機械学習により GRC ジョブが楽になる仕組み

Galvanize

Galvanize

機械学習が役員会や管理職の間で話題になっています。 このテクノロジーの活用方法が新たに見出される度に、セクターや業界全体、個人の役割が進化します。

誰もが機械学習と AI(人工知能)を話題にしています。 これらはガバナンス、リスク、およびコンプライアンス(governance, risk, and compliance:GRC)と共に、複数の業界でバズワードになっています。 しかし、これらのバズワードは実際には何を意味しているのでしょうか。また、それらはどのように GRC 専門家のジョブをサポートするのでしょうか?

しかし、そのような疑問について掘り下げる前に、次の質問を発した方が良いかもしれません。

機械学習と AI の違いとは何か?

AI の目的は、インテリジェントなマシンが人間のように考え、行動できるようにすることです。 AI は通常、新しいシナリオに適応することにメリットがある状況で使用されます。

他方、機械学習とは AI のサブセットです。機械学習の目的は、システムがデータからの学習、パターンの識別、人間の支援なしの意思決定を行えるようにすることです。 基本的に、機械学習とは、コンピューターがプログラミングされなくても学習し、適応することです。

かいつまんで言うと、機械学習は経験からパターンを見つけ、さらにパターンから学習します。 AI は、経験を使って知識やスキルを取得すると共に、その知識を新しい状況に適用する方法に関する情報を取得します。

どちらのテクノロジーにも価値ある多くのビジネス用途があります。 それでも、機械学習の方が多くの注目を受け、幅広く採用されてきました。 その主な理由は、機械学習こそが、多くの世界的組織が直面しているビジネス上の重大な問題を解決できるからです。

「機械学習の大きなメリットは、リスクをスコアリングする際の主観性を排除できることです」

それでは、機械学習は GRC にどのように役立つのでしょうか?

機械学習には、GRC のさまざまな設定と役割があるという点で非常に重要な応用例があります。 それらの応用例のいくつかは eBook『 コーポレートガバナンスに機械学習を活用する』に示しましたが、いくつかの例を次に示します。

  • リスクの選好度のしきい値、推定値、および対応よりも高度な要因に基づいた、リスクと機会の管理
  • 不正と浪費のパターンの特定、財務データのマイニング、および予測手法を使用した効果的な統制の開発
  • データを分析して成功した攻撃から自動的に学習することで、サイバー攻撃の脅威を認識し、防止
  • ロボティック プロセス オートメーションなどの補完的なテクノロジーをさらに活用することで、プロセスの改善、コンピューター支援による意思決定の改善、アルゴリズムの改善を行います。

応用例にはこの他にも明らかにさらに多くのものがありますが、ここでは機械学習をリスクマネジメントに使用する方法に焦点を当てます。 機械学習は、短時間に大きなデータセットを分析することで、リスクの評価方法を変革しようとしています。 リスクマネジメントへの機械学習の使用例のごく一部を次に示します。

信用度の決定

貸し手は、借り手候補のデジタル フットプリントなどのデータセットを調査して、借り手候補の与信枠を決定できます。 この手法は、信用情報が少ししかないか、まったくない借り手を評価する際に、以前よりもよく使用されるようになりました。

いくつかの企業では、このテクノロジーをシステム内で使って別のデータ ソース(例:ソーシャル メディアの使用状況、閲覧履歴、GPA)を調べ、より正確な信用スコアを生成しています。 MIT の調査によると、この信用スコアにより、滞納顧客による銀行の損失を最大 25% 減少させることができました。

事業リスクの特定

事業リスクは、小規模企業からグローバル企業まで、すべての組織に存在しています。 機械学習によって軽減できる業務リスクを次に示します。

  • サイバーセキュリティの脅威: 機械学習では、脅威によって損害が発生する前に脅威を停止するために、統計分析と統計的アルゴリズムを使用します。 たとえば、スパム対策テクノロジーでは、機械学習を使って数百万通のメッセージ内の文言を分析し、脅威の可能性を検出することで、スパム送信者に対する防護を行っています。
  • マネーロンダリングの企て: マネーロンダリング防止(AML)へのコンプライアンスのコストは、年間 230.5 億ドルと推定されています。 取引を不審性に基づいて分類したり、類似の行動を一緒に行っている従業員を検出したりするクラスター化技法により、マネー ロンダリングの企てを発見することができます。

リソースの割り当て

リスク マネージャーは、過去のデータを使って期間単位で取引を予測することで、リソースの割り当て先を決定できます。 機械学習により、リスク管理者は、どの拠点の支社が監査に合格/失敗する可能性があるかを自動的に予測できるようになります。 このため、リスク管理者はより注視する必要がある拠点に労力を集中することができます。

モデリングのシナリオ

リスク管理者は、入力データを変更することで、予測結果に対する入力データの影響度(例:入力データによるリスク スコアの増減)を知ることができます。 このテクノロジーでは大量のモデルを使用できるため、GRC の専門家は予測を行い、モデルを引き続き再実行することも改善することもできます。

主観的なリスク スコアリングを排除する

機械学習の大きなメリットは、リスクをスコアリングする際の主観性を排除できることです。 データをシステムに入力し、モデルを使用して、データ中心のリスク スコアを決定することで、一般的に精度が低い、人間による手動のリスク スコアリングを回避できます。

次の学習ステップ

機械学習は新しい概念ではありません。 機械学習の開発と構築には多大な時間、労力、研究が投入され、機械学習は時間をかけて定着し、現在のデジタル環境に適合するようになりました。 機械学習により、既存のプロセスやシステムが改善されます。 自動化により、作業が合理化され、リソースの割り当てが改善されたため、人間の介入が本当に必要な作業にスタッフを集中させることができます。

弊社製品の機械学習機能については こちら

eBook:

コーポレートガバナンスに機械学習を活用する

進化するこのテクノロジーについてさらにお読みください。 機械学習で以下が行われる方法を学びます。

  • 大量の構造化及び非構造化データの分析
  • 増加する規制要件への準拠
  • 不正の検出と防止
  • 基幹系プロセスの自動化と、戦略変更をもたらす解決策の提供

eBook をダウンロード

関連記事

lang="en-US"
X

Galvanize は Diligent になりました。

製品提供、研究、GRCリソースに関する最新情報を確実に入手するには、またはGalvanize製品にログインするには、 www.diligent.com

Diligentを開く ログイン