 440 may include period transaction difference information indicating how much a certain transaction content differs from a group of transaction details for a predetermined period.
  • FIG. 16 is a diagram showing an example of data of intra-period transaction information 442.
  • FIG. 16A shows an example of intra-period transaction information 442 indicating period transaction difference information.
  • This intra-period transaction information 442 is an example of the number of days in a predetermined period, and includes the number of days that have passed since the previous processing date regarding transaction information for a certain account, the average deposit amount per transaction in the period, and the deposit amount for a certain transaction. This includes at least one of the difference between the withdrawal amount and the average withdrawal amount per transaction during the period and the withdrawal amount of a certain transaction.
  • the model generation unit 204 makes the model 110 learn that, for example, if the difference between the average deposited amount per transaction and the average deposited amount is equal to or greater than a threshold value, the transaction is likely to be a fraudulent transaction.
  • this learned model 110 if the difference between the average deposit amount per transaction is equal to or more than a threshold value, it is determined that the transaction is likely to be a fraudulent transaction.
  • the fraud score shown can be output.
  • FIG. 16(b) shows an example of intra-period transaction information 442 indicating period customer information.
  • This intra-period transaction information 442 is an example of the number of days in a predetermined period for a certain account, and includes the number of days that have passed since the previous processing date regarding transaction information for a certain account, and the transaction partner of the account in the period, for example, the account Contains a flag indicating whether or not the transfer destinations include the same account (a flag indicating whether or not transfers are made to the same account). For example, if there is a transfer to the same account within a predetermined period, the flag may be set to 1, and if there is no transfer to the same account within the predetermined period, the flag may be set to 0. .
  • the model generation unit 204 determines that the transaction to the business partner in the account is a fraudulent transaction.
  • the model 110 is made to learn that there is a high possibility of.
  • the intra-period transaction information 442 is intra-period operation result information indicating the results of operations on the transaction device during a predetermined period.
  • the transaction device is an ATM 20.
  • the result of the operation of the transaction device may include, for example, the number of times the operation at the ATM 20 resulted in an error.
  • FIG. 17 is a diagram showing an example of data of intra-period transaction information 442 indicating intra-period operation result information.
  • This intra-period transaction information 442 includes the number of days that have passed since the previous processing date regarding transaction information for a certain account, which indicates the number of days in a predetermined period, the number of times per day that an operation at the ATM 20 resulted in an error during the period, and Contains at least one of the number of times in a month that an operation resulted in an error.
  • the model generation unit 204 learns in the model 110 that if the number of times an error occurs in an operation at the ATM 20 in a transaction of a certain account is greater than a threshold value, there is a high possibility that the account is being used for fraudulent transactions.
  • this trained model 110 if the number of times an error occurs in an operation at the ATM 20 is greater than a threshold value, the account may be used for fraudulent transactions. It is possible to output a fraud score indicating a high fraud score.
  • the secondary information 440 is location comparison information that indicates a comparison result of information indicating a location.
  • the information indicating the location is the location where the transaction took place; for example, if the transaction is at a store counter, it is the store number of the store; if the transaction is at the ATM 20, it is the store number of the store managing the ATM 20. .
  • the location comparison information compares the store number of the store where the transaction was made with the store number of the store that holds the account where the transaction was made, and can be indicated by a separate store processing flag indicating whether the store numbers are the same or different. In other words, if a transaction is made at a store different from the account's store, the separate store processing flag is set to 1, and if the transaction is performed at the same store as the account's store, the separate store processing flag is set to 0. .
  • FIG. 18 is a diagram showing an example data structure of secondary information 440 including location comparison information.
  • This secondary information 440 includes transaction identification information that can identify the transaction and a separate store processing flag for the transaction.
  • This secondary information 440 may further include information that can identify the account in which the transaction occurred (for example, the store number of the store that holds the account, the account code of the account, and the account number of the account). .
  • the model generation unit 204 makes the model 110 learn that, for example, if the separate store processing flag for a certain transaction is set to 1, the transaction is highly likely to be a fraudulent transaction. In the monitoring device 100 of the embodiment described above, when this learned model 110 is used, if the separate store processing flag for a certain transaction is set to 1, it indicates that the transaction is likely to be a fraudulent transaction. It is possible to output a fraudulent score.
  • the secondary information 440 may be transaction amount ratio information indicating the ratio of the transaction amount to a predetermined amount.
  • the predetermined amount is at least one of the following: the balance of the account in which the transaction occurred, the amount deposited per month (or the amount transferred from salary, etc.), and the average transaction amount per transaction in the previous month. It is one. If the ratio of the amount of a certain transaction to a predetermined amount exceeds a threshold value, the transaction is a fraudulent transaction.
  • FIG. 19 is a diagram showing an example data structure of secondary information 440 including transaction amount ratio information.
  • This secondary information 440 includes transaction identification information that can identify the transaction, and transaction amount ratio information of the transaction.
  • This secondary information 440 may further include information that can identify the account in which the transaction occurred (for example, the store number of the store that holds the account, the account code of the account, and the account number of the account). .
  • the model generation unit 204 makes the model 110 learn that, for example, if the ratio of the amount of a certain transaction to a predetermined amount exceeds a threshold value, the transaction is likely to be a fraudulent transaction. Then, in the monitoring device 100 of the embodiment described above, when the learned model 110 is used, if the percentage of the amount of a certain transaction exceeds a threshold value, a fraud score is output indicating that the transaction is highly likely to be a fraudulent transaction. can be done.
  • FIG. 20 is a flowchart illustrating an example of the operation of the model generation device 200 according to the embodiment.
  • the flow in FIG. 16 has the same steps S201 and S203 as the flow in FIG. 12, and further includes step S205 before step S201.
  • the input unit 206 inputs past transaction information 400, customer information 410 that is information about the customer, and account information 420 that is information about the account (step S205).
  • the secondary information generation unit 202 generates secondary information 440 based on the transaction information 400, customer information 410, and account information 420 input by the input unit 206 in step S205 (step S201).
  • the model generation unit 204 uses the transaction information 400, customer information 410, and account information 420 input by the input unit 206 in step S205, and the secondary information 440 generated by the model generation unit 204 in step S201.
  • a model 110 is generated (step S203).
  • the model generation device 200 includes the input unit 206 in addition to the configuration of the above embodiment.
  • the input unit 206 inputs past transaction information 400, customer information 410 that is information about the customer, and account information 420 that is information about the account.
  • the secondary information generation unit 202 generates secondary information 440 based on the transaction information 400, customer information 410, and account information 420 input by the input unit 206, and the model generation unit 204
  • the model 110 is generated using the transaction information 400, customer information 410, and account information 420 inputted by the model generator 204, and the secondary information 440 generated by the model generator 204.
  • the model generation device 200 of this embodiment provides the same effects as the above embodiments, and also generates secondary data based on the input transaction information 400, customer information 410, and account information 420. Since the information 440 can be generated, the model 110 can be generated by generating the secondary information 440 that becomes an explanatory variable for effectively learning fraudulent patterns of various financial transactions. Therefore, the performance of detecting fraud in financial transactions using the generated model 110 can be further improved.
  • FIG. 21 is a diagram showing an overview of the model generation device 300 according to the embodiment.
  • the model generation device 200 of this embodiment is the same as the model generation device 200 of FIGS. 11 and 15 in that it generates a learned model used by the monitoring device 100 of FIG. 1.
  • the model generation device 300 of this embodiment differs from the model generation device 200 described above in that it has a configuration that generates the model 110 using a template when generating the model 110.
  • the model generation device 300 uses the template to facilitate the generation of the model 110 in the model generation device 200 and to improve the performance of fraud detection in financial transactions.
  • the configuration of this embodiment may be combined with at least one of the configurations of other embodiments to the extent that no contradiction occurs.
  • the model generation device 300 includes a template information acquisition section 302, an input information acquisition section 304, a control section 306, and a model generation section 308.
  • the template information acquisition unit 302 acquires template information used to generate the model 110 for detecting fraudulent transactions in financial transactions.
  • the template information includes input information item definition information that specifies each input information item used to generate the model 110, and specifies generation content of secondary information that contributes to improving the performance of the model 110 based on the input information. Contains secondary information generation definition information.
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information included in the template information.
  • the control unit 306 controls the generation content of secondary information according to the secondary information generation definition information included in the template information.
  • the model generation unit 308 generates the model 110 based on the controlled generation content of secondary information.
  • FIG. 22 is a flowchart illustrating an example of the operation of the model generation device 300 according to the embodiment.
  • the template information acquisition unit 302 acquires template information used to generate the model 110 for detecting fraudulent transactions in financial transactions (step S301).
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information included in the template information acquired in step S301 (step S303).
  • the control unit 306 controls the generation content of secondary information according to the secondary information generation definition information included in the template information acquired in step S301 (step S305).
  • the model generation unit 308 generates the model 110 based on the generation content of the secondary information controlled in step S305 (step S307).
  • This model generation device 300 includes a template information acquisition section 302, an input information acquisition section 304, a control section 306, and a model generation section 308.
  • the template information acquisition unit 302 acquires template information used to generate the model 110 for detecting fraudulent transactions in financial transactions.
  • the template information includes input information item definition information that specifies each input information item used to generate the model 110, and specifies generation content of secondary information that contributes to improving the performance of the model 110 based on the input information. Contains secondary information generation definition information.
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information included in the template information.
  • the control unit 306 controls the generation content of secondary information according to the secondary information generation definition information included in the template information.
  • the model generation unit 308 generates the model 110 based on the controlled generation content of secondary information.
  • this model generation device 300 it is possible to easily generate a high-performance model that meets the purpose of detecting fraud in financial transactions.
  • model generation device 300 A detailed example of the model generation device 300 will be described below.
  • FIG. 23 is a diagram conceptually showing the system configuration of the monitoring system 1 according to the embodiment.
  • the monitoring system 1 in FIG. 23 further includes a model generation device 300. That is, a model generation device 300 is provided in place of the model generation device 200 of the monitoring system 1 in FIG. Model generation device 300 is connected to financial transaction server 30 via communication network 3a.
  • the configuration of this embodiment may be combined with at least one of the configurations of other embodiments to the extent that no contradiction occurs.
  • the model generation device 300 includes a storage device 320 and may also include a storage device (not shown) that stores the model 110.
  • the storage device for the model 110 and the storage device 320 may be provided inside the model generation device 300, or may be provided outside the model generation device 300. That is, both the storage device for the model 110 and the storage device 320 may be hardware integrated with the model generation device 300, or may be hardware separate from the model generation device 300.
  • the model generation device 300 is realized by a personal computer, a server computer, or the like.
  • the model generation device 300 generates a model 110 that detects fraud in financial transactions.
  • the model generation device 300 acquires information from the financial transaction server 30 and uses it to generate the model 110.
  • the monitoring device 100 monitors financial transactions using the model 110 generated by the model generation device 300.
  • a program for generating the model 110 is installed on the computer 1000 that implements the model generation device 300.
  • Each function of each element of the model generation device 300 is realized by executing a program.
  • the operating terminal 10 may function as an operating terminal of the model generating device 300, and the model generating device 300 functions as a server connected to each operating terminal 10 via the communication network 3a, and the operating terminal 10 It may also function as a client terminal.
  • At least one of the model generation device 300 and the operation terminal 10 is given authority to use the monitoring system 1 in advance, and the person in charge of using the model generation device 300 and the operation terminal 10 acquires account information (for example, user name and password) for logging into the monitoring system 1 in advance.
  • account information for example, user name and password
  • an application program for using the services provided by the monitoring system 1 is installed in the model generation device 300 and the operation terminal 10 in advance, and after starting the program, the application program is used to access the monitoring system 1 using account information.
  • various operation screens can be displayed from the menu screen (not shown) of the monitoring system 1.
  • the operator can generate the model 110 by operating various screens.
  • FIG. 24 is a diagram showing the data structure of template information 380.
  • Template information 380 includes various information that defines template 360. Template information 380 of template 360 is stored in storage device 320.
  • the template information 380 includes input information item definition information 382 that specifies each input information item used to generate the model 110, and specifies the generation content of secondary information that contributes to improving the performance of the model 110 based on the input information.
  • secondary information generation definition information 384 specifies each input information item used to generate the model 110, and specifies the generation content of secondary information that contributes to improving the performance of the model 110 based on the input information.
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information 382 included in the template information 380.
  • the input information item definition information 382 specifies whether to input the input information.
  • FIG. 25 is a diagram showing an example of the import screen 520.
  • the import screen 520 includes a file specification list 522, an OK button 528, and a cancel button 529.
  • the file specification list 522 includes a column for the name of data to be imported and a column for specifying the file of the data.
  • the file specification column includes a file selection button 524 and a selected file display section 526.
  • the model generation device 300 receives the press of the file selection button 524, it can open a window that references the data folder and allow the operator to select a data file.
  • the selected data file name is displayed in the selected file display section 526.
  • model generation device 300 When the model generation device 300 receives the press of the OK button 528, it confirms the file designation of the import data and exits the menu. When the model generation device 300 receives the press of the cancel button 529, the model generation device 300 cancels the file specification of the import data and ends the menu.
  • FIG. 26 is a diagram showing an example of the input information selection screen 530.
  • an example of an input information selection screen 530 for selecting a data item (column in a record of one transaction) to be input from among data items of the transaction information 400 is shown.
  • the input information selection screen 530 can also be said to be a screen for accepting a selection to exclude data items that are not used for generating the model 110 from among the data items of the transaction information 400.
  • the input information selection screen 530 accepts a selection operation of a data item to be input acquired by the input information acquisition unit 304, generates input information item definition information 382, includes it in the template information 380, and stores it in the storage device 320. It's a screen.
  • the input information selection screen 530 includes an import definition information list 532, an import source data list 534, a back button 544, and a next button 548.
  • the import definition information list 532 and the import source data list 534 it is possible to map the input target data item and the import source data. It is assumed that the data items in the import definition information list 532 are already displayed in the same order as the data items in the import source data list 534.
  • the other list When an operation on the scroll bar of one list is accepted, the other list may be scrolled along with it, or it may not be scrolled together with it, or it may be possible to selectively set either operation. .
  • the model generation device 300 first imports the data items to be input (columns in the record of one transaction). After accepting the selection (by the operator) of a cell in the mapping column of the definition information list 532, the data item (original data) of the data file of the import source (source data list 534) corresponding to the selected data item is selected. The selection (by the operator) may be accepted and the data items of the import destination and the import source may be associated.
  • the import source data list 534 includes data names (column names in one transaction record) of each item of the import source data file (here, the data file "TON_INF.csv" specified for import as transaction information 400). (For example, store_num, sbj_cd, etc.) are displayed.
  • the model generation device 300 can accept the selection of the data item (column name in the record of one transaction) to be input by the input information acquisition unit 304 by pressing a cell in the import source data list 534 by the operator. can.
  • the cell of the selected data item is displayed as selected 538.
  • the selected display 538 is not particularly limited as long as it is a display method that notifies the operator that the data item has been selected, but for example, it may be used by changing the background color of the cell or changing the color of the text within the cell. or highlight the cell.
  • the input information selection screen 530 further includes a batch selection button 540 and a reflection button 542.
  • the model generation device 300 receives the press of the batch selection button 540, all the data items of the import source data files in the import source data list 534 are brought into the selected state at once, and the cells of all the data items are A selected display 538 is displayed. That is, by pressing the batch selection button 540, the operator can omit the selection operation for each data item described above. Further, it may be possible to cancel the selection of each cell for cells that have been selected all at once and have been pressed by the operator.
  • the model generation device 300 Upon receiving the press of the reflection button 542, the model generation device 300 maps the data item of the cell displayed as selected 538 in the import source data list 534 to the data item of the corresponding row of the import definition information list 532. , the data name will be displayed in each cell of the mapping column of the import definition information list 532.
  • the data name of the item selected in the import source data list 534 is displayed in the mapping column of the data item "store number” in the import definition information list 532 by pressing the reflect button 542. .
  • the example in this figure shows a state in which the top three data items are selected as input objects and mapped to the import definition information list 532.
  • the model generation device 300 When the model generation device 300 receives the press of the return button 544, the model generation device 300 cancels the data item selection operation accepted on the screen 530 (deletes the selected display 538) and returns to the menu screen.
  • the model generation device 300 Upon receiving the press of the next button 548, the model generation device 300 defines the data item selected in the import source data list 534 as an input target based on the mapping information reflected in the import definition information list 532.
  • the input information item definition information 382 is included in the template information 380 and stored in the storage device 320.
  • the input information selection screen 530 can similarly select and specify customer information 410 and account information 420, and store template information 380 including information defined in the input information item definition information 382 in the storage device 320. It can be memorized.
  • the input information acquisition unit 304 uses the input information item definition information 382 defined in this way to acquire input information corresponding to each item specified by the input information item definition information 382.
  • control unit 306 controls the generation content of the secondary information 440 according to the secondary information generation definition information 384 included in the template information.
  • the secondary information generation definition information 384 defines whether or not to generate the information for the purpose.
  • FIG. 27 is a diagram showing an example of the secondary information selection screen 550.
  • a secondary information selection screen 550 for selecting a data item (column within one record) to be used as an explanatory variable from among the data items of intra-period transaction information 442 in FIG. 14 in the secondary information 440 is shown.
  • An example is shown.
  • the secondary information selection screen 550 can also be said to be a screen for accepting a selection to exclude data items that are not used for generating the model 110 from among the data items of the secondary information 440.
  • the secondary information selection screen 550 accepts the selection operation of the data item of the secondary information 440 to be used as the generation content of the secondary information 440 controlled by the control unit 306, here, as an explanatory variable, and selects the secondary information generation definition information 384. This is a screen for generating template information 380 and storing it in the storage device 320.
  • the secondary information selection screen 550 includes a cancel button 536, a batch selection button 540, a reflection button 542, a return button 544, and a next button 548, which are the same as the input information selection screen 530 of FIG.
  • the secondary information selection screen 550 further includes an import definition information list 552 and an import source data list 554.
  • an import definition information list 552 and an import source data list 554 it is possible to map data items of the import source data list 554 to be imported as data items to be used as explanatory variables. It is assumed that the data items in the import definition information list 552 are already displayed in the same order as the data items in the import source data list 554.
  • the other list When an operation on the scroll bar of one list is accepted, the other list may be scrolled along with it, or it may not be scrolled together with it, or it may be possible to selectively set either operation. .
  • the model generation device 300 first imports the data items to be input (columns in the record of one transaction). After accepting the selection (by the operator) of a cell in the mapping column of the definition information list 552, the data item (original data) of the data file of the import source (source data list 554) corresponding to the selected data item is The selection (by the operator) may be accepted and the data items of the import destination and the import source may be associated.
  • the import source data list 554 includes data names (column names within one record) of each item of the import source data file (here, the data file "TON_P_INF.csv" specified for import as the secondary information 440). For example, date_num, depwdl_time_dif, etc.) are displayed.
  • the model generation device 300 accepts selection of a data item (column name within one record) to be generated as an explanatory variable from the secondary information 440 by pressing a cell in the import source data list 554 by the operator. I can do it.
  • the cell of the selected data item is displayed as selected 556.
  • the selected display 556 is not particularly limited as long as it notifies the operator that the data item has been selected. or highlight the cell.
  • the model generation device 300 When the model generation device 300 receives the press of the reflection button 542, the model generation device 300 maps the data item of the cell displayed as selected 556 in the import source data list 554 to the data item of the corresponding row of the import definition information list 552. , the data name will be displayed in each cell of the mapping column of the import definition information list 552.
  • the reflection button 542 when the reflection button 542 is pressed, the data name of the item selected in the import source data list 554, e.g. Appears in the mapping column.
  • the example in this figure shows a state in which four data items have been selected as targets for generating secondary information 440 and have been mapped to the import definition information list 552.
  • the model generation device 300 Upon receiving the press of the next button 548, the model generation device 300 generates secondary information that specifies the data item selected in the import source data list 554 based on the mapping information reflected in the import definition information list 552. Secondary information generation definition information 384 including item definition information is included in template information 380 and stored in storage device 320 .
  • the secondary information generation definition information 384 includes secondary information item definition information that specifies the item of the secondary information 440 to be generated.
  • the secondary information selection screen 550 allows you to select and specify other secondary information 440 in the same way, and template information 380 including information defined in the secondary information generation definition information 384 is stored in the storage device 320. can be memorized. Therefore, the secondary information item definition information of the secondary information generation definition information 384 may be information that defines data items for each data file indicating the different secondary information 440.
  • the control unit 306 controls the generation content of the secondary information 440 according to the secondary information generation definition information 384 defined in this way.
  • the model generation unit 308 generates the model 110 based on the generation content of the secondary information 440 controlled by the control unit 306. That is, the model 110 is generated using the secondary information 440 defined by the secondary information generation definition information 384.
  • This model generation device 300 includes a template information acquisition section 302, an input information acquisition section 304, a control section 306, and a model generation section 308.
  • the template information acquisition unit 302 acquires template information used to generate the model 110 for detecting fraudulent transactions in financial transactions.
  • the template information includes input information item definition information that specifies each input information item used to generate the model 110, and specifies generation content of secondary information that contributes to improving the performance of the model 110 based on the input information. Contains secondary information generation definition information.
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information included in the template information.
  • the control unit 306 controls the generation content of secondary information according to the secondary information generation definition information included in the template information.
  • the model generation unit 308 generates the model 110 based on the controlled generation content of secondary information.
  • this model generation device 300 it is possible to easily generate a high-performance model that meets the purpose of detecting fraud in financial transactions.
  • the model generation device 300 of this embodiment is configured to generate a model 110 by selecting template information 380 from template information 380 in which a plurality of different explanatory variables are defined. This is similar to the embodiment.
  • the model generation device 300 of this embodiment has the same configuration as that in FIG. 21, so it will be explained using FIG. 21.
  • the template information acquisition unit 302 acquires a plurality of template information items 380 that differ in at least one of the generation content of the secondary information 440 specified by the secondary information generation definition information 384 and the item specified by the input information item definition information 382. When an input to select one of them is accepted, the selected template information 380 is acquired.
  • the template information 380 in which at least one of the definition contents of the input information item definition information 382 and the secondary information generation definition information 384 defined in the model generation device 300 of the seventh embodiment differ may be stored with a name assigned to each template information 380. I can do it.
  • FIG. 28 is a diagram showing an example of the data structure of template information 380.
  • the template information 380 in FIG. 28 further includes a template ID for identifying the template 360 and a template name.
  • the template information 380 in which at least one of the input information item definition information 382 and the secondary information generation definition information 384 defined in the seventh embodiment is different includes the template ID, the template name, and the input information item definition information 382. , and the secondary information generation definition information 384 are stored in association with each other.
  • FIG. 29 is a diagram showing an example of the template selection screen 560.
  • the template selection screen 560 includes the same OK button 528 and cancel button 529 as in FIG. 25, and also includes a template list 562.
  • the template list 562 displays a list of template IDs and template names of the plurality of template information 380.
  • an analysis with different explanatory variables for detecting fraud in financial transactions depending on the generation content of the secondary information 440 specified by the secondary information generation definition information 384 (in the figure, the template name is "Analysis 1" or " A model 110 can be generated that can perform an analysis (denoted as "Analysis 2").
  • a template 360 whose template name includes "(full)" indicates that it does not exclude, but includes all data items of the secondary information 440, for example.
  • the row of the selected template 360 is displayed as selected 568.
  • the selected display 568 is not particularly limited as long as it notifies the operator that the template 360 has been selected. or highlight the cell.
  • the template selection screen 560 may include a search key input section (not shown) and a search button (not shown).
  • the model generation device 300 accepts at least a part of the template ID or template name of the template input into the search key input section as a search key, and searches the registered template information 380 to obtain template information. 380 may be displayed in the template list 562.
  • the model generation device 300 Upon receiving the press of the OK button 528, the model generation device 300 reads template information 380 of the selected template 360 from the storage device 320. The model generation device 300 generates the model 110 using the template information 380.
  • model generation unit 308 may further generate the model 110 based on the input information acquired by the input information acquisition unit 304.
  • FIG. 30 is a flowchart illustrating an example of the operation of the model generation device 300 according to the embodiment.
  • the flow in FIG. 30 has the same steps S301 to S307 as the flow in FIG. 23, and further includes step S321 before step S301.
  • the template information acquisition unit 302 receives an operator's operation to select the template 360 and press the OK button 528 on the template selection screen 560 of FIG. 29 (step S321). Upon receiving the press of the OK button 528, the template information acquisition unit 302 reads out and acquires the template information 380 of the template 360 displayed as selected 568 from the template list 562 from the storage device 320 (step S301). The processing after step S303 is the same as that in FIG. 23.
  • the template information 380 may further include algorithm definition information 386 that specifies the generation algorithm of the model 110.
  • the model generation unit 308 generates the model 110 based on the generation algorithm specified by the algorithm definition information 386.
  • FIG. 31 is a diagram showing an example data structure of template information 380.
  • Template information 380 in FIG. 31 includes algorithm definition information 386 in addition to the data items of template information 380 in FIG.
  • the generation algorithm specified by the algorithm definition information 386 may be, for example, heterogeneous mixture, logistic regression, multilayer perceptron, gradient boosting, etc., but other algorithms may be used.
  • the model generation device 300 may display an algorithm selection screen (not shown) on the display.
  • the algorithm selection screen includes a UI (User Interface) that accepts algorithm selection.
  • the model generation device 300 defines the selected algorithm in the algorithm definition information 386, includes it in the template information 380, and stores it in the storage device 320.
  • the template information 380 of the algorithm definition information 386 in which a different algorithm is defined may be stored in the storage device 320 as another template information 380 with a new template ID and template name.
  • the model generation unit 308 generates the model 110 based on the algorithm defined in the algorithm definition information 386.
  • the control unit 306 determines whether or not to generate the secondary information 440 according to the generation content of the secondary information 440 specified by the secondary information generation definition information 384, and when it is determined to generate the secondary information 440, the control unit 306 determines whether or not to generate the secondary information 440. Controls generation of next information 440.
  • the template The information 380 may include secondary information generation definition information 384. That is, if the generation content of the secondary information 440 is not defined on the secondary information selection screen 550 in FIG. 27, the template information 380 may not include the secondary information generation definition information 384.
  • the control unit 306 determines to control the generation of the secondary information 440 when the template information 380 includes the secondary information generation definition information 384, and when the template information 380 does not include the secondary information generation definition information 384, It may be determined that the generation of the secondary information 440 is not controlled.
  • the secondary information generation definition information 384 may include a flag indicating whether or not the generation content of the secondary information 440 has been defined on the secondary information selection screen 550 of FIG. 27.
  • the control unit 306 refers to the flag of the secondary information generation definition information 384, and determines that the generation of the secondary information 440 is to be controlled if the flag indicates that the generation content of the secondary information 440 has been defined. If the flag indicates that the generation content of the secondary information 440 has not been defined, it may be determined that the generation of the secondary information 440 is not controlled.
  • the control unit 306 determines whether or not to generate the secondary information 440 according to the generation content of the secondary information 440 specified by the secondary information generation definition information 384, and when it is determined not to generate the secondary information 440, There is no control to generate secondary information 440.
  • FIG. 32 is a flowchart showing a main part of an example of the operation of the model generation device 300 according to the embodiment.
  • the flow in FIG. 32 is executed after step S303 in FIG. 22 or FIG. 30 of the model generation device 300 of the above embodiment.
  • the input information acquisition unit 304 acquires input information corresponding to each item specified by the input information item definition information included in the template information acquired in step S301.
  • the control unit 306 determines whether or not to generate the secondary information 440 according to the generation content of the secondary information 440 specified by the secondary information generation definition information 384 (step S331).
  • step S331 the control unit 306 does not control the generation of the secondary information 440. That is, step S305 is bypassed and the process proceeds to step S307.
  • the model generation unit 308 generates the model 110 based on the input information acquired by the input information acquisition unit 304 in step S303, without generating the secondary information 440 (step S307).
  • step S331 the control unit 306 controls the generation of the secondary information 440. That is, the process advances to step S305, and the control unit 306 controls the content of secondary information generation according to the secondary information generation definition information included in the template information acquired in step S301. That is, the control unit 306 generates the secondary information 440.
  • the model generation unit 308 generates the model 110 using the secondary information 440 generated in step S305 (step S307). Note that even in this case, the model generation unit 308 may generate the model 110 based on the input information acquired by the input information acquisition unit 304 in step S303 in addition to the secondary information 440.
  • the template information acquisition unit 302 generates the secondary information 440 specified by the secondary information generation definition information 384 and the input information item definition information 382.
  • the selected template information 380 is acquired.
  • the model generation device 300 of this embodiment provides the same effects as the above embodiments, and also allows template information 380 to be selected from template information 380 in which a plurality of different explanatory variables are defined. Since the model 110 can be generated using the template information 380 prepared in advance, it is possible to appropriately select the template information 380 prepared in advance according to the detection target and efficiently detect fraud in financial transactions. Moreover, since it is possible to detect fraud in financial transactions using explanatory variables suitable for the detected content, it is possible to generate a model 110 that can further improve the performance of fraud detection.
  • the secondary information generation definition information 384 can also be defined using a logical expression such as a logical sum or a logical sum for multiple items of the secondary information 440. good.
  • Input means for inputting past transaction information, customer information that is information about the customer, and account information that is information about the account in financial transactions; a generation unit that uses the transaction information, the customer information, and the account information input by the input unit and uses a learned model to generate fraudulent transaction information that is information related to fraudulent transactions; output means for outputting the fraudulent transaction information generated by the generation means; has A monitoring system, wherein the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer. 5. 4. In the monitoring system described in The monitoring system, wherein the fraudulent transaction information further includes a fraudulent transaction score for each transaction. 6. 4. or 5. In the monitoring system described in The output means is a monitoring system that outputs basis information that is the basis for generating the fraudulent transaction information.
  • one or more computers In financial transactions, enter past transaction information, customer information that is information about the customer, and account information that is information about the account, Using the input transaction information, the customer information, and the account information, using a learned model to generate fraudulent transaction information that is information related to fraudulent transactions, Output the generated fraudulent transaction information,
  • the monitoring method wherein the fraudulent transaction information includes at least one of a fraudulent transaction score by account and a fraudulent transaction score by customer.
  • a monitoring method that outputs basis information that is the basis for generating the fraudulent transaction information.
  • the fraudulent transaction information includes at least one of an account-specific fraudulent transaction score and a customer-specific fraudulent transaction score, and the computer-readable recording medium stores a program. 14.
  • the fraudulent transaction information further includes a fraudulent transaction score for each transaction, and the computer-readable recording medium stores a program. 15. 13. or 14.
  • a computer-readable recording medium storing a program for outputting basis information that is the basis for generating the fraudulent transaction information in the outputting step.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

