MINT：金融取引を未学習の課題で予測する新AI

金融取引分析の重要性と従来のAIの限界

銀行をはじめとする金融機関は、日々発生する膨大な金融取引の記録を詳細に分析しています。この分析は、業務の効率化と安全性の確保に不可欠です。具体的には、クレジットカードの不正利用を未然に防いだり、顧客の返済能力を正確に評価して信用リスクを管理したり、あるいは顧客一人ひとりのニーズに合わせた金融商品を提案したりする際に活用されます。これらの予測業務の精度を高めるため、支払いに関する基盤となるAIが開発されてきました。これらのAIは、連続する取引の履歴を「埋め込み」と呼ばれる豊富な文脈情報に変換し、それぞれの業務に特化したAIにその特徴を渡すことで、予測能力を向上させています。

しかし、従来の基盤AIには、根本的な課題が存在しました。それは、まだ学習していない、つまり「未学習の課題」に対して、柔軟な推論ができないという点です。金融の世界では、新しい種類の不正手口が日々生まれるため、常に変化に対応できるAIが求められます。しかし、既存のAIでは、新しい状況が発生するたびに再学習が必要となり、その適応性に限界がありました。また、LLM（大規模言語モデル）を活用した未学習の課題への予測手法も存在しますが、取引情報を一度文字情報に変換する手間がかかるため、処理費用が高く、遅延も発生しやすいという問題があります。さらに、その設計上、大規模な金融システムへの導入や拡張が難しいという課題も抱えていました。

MINT：LLMと取引情報変換器の革新的な連携

これらの限界を克服するために開発されたのが、「MINT」（Multimodal Instruction Network for Transactions）という新しい枠組みです。MINTは、事前学習済みの取引情報変換器と、復号器のみで構成されるLLMを効果的に連携させます。この連携は、以下の三つの主要な技術によって実現されています。

一つ目は「軽量な埋め込み注入」です。これは、取引情報変換器が生成した「埋め込み」（データの意味を数値化したもの）を、効率的にLLMへと渡す仕組みです。従来の文字情報への変換とは異なり、よりコンパクトな形式で情報を伝達できます。

二つ目は「取引情報と言葉の合わせ込み」です。MINTは、金融取引の専門的な情報と、LLMが理解する一般的な言葉の間に橋渡しをします。これにより、LLMが取引の文脈を正確に理解し、質問に対して適切な応答を生成できるようになります。

三つ目は「指示による調整」です。特定の業務に合わせてLLMを調整することで、未学習の課題に対しても高い予測能力を発揮させます。これにより、MINTは、既知の課題だけでなく、これまで見たことのない新しい種類の不正や市場の変化に対しても、最先端の質問応答性能を達成することが研究で示されました。

効率性と性能の飛躍的向上

MINTの導入は、AIの運用効率と予測性能の両面で画期的な進歩をもたらします。研究結果によれば、文字情報への変換を基本とする従来の手法と比較して、MINTは入力単位（トークン）の数を大幅に削減します。これにより、AIが処理すべき情報量が減り、処理速度が向上し、遅延が減少します。また、記憶（メモリ）の消費量も大幅に抑えられるため、より少ない計算資源でAIを運用することが可能になります。これは、大規模な金融システムにおいて、運用費用を削減し、持続可能なAI活用を実現する上で極めて重要な要素です。

この研究では、取引情報の表現方法、取引情報と言葉の合わせ込み戦略、学習に用いる情報の種類、そして過去の取引履歴の長さが、MINTの性能にどのように影響するかを包括的に分析しました。その結果、取引情報を文字に変換するよりも、小型の「埋め込み」として表現する方が、多様な形式での推論や未学習の課題に対する予測において、はるかに優れたアプローチであることが明確に示されました。MINTは、金融業界におけるAI活用の新たな標準を確立し、より安全で効率的、そして顧客中心の金融サービス提供を可能にするでしょう。