監視装置（１００）は、金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力部（１０２）と、入力部（１０２）によって入力された取引情報、顧客情報、および、口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成部（１０４）と、生成部（１０４）によって生成された不正取引情報を出力する出力部（１０６）と、を有し、不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む。

Description

監視システム、監視装置、監視方法および記録媒体
　本発明は、監視システム、監視装置、監視方法および記録媒体に関する。
　近年、金融取引において不正が疑われる取引は、増加傾向にある。このため、口座取引の監視を強化することが望まれている。
　口座取引の監視を行う取引モニタリングシステムの一例が特許文献１に記載されている。特許文献１のシステムは、取得手段と、算定手段と、決定手段とを備え、判断の難易度が高い場合は習熟度の高い担当者に判断させるなどすることにより、疑わしい取引か否かの判断が複雑であっても正確に判断するための支援をする。
　特許文献２に記載には、不正な金融取引を検知する不正金融取引検知プログラムが記載されている。特許文献２に記載のプログラムにおいて、新たに不正取引を検知する新規検知対象者の銀行口座における取引履歴に関する取引情報を取得する情報取得ステップと、予め取得した過去の検知対象者の銀行口座における取引履歴に関する参照用取引情報と、当該過去の検知対象者の不正取引の可能性との３段階以上の連関度を参照し、上記情報取得ステップにおいて取得した取引情報に基づき、上記新規検知対象者の不正取引の可能性を判定する判定ステップとをコンピュータに実行させている。
特開２０１９－６１５４８号公報 特開２０２１－１４４３５５号公報
　上述した特許文献に記載の技術においては、「疑わしい取引」や「不正金融取引」についてのスコアを算出し、不正な金融取引を取引単位で検知している。このため、上述した特許文献に記載の技術では、口座単位または顧客単位で金融取引の不正を検出することは想定されていなかった。これに対し、本発明者は、取引単位では検知できない金融取引の不正について、口座単位または顧客単位で金融取引の不正を検出することを検討した。
　本発明の目的の一例は、上述した課題を鑑み、取引単位では金融取引の不正が検知できないという問題を解決する監視システム、監視装置、監視方法および記録媒体を提供することにある。
　本発明の一態様によれば、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
を有し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視装置が提供される。
　本発明の一態様によれば、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
を有し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視システムが提供される。
　本発明の一態様によれば、
　１以上のコンピュータが、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力し、
　入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成し、
　生成された前記不正取引情報を出力し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視方法が提供される。
　本発明の一態様によれば、
　コンピュータに、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する手順、
　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する手順、
　前記生成手段によって生成された前記不正取引情報を出力する手順、を実行させるためのプログラムであり、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、プログラムを記憶したコンピュータで読み取り可能な記録媒体が提供される。
　なお、本発明の他の態様としては、上記一態様の方法を少なくとも１以上のコンピュータに実行させるプログラムであってもよいし、このようなプログラムを記録したコンピュータが読み取り可能な記録媒体であってもよい。この記録媒体は、非一時的な有形の媒体を含む。
　このコンピュータプログラムは、コンピュータにより実行されたとき、コンピュータに、監視装置上で、その監視方法を実施させるコンピュータプログラムコードを含む。
　なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
　また、本発明の各種の構成要素は、必ずしも個々に独立した存在である必要はなく、複数の構成要素が一個の部材として形成されていること、一つの構成要素が複数の部材で形成されていること、ある構成要素が他の構成要素の一部であること、ある構成要素の一部と他の構成要素の一部とが重複していること、等でもよい。
　また、本発明の方法およびコンピュータプログラムには複数の手順を順番に記載してあるが、その記載の順番は複数の手順を実行する順番を限定するものではない。このため、本発明の方法およびコンピュータプログラムを実施するときには、その複数の手順の順番は内容的に支障のない範囲で変更することができる。
　さらに、本発明の方法およびコンピュータプログラムの複数の手順は個々に相違するタイミングで実行されることに限定されない。このため、ある手順の実行中に他の手順が発生すること、ある手順の実行タイミングと他の手順の実行タイミングとの一部ないし全部が重複していること、等でもよい。
　本発明の一態様によれば、取引単位では金融取引の不正が検知できないという問題を解決する監視システム、監視装置、監視方法および記録媒体を得ることができる。
実施形態に係る監視装置の概要を示す図である。 本実施形態の監視装置の動作例を示すフローチャートである。 実施形態に係る監視システムのシステム構成を概念的に示す図である。 監視装置を実現するコンピュータのハードウェア構成を例示するブロック図である。 取引情報のデータ構造例を示す図である。 顧客情報のデータ構造例を示す図である。 口座情報のデータ構造例を示す図である。 不正取引スコアのデータ構造例を示す図である。 不正取引情報の出力画面の例を示す図である。 根拠情報出力画面の例を示す図である。 実施形態に係るモデル生成装置の概要を示す図である。 本実施形態のモデル生成装置の動作例を示すフローチャートである。 実施形態に係る監視システムのシステム構成を概念的に示す図である。 二次情報の一例である期間内取引情報のデータ例を示す図である。 実施形態のモデル生成装置の論理的な構成例を示す機能ブロック図である。 期間内取引情報のデータ例を示す図である。 期間内操作結果情報を示す期間内取引情報のデータ例を示す図である。 場所比較情報を含む二次情報のデータ構造例を示す図である。 取引金額割合情報を含む二次情報のデータ構造例を示す図である。 実施形態のモデル生成装置の動作例を示すフローチャートである。 実施形態に係るモデル生成装置の概要を示す図である。 実施形態のモデル生成装置の動作例を示すフローチャートである。 実施形態に係る監視システムのシステム構成を概念的に示す図である。 テンプレート情報のデータ構造を示す図である。 インポート画面の一例を示す図である。 入力情報選択画面の一例を示す図である。 二次情報選択画面の一例を示す図である。 テンプレート情報のデータ構造例を示す図である。 テンプレート選択画面の一例を示す図である。 実施形態のモデル生成装置の動作例を示すフローチャートである。 テンプレート情報のデータ構造例を示す図である。 実施形態のモデル生成装置の動作例の要部を示すフローチャートである。
　以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また、以下の各図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。
　実施形態において「取得」とは、自装置が他の装置や記憶媒体に格納されているデータまたは情報を取りに行くこと（能動的な取得）、および、自装置に他の装置から出力されるデータまたは情報を入力すること（受動的な取得）の少なくとも一方を含む。能動的な取得の例は、他の装置にリクエストまたは問い合わせしてその返信を受信すること、及び、他の装置や記憶媒体にアクセスして読み出すこと等がある。また、受動的な取得の例は、配信（または、送信、プッシュ通知等）される情報を受信すること等がある。さらに、「取得」とは、受信したデータまたは情報の中から選択して取得すること、または、配信されたデータまたは情報を選択して受信することであってもよい。
（第１実施形態）
＜最小構成例＞
　図１は、実施形態に係る監視装置１００の概要を示す図である。監視装置１００は、入力部１０２と、生成部１０４と、出力部１０６と、を備える。
　入力部１０２は、金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する。
　生成部１０４は、入力部１０２によって入力された取引情報、顧客情報、および、口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する。
　出力部１０６は、生成部１０４によって生成された不正取引情報を出力する。
　不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む。
＜動作例＞
　図２は、本実施形態の監視装置１００の動作例を示すフローチャートである。
　まず、入力部１０２は、金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する（ステップＳ１０１）。そして、生成部１０４は、入力部１０２によって入力された取引情報、顧客情報、および、口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する（ステップＳ１０３）。出力部１０６は、生成部１０４によって生成された不正取引情報を出力する（ステップＳ１０５）。ここで、不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む。
　この監視装置１００において、入力部１０２は、金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する。生成部１０４は、入力部１０２によって入力された取引情報、顧客情報、および、口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する。出力部１０６は、生成部１０４によって生成された不正取引情報を出力する。そして、不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む。
　このように監視装置１００によれば、取引単位では金融取引の不正が検知できないという問題を解決し、口座単位または顧客単位で金融取引の不正を検出することができる監視システム、監視装置、監視方法および記録媒体を得ることができる。
　以下、監視装置１００の詳細例について説明する。
（第２実施形態）
＜システム概要＞
　図３は、実施形態に係る監視システム１のシステム構成を概念的に示す図である。
　監視システム１は、監視装置１００を用いて金融取引を監視するシステムである。
　監視システム１、監視装置１００を備える。監視装置１００は、金融取引の不正を監視する。監視装置１００は、金融取引サーバ３０と通信ネットワーク３ａを介して接続される。
　通信ネットワーク３ａは、複数のネットワークを組み合わせて構成されてよいが、いずれも外部からの不正アクセスに対してセキュアなネットワークであるものとする。さらに、金融取引サーバ３０は、複数のＡＴＭ２０と通信ネットワーク３ｂを介して接続されている。通信ネットワーク３ｂは、金融取引サーバ３０と接続するための専用の回線であり、高度なセキュリティ対策が施されているネットワークである。
　監視装置１００は、記憶装置１２０を有する。記憶装置１２０は、監視装置１００が入力および処理する各種データを記憶する。監視装置１００は、モデル１１０を記憶する記憶装置（不図示）をさらに有する。モデル１１０は、金融取引の不正を検出するための学習済みモデルである。モデル１１０を記憶する記憶装置および記憶装置１２０は、監視装置１００の内部に設けられてもよいし、外部に設けられてもよい。つまり、モデル１１０の記憶装置および記憶装置１２０いずれも、監視装置１００と一体のハードウェアであってもよいし、監視装置１００とは別体のハードウェアであってもよい。
　また、モデル１１０は、後述する実施形態のモデル生成装置２００（またはモデル生成装置３００）により生成される。
　金融取引サーバ３０は、金融機関毎に設けられていてよく、当該金融機関の金融取引に関する情報を管理する。金融取引サーバ３０は、当該金融機関の金融取引に関する情報を記憶する記憶装置４０を含む。記憶装置４０は、金融取引サーバ３０の内部に設けられてもよいし、外部に設けられてもよい。つまり、記憶装置４０は、金融取引サーバ３０と一体のハードウェアであってもよいし、金融取引サーバ３０とは別体のハードウェアであってもよい。
　複数のＡＴＭ２０における金融取引に関する情報は、通信ネットワーク３ｂを介して、当該金融取引に関連する金融機関の金融取引サーバ３０に送信され、記憶装置４０に記憶される。
　監視装置１００は、パーソナルコンピュータやサーバコンピュータにより実現される。金融取引サーバ３０は、サーバコンピュータなどにより実現されてもよいが、金融取引サーバ３０は、金融機関側のシステムであるため、本発明では特に限定されない。
　さらに、監視システム１は、操作端末１０を備えてもよい。操作端末１０は、監視装置１００と通信ネットワーク３ａを介して接続される。操作端末１０は、金融機関または金融取引を監視する機関の担当者が使用する端末である。操作端末１０は、パーソナルコンピュータなどである。監視装置１００は、操作端末１０に、監視装置１００における金融取引の監視結果、例えば、不正取引の検出結果などを出力させることができる。
＜ハードウェア構成例＞
　図４は、監視装置１００を実現するコンピュータ１０００のハードウェア構成を例示するブロック図である。図３の金融取引サーバ３０、および操作端末１０も、コンピュータ１０００によって実現される。
　コンピュータ１０００は、バス１０１０、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、およびネットワークインタフェース１０６０を有する。
　バス１０１０は、プロセッサ１０２０、メモリ１０３０、ストレージデバイス１０４０、入出力インタフェース１０５０、およびネットワークインタフェース１０６０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０２０などを互いに接続する方法は、バス接続に限定されない。
　プロセッサ１０２０は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などで実現されるプロセッサである。
　メモリ１０３０は、ＲＡＭ（Random Access Memory）などで実現される主記憶装置である。
　ストレージデバイス１０４０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などで実現される補助記憶装置である。ストレージデバイス１０４０は監視装置１００の各機能（例えば、図１の入力部１０２、生成部１０４、出力部１０６など）、あるいは、後述するモデル生成装置２００の各機能（例えば、図１１の二次情報生成部２０２、モデル生成部２０４、図１５の入力部２０６など）、後述するモデル生成装置３００の各機能（例えば、図２１のテンプレート情報取得部３０２、入力情報取得部３０４、制御部３０６、モデル生成部３０８など）を実現するプログラムモジュールを記憶している。プロセッサ１０２０がこれら各プログラムモジュールをメモリ１０３０上に読み込んで実行することで、そのプログラムモジュールに対応する各機能が実現される。また、ストレージデバイス１０４０は監視装置１００の記憶装置１２０と、監視装置１００、モデル生成装置２００、およびモデル生成装置３００のモデル１１０の記憶装置と、金融取引サーバ３０の記憶装置４０と、の各データも記憶してもよい。
　プログラムモジュールは、記録媒体に記録されてもよい。プログラムモジュールを記録する記録媒体は、非一時的な有形のコンピュータ１０００が使用可能な媒体を含み、その媒体に、コンピュータ１０００（プロセッサ１０２０）が読み取り可能なプログラムコードが埋め込まれてよい。
　入出力インタフェース１０５０は、コンピュータ１０００と各種入出力機器とを接続するためのインタフェースである。入出力インタフェース１０５０は、ブルートゥース（登録商標）、ＮＦＣ（Near Field Communication）などの近距離無線通信を行う通信インタフェースとしても機能する。
　ネットワークインタフェース１０６０は、コンピュータ１０００を通信ネットワークに接続するためのインタフェースである。この通信ネットワークは、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１０６０が通信ネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。
　そして、コンピュータ１０００は、入出力インタフェース１０５０またはネットワークインタフェース１０６０を介して、必要な機器（例えば、監視装置１００または操作端末１０のディスプレイ、操作部（キーボード、マウス、タッチパネル、タッチパッドなど）、スピーカ、マイクロフォン、プリンタ等）に接続する。
　図１の各実施形態の監視装置１００、図１１および図１５の各実施形態のモデル生成装置２００および、図２１のモデル生成装置３００の各構成要素は、図４のコンピュータ１０００のハードウェアとソフトウェアの任意の組合せによって実現される。そして、その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。各実施形態の監視装置１００、モデル生成装置２００およびモデル生成装置３００を示す機能ブロック図は、ハードウェア単位の構成ではなく、論理的な機能単位のブロックを示している。
＜機能構成例＞
　以下、実施形態の監視装置１００の機能構成例について図１を用いて説明する。
　入力部１０２は、金融取引における、過去の取引情報４００、顧客に関する情報である顧客情報４１０、および、口座に関する情報である口座情報４２０を入力する。
　図５は、取引情報４００のデータ構造例を示す図である。
　取引情報４００は、例えば、取引毎に、当該取引が発生した口座を特定可能な、口座の保有店の店番（店舗コード）、科目（普通預金、当座預金など）を示す科目コード、および口座番号と、当該取引が発生した口座を保有する顧客の顧客番号と、当該取引を特定可能な取引明細番号と、当該取引の取引種別（例えば、現金出金、振込出金などの種別）と、当該取引のチャネル（例えば、店舗窓口、ＡＴＭ、インターネットバンキングなど）を示す取引チャネルと、当該取引を実施した日付（取引日）と、その時刻と、当該取引の取引金額と、当該取引が発生した口座の取引後残高と、取引口座に適用される支払限度額を示す支払可能残高）と、当該取引の送金先の口座を特定可能な相手金融機関コード、相手店舗コード、および相手口座番号とを含む。
　図６は、顧客情報４１０のデータ構造例を示す図である。
　顧客情報４１０は、取引情報４００に含まれる取引が発生した口座の保有店の店番（店舗コード）と、当該取引が発生した口座を保有する顧客の顧客番号と、当該顧客の人格（個人、法人、金融機関、公金、個人事業主など）を示す人格コード、当該口座を保有する顧客の生年月日、当該口座を保有する顧客の国籍などを含む。
　図７は、口座情報４２０のデータ構造例を示す図である。
　口座情報４２０は、取引情報４００に含まれる取引が発生した口座の保有店の店番（店舗コード）と、当該口座の科目（普通預金、当座預金など）を示す科目コードと、当該口座の口座番号と、当該口座を保有する顧客の顧客番号と、当該口座を開設した日付とを含む。
　入力部１０２が各情報の入力を受け付けるタイミングは、例えば、１日の営業時間の終了後から営業開始までの間の所定のタイミングに１日分単位で入力を受け付けてもよいし、営業時間内も含めた所定のタイミングで前営業日まで（または所定期間の）の所定日数分をまとめて受け付けてもよい。入力部１０２が入力した情報は、それぞれ取引情報４００、顧客情報４１０、および口座情報４２０として記憶装置１２０に記憶される。
　生成部１０４は、入力部１０２によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０を用いて、学習済みモデル１１０を使用して、不正取引に関する情報である不正取引情報４３０を生成する。
　不正取引情報４３０は、不正取引を示すスコアを含む。スコアは、取引別、口座別、および顧客別のスコアの少なくとも一つのスコアが生成される。特に、不正取引情報４３０は、口座別の不正取引スコアおよび顧客別の不正取引スコアの少なくとも一方を含むのが好ましい。生成された不正取引情報４３０は、記憶装置１２０に記憶される。
　スコアは、当該取引が不正であるか否かを示す値および不正であることの確からしさを示す値の少なくとも一方であり、例えば、０～１００の範囲の数値で示される場合、０に近い程、不正である可能性は低くなり、１００に近い程、不正である可能性が高くなることを示してもよい。あるいは、スコアは、正負の値を用いてもよく、負の値である場合、不正である可能性が高くなり、正の値である場合、不正である可能性は低くなることを示してもよい。
　不正取引スコアの基準は、当該取引が発生した口座または顧客が、法人か個人かによって変えてもよい。
　例えば、法人取引と個人取引を分けて、それぞれの母集団でスコアを降順に並べる。この場合、法人と個人で、上位から所定割合（Ｎ％）の取引を抽出する際のスコアは異なる値となる。このようにして得られる値を法人および個人の不正取引スコアの基準値としてそれぞれ用いてもよい。
　「金融取引における不正」とは、例えば、禁じられた取引先との金融取引や、不正を目的とした金融取引である。このような取引の一例は、資金洗浄（マネーロンダリング）やテロリズムに対する資金供与を目的とした金融取引である。このような取引においては、他人名義の口座を買い取り、不正な取引に利用することがある。そのような場合、口座が売買される前後において、入出金の状況が急変することがある。急に入出金額が増えたり、急に入出金回数が増えたりする。あるいは、不正取引に使用される口座は、入金と出金が短時間で繰り返されたりするなどの特徴を有している。
　監視装置１００は、このような不正取引の特徴を学習してモデル化した学習済みモデルを用いて金融取引における不正の有無を予測し、スコア化する。ここで「学習」とは、機械学習やディープラーニングなどを含む。
　図８は、各不正取引スコアのデータ構造例を示す図である。図８（ａ）は、取引別の不正取引情報４３０、図８（ｂ）は、口座別の不正取引情報４３０、図８（ｃ）は、顧客別の不正取引情報４３０のデータ構造例をそれぞれ示している。
　図８（ａ）の取引別の不正取引情報４３０は、当該取引を特定可能な取引明細番号と、不正取引スコアが少なくとも紐付けられている。取引別の不正取引情報４３０は、さらに、当該取引が発生した口座を保有する店舗の店番と、当該口座の科目コードと、当該口座の口座番号と、当該口座を保有している顧客の顧客番号とをさらに含んでもよい。
　図８（ｂ）の口座別の不正取引情報４３０は、当該取引が発生した口座の口座番号と、不正取引スコアが少なくとも紐付けられている。口座別の不正取引情報４３０は、さらに、当該取引が発生した口座を保有する店舗の店番と、当該口座の科目コードと、当該口座を保有している顧客の顧客番号とをさらに含んでもよい。
　図８（ｃ）の顧客別の不正取引情報４３０は、当該取引が発生した口座を保有する顧客の顧客番号と、不正取引スコアが少なくとも紐付けられている。顧客別の不正取引情報４３０は、さらに、当該取引が発生した口座を保有する店舗の店番と、当該口座の科目コードと、当該口座の口座番号とをさらに含んでもよい。
　顧客別の不正取引情報４３０を特定する際、取引が発生した口座を保有している顧客の顧客番号が一致する顧客を同一人物としている。ただし、顧客に関連する取引を特定する場合、当該取引が発生した口座を保有している顧客の顧客番号だけでなく、他の顧客の属性、例えば、顧客の生年月日や国籍などの情報のうち、全部または少なくとも一部が一致するときに、同一の顧客に関連する取引であると特定してもよい。あるいは、複数の口座のうち、当該口座を保有している顧客の顧客番号だけでなく、他の顧客の属性、例えば、顧客の生年月日や国籍などの情報のうち、全部または少なくとも一部が一致するときに同一の顧客に関連する口座であると特定してもよい。
　出力部１０６は、生成部１０４によって生成された不正取引情報４３０を出力する。例えば、出力部１０６は、監視装置１００のディスプレイ、あるいは、操作端末１０のディスプレイに不正取引情報４３０を示す画面５００を表示させてもよい。
　操作端末１０には、監視システム１を利用するための権限が予め付与されており、操作端末１０を使用する担当者は、監視システム１にログインするためのアカウント情報（例えば、ユーザ名およびパスワード）を予め取得しておく。また、操作端末１０には、予め当該監視システム１が提供するサービスを利用するためのアプリケーションプログラムがインストールされており、プログラムを起動した後、監視システム１にアカウント情報を用いてログインすることで、監視システム１のメニュー画面から「不正取引情報４３０の閲覧」を選択して画面５００を表示させることができる。
　図９は、各不正取引情報４３０の出力画面５００の例を示す図である。図９（ａ）は、取引別の不正取引情報４３０の出力画面５００であり、例えば、閾値以上のスコアを有する取引に関する情報をリストにして出力する。リストは、例えば、閾値以上のスコアを有する取引の取引明細番号と、不正取引スコアの値とを少なくとも含む。リストには、さらに、当該取引が発生した口座の口座番号と、当該口座を保有する顧客の顧客番号とを含んでもよいし、さらに、相手口座番号、相手顧客番号などを含んでもよい。また、当該リスクは、不正取引スコアが高い順にソートされてもよい。
　図９（ｂ）は、口座別の不正取引情報４３０の出力画面５００であり、例えば、閾値以上のスコアを有する口座の口座番号と、不正取引スコアの値とを少なくとも含む。リストには、さらに、当該口座を保有する顧客の顧客番号、当該口座を保有する店舗の店番などを含んでもよい。また、当該リスクは、不正取引スコアが高い順にソートされてもよい。
　図９（ｃ）は、顧客別の不正取引情報４３０の出力画面５００であり、例えば、閾値以上のスコアを有する顧客の顧客番号と、不正取引スコアの値とを少なくとも含む。リストは、さらに、当該顧客が保有する口座の口座番号と、当該口座を保有する店舗の店番とを含んでもよい。また、当該リスクは、不正取引スコアが高い順にソートされてもよい。
　さらに、出力部１０６は、各不正取引情報４３０を生成した根拠となる根拠情報を出力する。
　図１０は、根拠情報出力画面５１０の例を示す図である。図１０（ａ）は、口座別の不正取引情報４３０の根拠情報を含む根拠情報出力画面５１０の例を示している。この根拠情報出力画面５１０は、口座別の不正取引スコアが閾値以上の口座について、当該口座の口座番号を表示する不正取引口座情報表示部５１２と、口座別の不正取引スコアの値を表示するスコア表示部５１４と、当該不正の根拠となる根拠情報を表示する根拠情報表示部５１６と、当該根拠情報の元となる情報を表示する元情報表示部５１８と、を含む。
　この例では、２０２２年２月を境として、当該口座における取引回数が急増していることを示す根拠情報が根拠情報表示部５１６に表示されている。
　図１０（ｂ）は、不正取引情報４３０の根拠情報を含む根拠情報出力画面５１０の例を示している。この根拠情報出力画面５１０は、顧客別の不正取引スコアが閾値以上の顧客について、当該顧客の顧客番号と、当該顧客が保有している少なくとも一つの口座の情報、例えば、口座の店番と、科目と、口座番号とを含む顧客情報を表示する顧客情報表示部５１９を、図１０（ａ）の根拠情報出力画面５１０の不正取引口座情報表示部５１２の替わりに含むとともに、スコア表示部５１４と、根拠情報表示部５１６と、元情報表示部５１８と、を含む。
　この例では、２０２２年２月から、当該顧客の保有する口座における取引金額が急増していることを示す根拠情報が根拠情報表示部５１６に表示されている。
　このように、出力部１０６は、各不正取引情報４３０を生成した根拠となる根拠情報を出力するので、担当者は、不正取引の疑いがあるとして出力された取引について、その判断の妥当性を具体的に確認することができる。そのため担当者の確認作業の負担を低減できる。
＜動作例＞
　以下、実施形態の監視装置１００の動作例について図２を用いて説明する。
　まず、入力部１０２は、所定のタイミングで、金融取引における、過去の取引情報４００、顧客に関する情報である顧客情報４１０、および、口座に関する情報である口座情報４２０を入力する（ステップＳ１０１）。入力された取引情報４００、顧客情報４１０および口座情報４２０は、記憶装置１２０に記憶される。
　そして、生成部１０４は、入力部１０２によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０を用いて、学習済みモデル１１０を使用して、不正取引に関する情報である不正取引情報４３０を生成する（ステップＳ１０３）。不正取引情報４３０は、顧客別の不正取引情報４３０および口座別の不正取引情報４３０の少なくとも一方を含む。不正取引情報４３０は、さらに、取引別の不正取引情報４３０を含んでもよい。各不正取引情報４３０は、記憶装置１２０に記憶される。
　そして、出力部１０６は、生成部１０４によって生成された不正取引情報４３０を出力する（ステップＳ１０５）。出力部１０６は、例えば、操作端末１０のディスプレイに図９（ａ）～図９（ｃ）のうち少なくともいずれか１つの画面５００を表示させる。さらに、出力部１０６は、操作端末１０のディスプレイに図１０（ａ）および図１０（ｂ）の少なくとも一方の根拠情報出力画面５１０を表示させてもよい。
　例えば、出力部１０６は、図９（ｂ）の画面５００を操作端末１０のディスプレイに表示させているときに、口座番号のカラムの選択操作を受け付けると、表示画面を画面５００から、図１０（ａ）の口座別の不正取引情報４３０の根拠情報出力画面５１０に移行させてもよい。同様に、出力部１０６は、図９（ｃ）の画面５００を操作端末１０のディスプレイに表示させているときに、顧客番号のカラムの選択操作を受け付けると、表示画面を画面５００から、図１０（ｂ）の顧客別の不正取引情報４３０の根拠情報出力画面５１０に移行させてもよい。
　以上、本実施形態によれば、監視装置１００は、入力部１０２と、生成部１０４と、出力部１０６と、を備えている。入力部１０２は、金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する。生成部１０４は、入力部１０２によって入力された取引情報、顧客情報、および、口座情報を用いて、学習済みモデル１１０を使用して、不正取引に関する情報である不正取引情報を生成する。出力部１０６は、生成部１０４によって生成された不正取引情報を出力する。不正取引情報は、口座別の不正取引スコアおよび顧客別の不正取引スコアの少なくとも一方を含む。
　このように監視装置１００によれば、取引単位では金融取引の不正が検知できないという問題を解決し、口座単位または顧客単位で金融取引の不正を検出することができる。
　また、不正取引情報は、取引別の不正取引情報４３０を含むこともできるので、漏れなく金融取引の不正を検知できる。
（第３実施形態）
　図１１は、実施形態に係るモデル生成装置２００の概要を示す図である。本実施形態のモデル生成装置２００は、図１の監視装置１００が使用する学習済みモデル１１０を生成する。はじめに、モデル生成装置２００の最小構成例について説明する。
＜最小構成例＞
　モデル生成装置２００は、二次情報生成部２０２と、モデル生成部２０４と、を備える。
　二次情報生成部２０２は、金融取引における不正取引を検出するモデル１１０の性能の向上に寄与する二次情報を生成する。
　モデル生成部２０４は、二次情報生成部２０２によって生成された二次情報を用いて、モデル１１０を生成する。
＜動作例＞
　図１２は、本実施形態のモデル生成装置２００の動作例を示すフローチャートである。
　まず、二次情報生成部２０２は、金融取引における不正取引を検出するモデル１１０の性能の向上に寄与する二次情報を生成する（ステップＳ２０１）。そして、モデル生成部２０４は、二次情報生成部２０２によって生成された二次情報を用いて、モデル１１０を生成する（ステップＳ２０３）。
　このモデル生成装置２００は、二次情報生成部２０２と、モデル生成部２０４と、を備えている。二次情報生成部２０２は、金融取引における不正取引を検出するモデル１１０の性能の向上に寄与する二次情報を生成する。モデル生成部２０４は、二次情報生成部２０２によって生成された二次情報を用いて、モデル１１０を生成する。
　このようにモデル生成装置２００によれば、金融取引の不正検知の目的に合致した高性能のモデル１１０を生成できる。
　以下、モデル生成装置２００の詳細例について説明する。
（第４実施形態）
＜システム概要＞
　図１３は、実施形態に係る監視システム１のシステム構成を概念的に示す図である。図１３の監視システム１は、図３の監視システム１の構成に加え、さらに、モデル生成装置２００を備えている。モデル生成装置２００は、通信ネットワーク３ａを介して金融取引サーバ３０に接続される。ただし、本実施形態の構成は、他の実施形態の構成の少なくともいずれか一つと矛盾を生じない範囲で組み合わせてもよい。
　モデル生成装置２００は、記憶装置２２０を含むとともに、モデル１１０を記憶する記憶装置（不図示）を含んでもよい。モデル１１０の記憶装置および記憶装置２２０は、モデル生成装置２００の内部に設けられてもよいし、外部に設けられてもよい。つまり、モデル１１０の記憶装置および記憶装置２２０いずれも、モデル生成装置２００と一体のハードウェアであってもよいし、モデル生成装置２００とは別体のハードウェアであってもよい。
　モデル生成装置２００は、パーソナルコンピュータやサーバコンピュータなどにより実現される。
＜機能構成例＞
　以下、モデル生成装置２００の機能構成について図１１を用いて説明する。
　二次情報生成部２０２は、金融取引における不正取引を検出するモデル１１０の性能の向上に寄与する二次情報を生成する。二次情報は、金融取引における不正取引の有無や不正取引であることの確からしさを目的変数とするモデル１１０の説明変数となる情報を含む。例えば、上記したように、不正取引に使用される口座は、入金と出金が短時間で繰り返されたりするなどの特徴を有している。そのため、二次情報として、所定期間内における、入金と出金が短時間で繰り返される特徴の取引を示す入金から出金までの時間差や、１日当たりの入金回数、１日当たりの出金回数などを生成する。モデル生成部２０４は、金融取引の不正の有無や不正取引であることの確からしさを目的変数とするモデル１１０の説明変数として生成した二次情報に基づいてモデル１１０を生成することで、モデル１１０の不正取引の検出性能を向上させることができる。
　二次情報４４０は、所定期間の取引内容に関する期間内取引情報４４２を含む。
　図１４は、二次情報４４０の一例である期間内取引情報４４２のデータ例を示す図である。期間内取引情報４４２は、例えば、所定期間の日数の一例であって、ある口座またはある顧客の取引情報に関する前回処理日からの経過日数と、当該期間内における以下の情報を含む。処理日とは、二次情報４４０を生成する処理を行った日である。期間内取引情報４４２は、入金時刻から出金時刻までの時間（分）を示す入出金時間差、１日当たりの入金回数、１日当たりの出金回数、１ヶ月の入金回数、１ヶ月の出金回数、１日の累計の入金金額、１日の累計の出金金額、１ヶ月の最小入金金額、１ヶ月の最小出金金額、１ヶ月の最大入金金額、１ヶ月の最大出金金額、および１日の入出金の差額などの少なくとも一つを含む。
　モデル生成部２０４は、二次情報生成部２０２によって生成された二次情報４４０を用いて、モデルを生成する。例えば、期間内取引情報４４２を含む二次情報４４０を用いてモデルを生成する。
　モデル１１０は、上記したように、金融取引の不正取引の有無や不正取引であることの確からしさを検出するモデルである。つまり、二次情報４４０は、金融取引の不正パターンを効果的に学習するための説明変数となる情報を含む。二次情報４４０は、上記以外にも様々考えられ、そのバリエーションについては、後述する実施形態で詳細に説明する。
＜動作例＞
　以下、実施形態のモデル生成装置２００の動作について図１２を用いて説明する。
　まず、二次情報生成部２０２は、金融取引における不正取引を検出するモデルの性能の向上に寄与する二次情報４４０を生成する（ステップＳ２０１）。二次情報生成部２０２は、例えば、図１４に示す期間内取引情報４４２を二次情報４４０として生成する。二次情報生成部２０２は、例えば、上記実施形態で説明した取引情報４００（図５）を用いて、期間内取引情報４４２を生成することができる。
　そして、モデル生成部２０４は、ステップＳ２０１で二次情報生成部２０２によって生成された二次情報４４０を用いて、モデル１１０を生成する（ステップＳ２０３）。
　モデル１１０は、不正取引の取引パターンの特徴を示す期間内取引情報４４２を用いて生成されるので、このモデル１１０を用いた金融取引の不正検出の性能を向上できる。
　以上説明したように、本実施形態によれば、モデル生成装置２００は、二次情報生成部２０２と、モデル生成部２０４と、を備えている。二次情報生成部２０２は、金融取引における不正取引を検出するモデル１１０の性能の向上に寄与する二次情報を生成する。モデル生成部２０４は、二次情報生成部２０２によって生成された二次情報を用いて、モデル１１０を生成する。
　このようにモデル生成装置２００によれば、金融取引の不正検知の目的に合致した高性能のモデル１１０を生成できる。
　また、二次情報４４０は、所定期間の取引内容に関する期間内取引情報を含むので、一取引のみでは検知できない不正が疑わしい事象も検知できるようになる。例えば、入金と出金が短時間で頻繁に繰り返されるようなケースを不正取引として検知でするようになる。
（第５実施形態）
　図１５は、実施形態のモデル生成装置２００の論理的な構成例を示す機能ブロック図である。本実施形態は、二次情報を生成するのに使用する一次情報を入力する構成を有する点以外は、第４実施形態と同じである。なお、本実施形態の構成は、他の実施形態の構成の少なくともいずれか一つと矛盾を生じない範囲で組み合わせてもよい。
＜機能構成例＞
　モデル生成装置２００は、図１１のモデル生成装置２００と同じ二次情報生成部２０２と、モデル生成部２０４と、を有するとともに、さらに、入力部２０６を有する。
　入力部２０６は、過去の取引情報４００、顧客に関する情報である顧客情報４１０、および、口座に関する情報である口座情報４２０を入力する。
　二次情報生成部２０２は、入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０に基づいて二次情報４４０を生成する。
　モデル生成部２０４は、入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０、ならびに、モデル生成部２０４によって生成された二次情報４４０を用いて、モデル１１０を生成する。
　取引情報４００、顧客情報４１０、および口座情報４２０は、第２実施形態の図５、図６、および図７の各情報と同じである。
　二次情報生成部２０２は、入力部２０６によって入力された取引情報４００、顧客情報４１０、および口座情報４２０のうち、少なくとも２つ以上の情報に基づいて、二次情報４４０を生成する。
　二次情報生成部２０２は、二次情報４４０を、１つの情報ではなく２つ以上の情報に基づいて生成するので、より不正取引の取引パターンの特徴を有する二次情報４４０をモデル１１０の学習に使用させることで、モデル１１０の不正検出の性能を向上させることができる。
　以下、二次情報４４０の他の例について説明する。
＜例１：期間取引先情報＞
　二次情報４４０の期間内取引情報４４２は、ある取引の取引先が所定期間の取引先群と異なるか否かを示す期間取引先情報を含んでもよい。
＜例２：期間取引差異情報＞
　二次情報４４０の期間内取引情報４４２は、ある取引内容が所定期間の取引内容群とどれだけ差異があるかを示す期間取引差異情報を含んでもよい。
　図１６は、期間内取引情報４４２のデータ例を示す図である。
　図１６（ａ）は、期間取引差異情報を示す期間内取引情報４４２の例を示している。この期間内取引情報４４２は、所定期間の日数の一例であって、ある口座の取引情報に関する前回処理日からの経過日数と、当該期間における一取引当りの入金金額の平均と、ある取引の入金金額との差額、および当該期間における一取引当りの出金金額の平均と、ある取引の出金金額との差額の少なくとも一方を含む。
　つまり、モデル生成部２０４は、例えば、一取引当りの入金金額の平均との差額が閾値以上の場合、当該取引は不正取引の可能性が高いことをモデル１１０に学習させる。そして、上記実施形態の監視装置１００において、この学習済みのモデル１１０を用いると、一取引当りの入金金額の平均との差額が閾値以上の場合、当該取引は不正取引の可能性が高いことを示す不正スコアを出力させることができる。
　図１６（ｂ）は、期間取引先情報を示す期間内取引情報４４２の例を示している。この期間内取引情報４４２は、ある口座において、所定期間の日数の一例であって、ある口座の取引情報に関する前回処理日からの経過日数と、当該期間における当該口座の取引先、例えば、当該口座からの振込先が、同一の口座を含むか否かを示すフラグ（同一口座への振込有無フラグ）を含む。例えば、同一口座への振込が所定期間内にあった場合には、フラグに１がセットされ、同一口座への振込が所定期間内になかった場合には、フラグに０がセットされてもよい。
　例えば、モデル生成部２０４は、同一口座への振込がある場合（つまり同一口座への振込有無フラグに１がセットされている場合）には、当該口座における当該取引先への取引は、不正取引の可能性が高いことをモデル１１０に学習させる。
＜例３：期間内操作結果情報＞
　期間内取引情報４４２は、所定期間の取引装置の操作に対する結果を示す期間内操作結果情報である。
　取引装置とは、ＡＴＭ２０である。取引装置の操作に対する結果は、例えば、ＡＴＭ２０での操作がエラーとなった回数などを含むことができる。
　図１７は、期間内操作結果情報を示す期間内取引情報４４２のデータ例を示す図である。この期間内取引情報４４２は、所定期間の日数を示す、ある口座の取引情報に関する前回処理日からの経過日数と、当該期間における、ＡＴＭ２０での操作がエラーとなった１日当りの回数、およびＡＴＭ２０での操作がエラーとなった１ヶ月の回数の少なくとも一方を含む。
　例えば、モデル生成部２０４は、ある口座の取引において、ＡＴＭ２０での操作でエラーが発生した回数が閾値より多い場合、当該口座は不正取引に利用されている可能性が高いことをモデル１１０に学習させる。そして、上記実施形態の監視装置１００において、この学習済みのモデル１１０を用いると、ＡＴＭ２０での操作でエラーが発生した回数が閾値より多い場合、当該口座は不正取引に利用されている可能性が高いことを示す不正スコアを出力させることができる。
＜例４：場所比較情報＞
　二次情報４４０は、場所を示す情報の比較結果を示す場所比較情報である。
　場所を示す情報とは、取引が行われた場所であり、例えば、店舗の窓口における取引であれば、当該店舗の店番、ＡＴＭ２０における取引であれば、ＡＴＭ２０を管理している店舗の店番である。場所比較情報は、取引が行われた店舗の店番と、当該取引を行った口座を保有する店舗の店番とを比較し、店番が同じか異なるかを示す別店処理フラグで示すことができる。つまり、口座の店舗と異なる店舗で取引が行われた場合、別店処理フラグに１がセットされ、口座の店舗と同じ店舗で取引が行われた場合、別店処理フラグは０がセットされる。
　図１８は、場所比較情報を含む二次情報４４０のデータ構造例を示す図である。
　この二次情報４４０は、当該取引を特定可能な取引識別情報と、当該取引の別店処理フラグとを含む。この二次情報４４０は、さらに、当該取引が行われた口座を特定可能な情報（例えば、当該口座を保有する店舗の店番、当該口座の科目コード、および当該口座の口座番号）を含んでもよい。
　つまり、モデル生成部２０４は、例えば、ある取引の別店処理フラグに１がセットされている場合、当該取引は不正取引の可能性が高いことをモデル１１０に学習させる。そして、上記実施形態の監視装置１００において、この学習済みのモデル１１０を用いると、ある取引の別店処理フラグに１がセットされている場合、当該取引は不正取引の可能性が高いことを示す不正スコアを出力させることができる。
＜例５：取引金額割合情報＞
　二次情報４４０は、所定の金額に対する取引金額の割合を示す取引金額割合情報であってもよい。所定の金額とは、当該取引が発生した口座の残高、１ヶ月当りの入金額（あるいは、給与振込額などであってもよい）、および前月の一取引当りの平均取引金額の少なくともいずれか一つである。所定の金額に対して、ある取引の金額の割合が閾値を超える場合に、当該取引は不正取引である。
　図１９は、取引金額割合情報を含む二次情報４４０のデータ構造例を示す図である。　この二次情報４４０は、当該取引を特定可能な取引識別情報と、当該取引の取引金額割合情報とを含む。この二次情報４４０は、さらに、当該取引が行われた口座を特定可能な情報（例えば、当該口座を保有する店舗の店番、当該口座の科目コード、および当該口座の口座番号）を含んでもよい。
　つまり、モデル生成部２０４は、例えば、所定の金額に対して、ある取引の金額の割合が閾値を超える場合、当該取引は不正取引の可能性が高いことをモデル１１０に学習させる。そして、上記実施形態の監視装置１００において、この学習済みのモデル１１０を用いると、ある取引の金額の割合が閾値を超える場合、当該取引は不正取引の可能性が高いことを示す不正スコアを出力させることができる。
＜動作例＞
　図２０は、実施形態のモデル生成装置２００の動作例を示すフローチャートである。
　図１６のフローは、図１２のフローと同じステップＳ２０１と、ステップＳ２０３を有するとともに、さらに、ステップＳ２０１の前にステップＳ２０５を有する。
　まず、入力部２０６は、過去の取引情報４００、顧客に関する情報である顧客情報４１０、および、口座に関する情報である口座情報４２０を入力する（ステップＳ２０５）。
　二次情報生成部２０２は、ステップＳ２０５で入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０に基づいて二次情報４４０を生成する（ステップＳ２０１）。
　モデル生成部２０４は、ステップＳ２０５で入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０、ならびに、ステップＳ２０１でモデル生成部２０４によって生成された二次情報４４０を用いて、モデル１１０を生成する（ステップＳ２０３）。
　以上説明したように、本実施形態によれば、モデル生成装置２００は、上記実施形態の構成に加え、さらに、入力部２０６を備えている。入力部２０６は過去の取引情報４００、顧客に関する情報である顧客情報４１０、および、口座に関する情報である口座情報４２０を入力する。そして、二次情報生成部２０２は、入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０に基づいて二次情報４４０を生成し、モデル生成部２０４は、入力部２０６によって入力された取引情報４００、顧客情報４１０、および、口座情報４２０、ならびに、モデル生成部２０４によって生成された二次情報４４０を用いて、モデル１１０を生成する。
　このように、本実施形態のモデル生成装置２００によれば、上記実施形態と同様な効果を奏するとともに、さらに、入力された取引情報４００、顧客情報４１０、および、口座情報４２０に基づいて二次情報４４０を生成することができるので、様々な金融取引の不正パターンを効果的に学習するための説明変数となる二次情報４４０を生成してモデル１１０を生成することができる。このため、生成されたモデル１１０を用いた金融取引の不正検出の性能をより向上できる。
（第６実施形態）
　図２１は、実施形態に係るモデル生成装置３００の概要を示す図である。本実施形態のモデル生成装置２００は、図１の監視装置１００が使用する学習済みモデルを生成する点で図１１および図１５のモデル生成装置２００と同じである。本実施形態のモデル生成装置３００は、モデル１１０を生成する際に、テンプレートを用いてモデル１１０を生成する構成を有する点で、上記したモデル生成装置２００と相違する。言い換えると、モデル生成装置３００は、テンプレートを用いることで、モデル生成装置２００でのモデル１１０の生成を容易にし、金融取引の不正検出の性能を向上させることを可能にする。なお、本実施形態の構成は、他の実施形態の構成の少なくともいずれか一つと矛盾を生じない範囲で組み合わせてもよい。
＜最小構成例＞
　モデル生成装置３００は、テンプレート情報取得部３０２と、入力情報取得部３０４と、制御部３０６と、モデル生成部３０８と、を含む。
　テンプレート情報取得部３０２は、金融取引における不正取引を検出するモデル１１０の生成に使用するテンプレート情報を取得する。テンプレート情報は、モデル１１０の生成に使用される各入力情報の項目を特定する入力情報項目定義情報、および、入力情報に基づくモデル１１０の性能の向上に寄与する二次情報の生成内容を特定する二次情報生成定義情報を含む。
　入力情報取得部３０４は、テンプレート情報に含まれる入力情報項目定義情報で特定される各項目について、その項目に対応する入力情報を取得する。
　制御部３０６は、テンプレート情報に含まれる二次情報生成定義情報に応じて、二次情報の生成内容を制御する。
　モデル生成部３０８は、制御された二次情報の生成内容に基づいてモデル１１０を生成する。
＜動作例＞
　図２２は、実施形態のモデル生成装置３００の動作例を示すフローチャートである。まず、テンプレート情報取得部３０２は、金融取引における不正取引を検出するモデル１１０の生成に使用するテンプレート情報を取得する（ステップＳ３０１）。そして、入力情報取得部３０４は、ステップＳ３０１で取得されたテンプレート情報に含まれる入力情報項目定義情報で特定される各項目について、その項目に対応する入力情報を取得する（ステップＳ３０３）。制御部３０６は、ステップＳ３０１で取得されたテンプレート情報に含まれる二次情報生成定義情報に応じて、二次情報の生成内容を制御する（ステップＳ３０５）。モデル生成部３０８は、ステップＳ３０５で制御された二次情報の生成内容に基づいてモデル１１０を生成する（ステップＳ３０７）。
　このモデル生成装置３００は、テンプレート情報取得部３０２と、入力情報取得部３０４と、制御部３０６と、モデル生成部３０８と、を備えている。テンプレート情報取得部３０２は、金融取引における不正取引を検出するモデル１１０の生成に使用するテンプレート情報を取得する。テンプレート情報は、モデル１１０の生成に使用される各入力情報の項目を特定する入力情報項目定義情報、および、入力情報に基づくモデル１１０の性能の向上に寄与する二次情報の生成内容を特定する二次情報生成定義情報を含む。入力情報取得部３０４は、テンプレート情報に含まれる入力情報項目定義情報で特定される各項目について、その項目に対応する入力情報を取得する。制御部３０６は、テンプレート情報に含まれる二次情報生成定義情報に応じて、二次情報の生成内容を制御する。モデル生成部３０８は、制御された二次情報の生成内容に基づいてモデル１１０を生成する。
　このモデル生成装置３００によれば、金融取引の不正検知の目的に合致した高性能のモデルを容易に生成できる。
　以下、モデル生成装置３００の詳細例について説明する。
（第７実施形態）
＜システム概要＞
　図２３は、実施形態に係る監視システム１のシステム構成を概念的に示す図である。図２３の監視システム１は、図３の監視システム１の構成に加え、さらに、モデル生成装置３００を備えている。つまり、図１３の監視システム１のモデル生成装置２００に替えてモデル生成装置３００を備えている。モデル生成装置３００は、通信ネットワーク３ａを介して金融取引サーバ３０に接続される。ただし、本実施形態の構成は、他の実施形態の構成の少なくともいずれか一つと矛盾を生じない範囲で組み合わせてもよい。
　モデル生成装置３００は、記憶装置３２０を含むとともに、モデル１１０を記憶する記憶装置（不図示）を含んでもよい。モデル１１０の記憶装置および記憶装置３２０は、モデル生成装置３００の内部に設けられてもよいし、外部に設けられてもよい。つまり、モデル１１０の記憶装置および記憶装置３２０いずれも、モデル生成装置３００と一体のハードウェアであってもよいし、モデル生成装置３００とは別体のハードウェアであってもよい。
　モデル生成装置３００は、パーソナルコンピュータやサーバコンピュータなどにより実現される。
　モデル生成装置３００は、金融取引の不正を検出するモデル１１０を生成する。モデル生成装置３００は、金融取引サーバ３０の情報を取得してモデル１１０の生成に使用する。モデル生成装置３００が生成したモデル１１０を使用して監視装置１００が金融取引の監視を行う。
　モデル生成装置３００を実現するコンピュータ１０００には、モデル１１０を生成するためのプログラムがインストールされている。モデル生成装置３００の各要素の各機能は、プログラムを実行することにより実現される。また、操作端末１０をモデル生成装置３００の操作端末として機能させてもよく、モデル生成装置３００は、通信ネットワーク３ａを介して各操作端末１０と接続されるサーバとして機能し、操作端末１０は、クライアント端末として機能してもよい。
　上記実施形態と同様に、モデル生成装置３００および操作端末１０の少なくとも一方には、監視システム１を利用するための権限が予め付与されており、モデル生成装置３００および操作端末１０を使用する担当者は、監視システム１にログインするためのアカウント情報（例えば、ユーザ名およびパスワード）を予め取得しておく。また、モデル生成装置３００および操作端末１０には、予め当該監視システム１が提供するサービスを利用するためのアプリケーションプログラムがインストールされており、プログラムを起動した後、監視システム１にアカウント情報を用いてログインすることで、監視システム１のメニュー画面（不図示）から各種操作画面を表示させることができる。オペレータは、各種画面を操作することで、モデル１１０を生成することができる。
＜機能構成例＞
　以下、モデル生成装置３００の機能構成について図１１を用いて説明する。
　テンプレート情報取得部３０２は、金融取引における不正取引を検出するモデル１１０の生成に使用するテンプレート情報３８０を取得する。
　図２４は、テンプレート情報３８０のデータ構造を示す図である。テンプレート情報３８０は、テンプレート３６０を定義する各種情報を含む。テンプレート３６０のテンプレート情報３８０は、記憶装置３２０に記憶される。
　テンプレート情報３８０は、モデル１１０の生成に使用される各入力情報の項目を特定する入力情報項目定義情報３８２と、入力情報に基づくモデル１１０の性能の向上に寄与する二次情報の生成内容を特定する二次情報生成定義情報３８４とを少なくとも含む。
　入力情報取得部３０４は、テンプレート情報３８０に含まれる入力情報項目定義情報３８２で特定される各項目について、その項目に対応する入力情報を取得する。
　例えば、上記実施形態で説明した取引情報４００、顧客情報４１０、および口座情報４２０などのデータファイルをインポートする際に、各情報（データファイル）のうち、どの項目（一取引レコードのカラム）の情報を入力するかを入力情報項目定義情報３８２で特定する。
　モデル生成装置３００において、メニュー画面で「データファイルのインポート」の選択を受け付けると、インポート画面５２０がディスプレイに表示される。図２５は、インポート画面５２０の一例を示す図である。インポート画面５２０は、ファイル指定リスト５２２と、ＯＫボタン５２８と、キャンセルボタン５２９とを含む。
　ファイル指定リスト５２２は、インポートするデータ名のカラムと、当該データのファイルを指定するカラムとを含む。ファイル指定カラムは、ファイル選択ボタン５２４と選択ファイル表示部５２６とを含む。モデル生成装置３００は、ファイル選択ボタン５２４の押下を受け付けると、データフォルダを参照するウインドウを開き、データファイルをオペレータに選択させることができる。選択されたデータファイル名が、選択ファイル表示部５２６に表示される。
　モデル生成装置３００は、ＯＫボタン５２８の押下を受け付けると、インポートデータのファイル指定を確定して当該メニューを終了する。モデル生成装置３００は、キャンセルボタン５２９の押下を受け付けると、インポートデータのファイル指定をキャンセルして当該メニューを終了する。
　次に、モデル生成装置３００において、メニュー画面で「入力情報項目定義」の選択を受け付けると、入力情報選択画面５３０がディスプレイに表示される。図２６は、入力情報選択画面５３０の一例を示す図である。ここでは、取引情報４００のデータ項目のうち、入力対象とするデータ項目（一取引のレコード内のカラム）を選択するための入力情報選択画面５３０の例を示している。言い換えると、入力情報選択画面５３０は、取引情報４００のデータ項目のうち、モデル１１０生成に使用しないデータ項目を除外する選択を受け付けるための画面とも言える。
　入力情報選択画面５３０は、入力情報取得部３０４が取得する入力対象のデータ項目の選択操作を受け付け、入力情報項目定義情報３８２を生成してテンプレート情報３８０に含めて記憶装置３２０に記憶させるための画面である。入力情報選択画面５３０は、取込定義情報リスト５３２と、取込元データリスト５３４と、戻るボタン５４４と、次へボタン５４８とを含む。
　取込定義情報リスト５３２と、取込元データリスト５３４を用いて、入力対象のデータ項目と、取込元データとをマッピングさせることができる。取込定義情報リスト５３２のデータ項目は、取込元データリスト５３４のデータ項目と同じ順序で同じものが既に並んで表示されているものとする。
　一方のリストのスクロールバーの操作を受け付けると、他方のリストも一緒にスクロール表示されてよいし、一緒にスクロール表示されなくてもよいし、いずれの動作とするか選択的に設定できてもよい。
　また、取込定義情報リスト５３２と取込元データリスト５３４のデータ項目が一致しない場合には、はじめに、モデル生成装置３００は、入力対象のデータ項目（一取引のレコード内のカラム）の取込定義情報リスト５３２のマッピング列のセルの選択（オペレータによる）を受け付けた後、選択されたデータ項目に対応する、インポート元（取込元データリスト５３４）のデータファイルのデータ項目（元データ）の選択（オペレータによる）を受け付け、取込先と取込元のデータ項目の対応付けを行ってもよい。
　この図の例では、取込定義情報リスト５３２と取込元データリスト５３４のデータ項目は一致しているものとして説明する。
　取込元データリスト５３４には、インポート元のデータファイル（ここでは、取引情報４００としてインポート指定されたデータファイル"TON_INF.csv"）の各項目のデータ名（一取引のレコード内のカラム名）（例えば、store_num、sbj_cdなど）が表示される。
　モデル生成装置３００は、オペレータによる、取込元データリスト５３４のセルの押下により入力情報取得部３０４が取得すべき入力対象のデータ項目（一取引のレコード内のカラム名）の選択を受け付けることができる。
　選択されたデータ項目のセルは選択済み表示５３８される。選択済み表示５３８は、当該データ項目が選択済みであることをオペレータに通知する表示方法であれば特に限定されないが、例えば、セルの背景色を変更したり、セル内の文字の色を変更したり、セルを強調表示させたりしてもよい。
　入力情報選択画面５３０は、さらに、一括選択ボタン５４０および反映ボタン５４２を有する。モデル生成装置３００は、一括選択ボタン５４０の押下を受け付けると、取込元データリスト５３４の取込元のデータファイルのすべてのデータ項目をそのまま一括して選択状態とし、すべてのデータ項目のセルを選択済み表示５３８とする。つまり、一括選択ボタン５４０の押下することで、オペレータは、上記したデータ項目毎の選択操作を省略することができる。また、一括選択された状態で、オペレータによる押下を受け付けたセルについて、セル毎に選択を解除できてもよい。
　モデル生成装置３００は、反映ボタン５４２の押下を受け付けると、取込元データリスト５３４で選択済み表示５３８されたセルのデータ項目を、取込定義情報リスト５３２の対応する行のデータ項目にマッピングさせ、取込定義情報リスト５３２のマッピング列のセルにそれぞれデータ名が表示されることとなる。
　例えば、取込元データリスト５３４で選択された項目のデータ名、例えば、「store_num」は、反映ボタン５４２の押下により取込定義情報リスト５３２のデータ項目の「店番」のマッピング列に表示される。この図の例では、上３つのデータ項目が入力対象として選択されて取込定義情報リスト５３２にマッピングされた状態を示している。
　モデル生成装置３００は、戻るボタン５４４の押下を受け付けると、当該画面５３０で受け付けたデータ項目の選択操作をキャンセル（選択済み表示５３８を消去）してメニュー画面に戻る。モデル生成装置３００は、次へボタン５４８の押下を受け付けると、取込定義情報リスト５３２に反映されたマッピング情報に基づいて、取込元データリスト５３４で選択されたデータ項目を入力対象として定義する入力情報項目定義情報３８２をテンプレート情報３８０に含めて記憶装置３２０に記憶させる。
　なお、入力情報選択画面５３０は、顧客情報４１０および口座情報４２０についても同様に選択指定することができ、それぞれ入力情報項目定義情報３８２に定義された情報を含めたテンプレート情報３８０を記憶装置３２０に記憶させることができる。
　入力情報取得部３０４は、このようにして定義された入力情報項目定義情報３８２を用いて、当該入力情報項目定義情報３８２で特定される各項目について、その項目に対応する入力情報を取得する。
　次に、制御部３０６は、テンプレート情報に含まれる二次情報生成定義情報３８４に応じて、二次情報４４０の生成内容を制御する。
　例えば、上記実施形態で説明した各二次情報４４０のデータファイルをインポートする際に、各二次情報４４０のデータファイルのうち、どの項目（一取引レコードのカラム）の情報を説明変数として使用するために生成するか（否か）を二次情報生成定義情報３８４で定義する。
　モデル生成装置３００において、メニュー画面で「二次情報生成定義」の選択を受け付けると、二次情報選択画面５５０がディスプレイに表示される。図２７は、二次情報選択画面５５０の一例を示す図である。ここでは、二次情報４４０のうち、図１４の期間内取引情報４４２のデータ項目のうち、説明変数として使用するデータ項目（一レコード内のカラム）を選択するための二次情報選択画面５５０の例を示している。言い換えると、二次情報選択画面５５０は、二次情報４４０のデータ項目のうち、モデル１１０生成に使用しないデータ項目を除外する選択を受け付けるための画面とも言える。
　二次情報選択画面５５０は、制御部３０６が制御する二次情報４４０の生成内容、ここでは、説明変数として使用する二次情報４４０のデータ項目の選択操作を受け付け、二次情報生成定義情報３８４を生成してテンプレート情報３８０に含めて記憶装置３２０に記憶させるための画面である。二次情報選択画面５５０は、図２６の入力情報選択画面５３０と同じ、キャンセルボタン５３６、一括選択ボタン５４０、反映ボタン５４２、戻るボタン５４４、および次へボタン５４８を含む。
　二次情報選択画面５５０は、さらに、取込定義情報リスト５５２と、取込元データリスト５５４と、を含む。取込定義情報リスト５５２と、取込元データリスト５５４を用いて、説明変数として使用するデータ項目として取り込む取込元データリスト５５４のデータ項目とをマッピングさせることができる。取込定義情報リスト５５２のデータ項目は、取込元データリスト５５４のデータ項目と同じ順序で同じものが既に並んで表示されているものとする。
　一方のリストのスクロールバーの操作を受け付けると、他方のリストも一緒にスクロール表示されてよいし、一緒にスクロール表示されなくてもよいし、いずれの動作とするか選択的に設定できてもよい。
　また、取込定義情報リスト５５２と取込元データリスト５５４のデータ項目が一致しない場合には、はじめに、モデル生成装置３００は、入力対象のデータ項目（一取引のレコード内のカラム）の取込定義情報リスト５５２のマッピング列のセルの選択（オペレータによる）を受け付けた後、選択されたデータ項目に対応する、インポート元（取込元データリスト５５４）のデータファイルのデータ項目（元データ）の選択（オペレータによる）を受け付け、取込先と取込元のデータ項目の対応付けを行ってもよい。
　この図の例では、取込定義情報リスト５５２と取込元データリスト５５４のデータ項目は一致しているものとして説明する。
　取込元データリスト５５４には、インポート元のデータファイル（ここでは、二次情報４４０としてインポート指定されたデータファイル"TON_P_INF.csv"）の各項目のデータ名（一レコード内のカラム名）（例えば、date_num、depwdl_time_difなど）が表示される。
　モデル生成装置３００は、オペレータによる、取込元データリスト５５４のセルの押下により、二次情報４４０のうち、説明変数として生成対象となるデータ項目（一レコード内のカラム名）の選択を受け付けることができる。
　選択されたデータ項目のセルは選択済み表示５５６される。選択済み表示５５６は、当該データ項目が選択済みであることをオペレータに通知する表示方法であれば特に限定されないが、例えば、セルの背景色を変更したり、セル内の文字の色を変更したり、セルを強調表示させたりしてもよい。
　モデル生成装置３００は、反映ボタン５４２の押下を受け付けると、取込元データリスト５５４で選択済み表示５５６されたセルのデータ項目を、取込定義情報リスト５５２の対応する行のデータ項目にマッピングさせ、取込定義情報リスト５５２のマッピング列のセルにそれぞれデータ名が表示されることとなる。
　例えば、取込元データリスト５５４で選択された項目のデータ名、例えば、「date_num」は、反映ボタン５４２の押下により取込定義情報リスト５５２のデータ項目の「前回処理日からの経過日数」のマッピング列に表示される。この図の例では、４つのデータ項目が二次情報４４０の生成対象として選択されて取込定義情報リスト５５２にマッピングされた状態を示している。
　モデル生成装置３００は、次へボタン５４８の押下を受け付けると、取込定義情報リスト５５２に反映されたマッピング情報に基づいて、取込元データリスト５５４で選択されたデータ項目を特定する二次情報項目定義情報を含む二次情報生成定義情報３８４をテンプレート情報３８０に含めて記憶装置３２０に記憶させる。
　このように、二次情報生成定義情報３８４は、生成される二次情報４４０の項目を特定する二次情報項目定義情報を含む。
　なお、二次情報選択画面５５０は、他の二次情報４４０についても同様に選択指定することができ、それぞれ二次情報生成定義情報３８４に定義された情報を含めたテンプレート情報３８０を記憶装置３２０に記憶させることができる。よって、二次情報生成定義情報３８４の二次情報項目定義情報は、当該異なる二次情報４４０を示すデータファイル別のデータ項目を定義した情報であってもよい。
　制御部３０６は、このようにして定義された二次情報生成定義情報３８４に応じて、二次情報４４０の生成内容を制御する。
　そして、モデル生成部３０８は、制御部３０６により制御された二次情報４４０の生成内容に基づいてモデル１１０を生成する。つまり、二次情報生成定義情報３８４で定義された二次情報４４０を用いたモデル１１０を生成する。
　このモデル生成装置３００は、テンプレート情報取得部３０２と、入力情報取得部３０４と、制御部３０６と、モデル生成部３０８と、を備えている。テンプレート情報取得部３０２は、金融取引における不正取引を検出するモデル１１０の生成に使用するテンプレート情報を取得する。テンプレート情報は、モデル１１０の生成に使用される各入力情報の項目を特定する入力情報項目定義情報、および、入力情報に基づくモデル１１０の性能の向上に寄与する二次情報の生成内容を特定する二次情報生成定義情報を含む。入力情報取得部３０４は、テンプレート情報に含まれる入力情報項目定義情報で特定される各項目について、その項目に対応する入力情報を取得する。制御部３０６は、テンプレート情報に含まれる二次情報生成定義情報に応じて、二次情報の生成内容を制御する。モデル生成部３０８は、制御された二次情報の生成内容に基づいてモデル１１０を生成する。
　このモデル生成装置３００によれば、金融取引の不正検知の目的に合致した高性能のモデルを容易に生成できる。
（第８実施形態）
　本実施形態のモデル生成装置３００は、複数の異なる説明変数が定義されたテンプレート情報３８０の中からテンプレート情報３８０を選択してモデル１１０を生成する構成を有する点以外は、図２１の上記第７実施形態と同様である。本実施形態のモデル生成装置３００は、図２１と同様の構成を有するので、図２１を用いて説明する。
＜機能構成例＞
　テンプレート情報取得部３０２は、二次情報生成定義情報３８４で特定される二次情報４４０の生成内容、および入力情報項目定義情報３８２で特定される項目のうち、少なくとも一方が異なる複数のテンプレート情報３８０のうちの一つを選択する入力を受け付けると、当該選択されたテンプレート情報３８０を取得する。
　例えば、上記第７実施形態のモデル生成装置３００で定義された入力情報項目定義情報３８２および二次情報生成定義情報３８４の定義内容の少なくとも一方が異なるテンプレート情報３８０にそれぞれ名称を付けて記憶することができる。
　図２８は、テンプレート情報３８０のデータ構造例を示す図である。図２８のテンプレート情報３８０は、図２４のテンプレート情報３８０の入力情報項目定義情報３８２、および二次情報生成定義情報３８４に加え、さらに、テンプレート３６０を識別するテンプレートＩＤと、テンプレート名とを含む。つまり、第７実施形態で定義された入力情報項目定義情報３８２および二次情報生成定義情報３８４の少なくとも一方が異なるテンプレート情報３８０には、テンプレートＩＤと、テンプレート名と、入力情報項目定義情報３８２と、二次情報生成定義情報３８４とがそれぞれ紐付けられて記憶される。
　モデル生成装置３００において、メニュー画面で「テンプレート選択」の選択を受け付けと、テンプレート選択画面５６０がディスプレイに表示される。図２９は、テンプレート選択画面５６０の一例を示す図である。テンプレート選択画面５６０は、図２５と同じＯＫボタン５２８と、キャンセルボタン５２９とを含むとともに、テンプレートリスト５６２を含む。
　テンプレートリスト５６２は、複数のテンプレート情報３８０のテンプレートＩＤと、テンプレート名を一覧表示する。例えば、二次情報生成定義情報３８４により特定される二次情報４４０の生成内容に応じて、金融取引の不正検出のための説明変数が異なる分析（図中、テンプレート名に「分析１」または「分析２」と示されている。）を行うことができるモデル１１０を生成することができる。また、図中、テンプレート名に「（フル）」が含まれているテンプレート３６０は、例えば、二次情報４４０のデータ項目を除外せず、すべて含むものであることを示している。
　モデル１１０の生成に使用するテンプレート３６０をテンプレートリスト５６２の中から選択すると、選択されたテンプレート３６０の行は選択済み表示５６８される。選択済み表示５６８は、当該テンプレート３６０が選択済みであることをオペレータに通知する表示方法であれば特に限定されないが、例えば、セルの背景色を変更したり、セル内の文字の色を変更したり、セルを強調表示させたりしてもよい。
　また、テンプレート選択画面５６０は、検索キー入力部（不図示）と、検索ボタン（不図示）を有してもよい。モデル生成装置３００は、検索キー入力部に入力された、テンプレートのテンプレートＩＤまたはテンプレート名の少なくとも一部を検索キーとして受け付けて、登録済みのテンプレート情報３８０の中から検索して得られたテンプレート情報３８０をテンプレートリスト５６２に表示できてもよい。
　モデル生成装置３００は、ＯＫボタン５２８の押下を受け付けると、選択されたテンプレート３６０のテンプレート情報３８０を記憶装置３２０から読み出す。テンプレート情報３８０を用いてモデル生成装置３００は、モデル１１０を生成する。
　また、モデル生成部３０８は、さらに、入力情報取得部３０４により取得された入力情報に基づいて、モデル１１０を生成してもよい。
＜動作例＞
　図３０は、実施形態のモデル生成装置３００の動作例を示すフローチャートである。
　図３０のフローは、図２３のフローと同じステップＳ３０１～ステップＳ３０７を有するとともに、さらに、ステップＳ３０１の前に、ステップＳ３２１を有する。
　はじめに、テンプレート情報取得部３０２は、図２９のテンプレート選択画面５６０において、オペレータによる、テンプレート３６０の選択操作およびＯＫボタン５２８の押下を受け付ける（ステップＳ３２１）。ＯＫボタン５２８の押下を受け付けると、テンプレート情報取得部３０２は、テンプレートリスト５６２のうち選択済み表示５６８されているテンプレート３６０のテンプレート情報３８０を記憶装置３２０から読み出して取得する（ステップＳ３０１）。
　ステップＳ３０３以降の処理は図２３と同様である。
　また、テンプレート情報３８０は、さらに、モデル１１０の生成アルゴリズムを特定するアルゴリズム定義情報３８６を含んでもよい。
　モデル生成部３０８は、アルゴリズム定義情報３８６で特定される生成アルゴリズムに基づいてモデル１１０を生成する。
　図３１は、テンプレート情報３８０のデータ構造例を示す図である。
　図３１のテンプレート情報３８０は、図２８のテンプレート情報３８０のデータ項目に加え、さらに、アルゴリズム定義情報３８６を含んでいる。
　アルゴリズム定義情報３８６により特定される生成アルゴリズムは、例えば、異種混合、ロジスティック回帰、多層パーセプトロン、勾配ブースティングなどが考えられるが、他のアルゴリズムであってもよい。
　モデル生成装置３００は、メニュー画面で「アルゴリズム選択」の選択を受け付けると、アルゴリズム選択画面（不図示）をディスプレイに表示させてもよい。アルゴリズム選択画面は、アルゴリズムの選択を受け付けるＵＩ（User Interface）を含む。モデル生成装置３００は、オペレータによるアルゴリズムの選択を受け付けると、選択されたアルゴリズムをアルゴリズム定義情報３８６に定義してテンプレート情報３８０に含めて記憶装置３２０に記憶させる。異なるアルゴリズムが定義されたアルゴリズム定義情報３８６のテンプレート情報３８０は、新たなテンプレートＩＤおよびテンプレート名を紐付けて別のテンプレート情報３８０として記憶装置３２０に記憶されてもよい。
　モデル生成部３０８は、アルゴリズム定義情報３８６に定義されるアルゴリズムに基づいて、モデル１１０を生成する。
　制御部３０６は、二次情報生成定義情報３８４で特定される二次情報４４０の生成内容に応じて、二次情報４４０を生成するか否かを判別し、生成すると判別された場合に、二次情報４４０を生成する制御をする。
　具体的には二次情報生成定義情報３８４に二次情報４４０の生成内容が定義された（図２７の二次情報選択画面５５０で二次情報４４０のデータ項目が選択された）場合に、テンプレート情報３８０は、二次情報生成定義情報３８４を含んでもよい。つまり、図２７の二次情報選択画面５５０で二次情報４４０の生成内容が定義されなかった場合、テンプレート情報３８０は、二次情報生成定義情報３８４を含まないようにしてもよい。
　制御部３０６は、テンプレート情報３８０に二次情報生成定義情報３８４が含まれる場合、二次情報４４０の生成を制御すると判別し、テンプレート情報３８０に二次情報生成定義情報３８４が含まれない場合、二次情報４４０の生成を制御しないと判別してもよい。
　他の例として、図２７の二次情報選択画面５５０で二次情報４４０の生成内容の定義が行われた否かを示すフラグを二次情報生成定義情報３８４は含んでもよい。制御部３０６は、二次情報生成定義情報３８４のフラグを参照し、当該フラグが二次情報４４０の生成内容の定義が行われてことを示す場合、二次情報４４０の生成を制御すると判別し、当該フラグが二次情報４４０の生成内容の定義が行われていないことを示す場合、二次情報４４０の生成を制御しないと判別してもよい。
　制御部３０６は、二次情報生成定義情報３８４で特定される二次情報４４０の生成内容に応じて、二次情報４４０を生成するか否かを判別し、生成しないと判別された場合に、二次情報４４０を生成する制御をしない。
＜動作例＞
　図３２は、実施形態のモデル生成装置３００の動作例の要部を示すフローチャートである。図３２のフローは、上記実施形態のモデル生成装置３００の図２２または図３０のステップＳ３０３の後に実行される。ステップＳ３０３で、入力情報取得部３０４が、ステップＳ３０１で取得されたテンプレート情報に含まれる入力情報項目定義情報で特定される各項目について、その項目に対応する入力情報を取得する。そして、制御部３０６は、二次情報生成定義情報３８４で特定される二次情報４４０の生成内容に応じて、二次情報４４０を生成するか否かを判別する（ステップＳ３３１）。
　そして、制御部３０６は、二次情報４４０を生成しないと判別された場合に（ステップＳ３３１のＮＯ）、二次情報４４０を生成する制御をしない。つまり、ステップＳ３０５をバイパスしてステップＳ３０７に進む。この場合、モデル生成部３０８は、二次情報４４０を生成せずに、ステップＳ３０３で入力情報取得部３０４により取得された入力情報に基づいて、モデル１１０を生成する（ステップＳ３０７）。
　一方、制御部３０６は、二次情報４４０を生成すると判別された場合に（ステップＳ３３１のＹＥＳ）、二次情報４４０を生成する制御をする。つまり、ステップＳ３０５に進み、制御部３０６は、ステップＳ３０１で取得されたテンプレート情報に含まれる二次情報生成定義情報に応じて、二次情報の生成内容を制御する。つまり、制御部３０６は、二次情報４４０を生成する。
　そして、モデル生成部３０８は、ステップＳ３０５で生成された二次情報４４０を用いてモデル１１０を生成する（ステップＳ３０７）。なお、この場合においても、モデル生成部３０８は、二次情報４４０に加え、ステップＳ３０３で入力情報取得部３０４により取得された入力情報に基づいて、モデル１１０を生成してよい。
　以上説明したように、本実施形態によれば、テンプレート情報取得部３０２は、二次情報生成定義情報３８４で特定される二次情報４４０の生成内容、および入力情報項目定義情報３８２で特定される項目のうち、少なくとも一方が異なる複数のテンプレート情報３８０のうちの一つを選択する入力を受け付けると、当該選択されたテンプレート情報３８０を取得する。
　このように、本実施形態のモデル生成装置３００によれば、上記実施形態と同様な効果を奏するとともに、さらに、複数の異なる説明変数が定義されたテンプレート情報３８０の中からテンプレート情報３８０を選択してモデル１１０を生成することができるので、予め準備したテンプレート情報３８０を検出対象に応じて適宜選択して、効率よく金融取引の不正検出を行うことが可能になる。また、検出内容に適した説明変数を用いて金融取引の不正検出を行うことができるので、より不正検出の性能を向上させることができるモデル１１０を生成できる。
　以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
　たとえば、二次情報生成定義情報３８４は、二次情報４４０の項目を特定する以外にも、二次情報４４０の複数の項目についての論理和や論理和などの論理式を用いて定義できてもよい。
　また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、少なくとも一つの工程は、他の動作主体、例えば他の装置や人によって行われてもよい。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　なお、本発明において利用者（金融機関の顧客およびその金融取引の相手先）に関する情報を取得、利用する場合は、これを適法に行うものとする。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
　１．　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
を有し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視装置。
２．　１．に記載の監視装置において、
　前記不正取引情報は、さらに取引別不正取引スコアを含む、監視装置。
３．　１．または２．に記載の監視装置において、
　前記出力手段は、前記不正取引情報を生成した根拠となる根拠情報を出力する、監視装置。
４．　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
を有し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視システム。
５．　４．に記載の監視システムにおいて、
　前記不正取引情報は、さらに取引別不正取引スコアを含む、監視システム。
６．　４．または５．に記載の監視システムにおいて、
　前記出力手段は、前記不正取引情報を生成した根拠となる根拠情報を出力する、監視システム。
７．　１以上のコンピュータが、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力し、
　入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成し、
　生成された前記不正取引情報を出力し、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視方法。
８．　７．に記載の監視方法において、
　前記不正取引情報は、さらに取引別不正取引スコアを含む、監視方法。
９．　７．または８．に記載の監視方法において、
　前記１以上のコンピュータが、
　前記不正取引情報を生成した根拠となる根拠情報を出力する、監視方法。
１０．　コンピュータに、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する手順、
　前記入力する手順によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する手順、
　前記生成する手順によって生成された前記不正取引情報を出力する手順、を実行させるためのプログラムであり、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、プログラム。
１１．　１０．に記載のプログラムにおいて、
　前記不正取引情報は、さらに取引別不正取引スコアを含む、プログラム。
１２．　１０．または１１．に記載のプログラムにおいて、
　前記出力する手順において、前記不正取引情報を生成した根拠となる根拠情報を出力する、プログラム。
１３．　コンピュータに、
　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する手順、
　前記入力する手順によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する手順、
　前記生成する手順によって生成された前記不正取引情報を出力する手順、を実行させるためのプログラムであり、
　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、プログラムを記憶したコンピュータで読み取り可能な記録媒体。
１４．　１３．に記載の記録媒体において、
　前記不正取引情報は、さらに取引別不正取引スコアを含む、プログラムを記憶したコンピュータで読み取り可能な記録媒体。
１５．　１３．または１４．に記載の記録媒体において、
　前記出力する手順において、前記不正取引情報を生成した根拠となる根拠情報を出力する、プログラムを記憶したコンピュータで読み取り可能な記録媒体。
１　監視システム
３ａ、３ｂ　通信ネットワーク
１０　操作端末
２０　ＡＴＭ
３０　金融取引サーバ
４０　記憶装置
１００　監視装置
１０２　入力部
１０４　生成部
１０６　出力部
１１０　モデル
１２０　記憶装置
２００　モデル生成装置
２０２　二次情報生成部
２０４　モデル生成部
２０６　入力部
２２０　記憶装置
３００　モデル生成装置
３０２　テンプレート情報取得部
３０４　入力情報取得部
３０６　制御部
３０８　モデル生成部
３２０　記憶装置
３６０　テンプレート
３８０　テンプレート情報
３８２　入力情報項目定義情報
３８４　二次情報生成定義情報
３８６　アルゴリズム定義情報
４００　取引情報
４１０　顧客情報
４２０　口座情報
４３０　不正取引情報
４４０　二次情報
４４２　期間内取引情報
５００　画面
５１０　根拠情報出力画面
５３０　入力情報選択画面
５５０　二次情報選択画面
５６０　テンプレート選択画面
１０００　コンピュータ
１０１０　バス
１０２０　プロセッサ
１０３０　メモリ
１０４０　ストレージデバイス
１０５０　入出力インタフェース
１０６０　ネットワークインタフェース

Claims (6)

  1. 　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
    　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
    　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
    を有し、
    　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視装置。
  2. 　請求項１に記載の監視装置において、
    　前記不正取引情報は、さらに取引別不正取引スコアを含む、監視装置。
  3. 　請求項１または２に記載の監視装置において、
    　前記出力手段は、前記不正取引情報を生成した根拠となる根拠情報を出力する、監視装置。
  4. 　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する入力手段と、
    　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する生成手段と、
    　前記生成手段によって生成された前記不正取引情報を出力する出力手段と、
    を有し、
    　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視システム。
  5. 　１以上のコンピュータが、
    　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力し、
    　入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成し、
    　生成された前記不正取引情報を出力し、
    　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、監視方法。
  6. 　コンピュータに、
    　金融取引における、過去の取引情報、顧客に関する情報である顧客情報、および、口座に関する情報である口座情報を入力する手順、
    　前記入力手段によって入力された前記取引情報、前記顧客情報、および、前記口座情報を用いて、学習済みモデルを使用して、不正取引に関する情報である不正取引情報を生成する手順、
    　前記生成手段によって生成された前記不正取引情報を出力する手順、を実行させるためのプログラムであり、
    　前記不正取引情報は、口座別不正取引スコアおよび顧客別不正取引スコアの少なくとも一方を含む、プログラムを記憶したコンピュータで読み取り可能な記録媒体。
PCT/JP2022/012611 2022-03-18 2022-03-18 監視システム、監視装置、監視方法および記録媒体 WO2023175897A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/012611 WO2023175897A1 (ja) 2022-03-18 2022-03-18 監視システム、監視装置、監視方法および記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/012611 WO2023175897A1 (ja) 2022-03-18 2022-03-18 監視システム、監視装置、監視方法および記録媒体

Publications (1)

Publication Number Publication Date
WO2023175897A1 true WO2023175897A1 (ja) 2023-09-21

Family

ID=88022941

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/012611 WO2023175897A1 (ja) 2022-03-18 2022-03-18 監視システム、監視装置、監視方法および記録媒体

Country Status (1)

Country Link
WO (1) WO2023175897A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016075989A (ja) * 2014-10-02 2016-05-12 みずほ情報総研株式会社 口座評価システム、口座評価方法及び口座評価プログラム
JP2019036098A (ja) * 2017-08-14 2019-03-07 株式会社リクルート 融資管理装置、融資方法及びプログラム
JP2020061002A (ja) * 2018-10-11 2020-04-16 株式会社エヌ・ティ・ティ・データ 外為取引制御装置、外為取引制御方法およびプログラム
JP2021103357A (ja) * 2019-12-24 2021-07-15 株式会社三井住友銀行 銀行システム、および銀行システムによって実行される方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016075989A (ja) * 2014-10-02 2016-05-12 みずほ情報総研株式会社 口座評価システム、口座評価方法及び口座評価プログラム
JP2019036098A (ja) * 2017-08-14 2019-03-07 株式会社リクルート 融資管理装置、融資方法及びプログラム
JP2020061002A (ja) * 2018-10-11 2020-04-16 株式会社エヌ・ティ・ティ・データ 外為取引制御装置、外為取引制御方法およびプログラム
JP2021103357A (ja) * 2019-12-24 2021-07-15 株式会社三井住友銀行 銀行システム、および銀行システムによって実行される方法

Similar Documents

Publication Publication Date Title
US20200402166A1 (en) Systems and methods for electronic account certification and enhanced credit reporting
US8306889B2 (en) System and method for presenting fraud detection information
US8290845B2 (en) System and method for presenting quasi-periodic activity
US20140012724A1 (en) Automated fraud detection method and system
US20090171723A1 (en) Systems and methods for electronic account certification and enhanced credit reporting
JP2022520824A (ja) インテリジェント警告システム
Fang et al. Credit Card Fraud Detection Based on Machine Learning.
US10460377B2 (en) System and method for presenting suspect activity within a timeline
US10332199B2 (en) System and method for visualizing checking account information
US10204376B2 (en) System and method for presenting multivariate information
WO2023175897A1 (ja) 監視システム、監視装置、監視方法および記録媒体
WO2023175898A1 (ja) 監視システム、モデル生成装置、モデル生成方法および記録媒体
WO2023175903A1 (ja) 監視システム、モデル生成装置、モデル生成方法および記録媒体
US20150142629A1 (en) Detecting unusual activity in cash vault transactions
JP2021028767A (ja) カードレス取引用データ管理装置、取引装置、及び取引システム
Rose Modernizing check fraud detection with machine learning
Shihembetsa Use of artificial intelligence algorithms to enhance fraud detection in the Banking Industry
JP7359910B1 (ja) 情報処理装置、情報処理方法、およびプログラム
US11790342B2 (en) Establishing one-to-many relationships for events in a relational database
Mantri et al. An Overview of Credit Card Fraud Detection Using Data Mining Techniques
Mason The Effects of COVID-19 on the Mobile Payment Banking System
Center DETECTION OF CREDIT CARD FRAUD TRANSACTIONS USING MACHINE LEARNING BASED ALGORITHM
Kishore CONFLICT DETECTION AND RESOLUTION FOR ADAPTIVE CLASSIFICATION OF IMBALANCED DATA STREAMING DURING CREDIT CARD TRANSACTIONS
Bhawnra et al. Artificial Intelligence for Financial Inclusion in India
DABI THE ACCURACY VERSUS INTERPRETABILITY TRADE-OFF IN THE APPLICATION OF MACHINE MODELS FOR PREDICTING FRAUDULENT CREDIT CARD TRANSACTIONS

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22932170

Country of ref document: EP

Kind code of ref document: A1