Inscribe が Amazon Bedrock を活用して数秒で文書詐欺を検出する方法

*この投稿は、Inscribe の CTO 兼共同創業者である Conor Burke と共著です* 不正行為は今や文書の 16 件に 1 件の割合で発生しており、AI によって生成された偽造文書は 2025 年 4 月から 12 月にかけて 5 倍に増加しました（[Inscribe の 2026 年版ドキュメント不正行為レポート](https://www.inscribe.ai/reports/2026-document-fraud-report)）。毎日数千件の申請を処理する金融機関にとって、この規模の欺瞞は不可能な課題を生み出しています。従来の手動審査では申請ごとに 30 分を要し、増加する処理量に対応できません。さらに深刻なのは、現代の不正行為ツールが可能にする進化する戦術を検出するのが手作業のプロセスでは困難だということです。スピードだけでは不十分です。解決策は、人間の審査員やレガシーなルールベースシステムが検出するために設計されていなかった、洗練された偽造文書、ディープフェイク、そして組織的な不正行為グループも捉えなければなりません。 [Inscribe](https://www.inscribe.ai/) は、2017 年以来、主要な [銀行](https://www.inscribe.ai/industries/banks)、[貸付業者](https://www.inscribe.ai/industries/lenders)、およびフィンテック企業向けに、AI を活用した文書不正検出システムの構築を行ってきました。本記事では、Inscribe がどのようにして Amazon Bedrock を用いて、熟練した不正調査員のように文書間での推論を行う [エージェント型 AI](https://www.inscribe.ai/why-inscribe) システムを開発したかをご紹介します。この新しいエージェント型 AI システムにより、Inscribe は改ざん、捏造、および AI 生成による金融文書を 90 秒未満で検出できるようになりました。これは従来の手動レビューと比較して 20 倍の改善でありながら、金融サービス規制が要求する精度と説明可能性を維持しています。 [Amazon Bedrock](https://aws.amazon.com/bedrock/) は、AI21 Labs、Anthropic、Cohere、Meta、Stability AI、および Amazon など、主要な AI 企業から高性能なファウンデーションモデル（FMs）を選択できるフルマネージドサービスです。単一の API を通じてこれらのモデルを利用可能にし、セキュリティ、プライバシー、責任ある AI の観点から生成 AI アプリケーションを構築するために必要な広範な機能を提供しています。 ## 課題 中規模銀行における典型的なローン申請を想定してください。顧客は銀行取引明細書、給与明細書、納税書類、身分証明書などを提出します。不正行為分析担当者は、各文書の真正性を検証し、文書間での情報を照合し、ますます巧妙化するディープフェイクや AI 生成の偽造を含む改ざんの兆候をチェックし、申請者の雇用主と住所を調査する必要があります。顧客を競合他社に奪われないよう、迅速な処理を維持しながらこれらすべてを実行しなければなりません。 この手作業プロセスは、3 つの複合的な課題を生み出します： - スケーラビリティ：アプリケーションの増加に伴い、機関は比例してより多くの分析担当者を雇用する必要があり、検出精度を向上させることなくコストが増大します。 - 適応性：静的な不正検出ルールでは、ディープフェイクや AI 生成の偽造文書、組織的な身元盗難リングといった巧妙な手口を見逃してしまいます。 - 一貫性：異なる分析担当者が類似した事案に対して異なる結論に達し、コンプライアンスリスクと公平性の懸念を生み出します。 金融上のリスクは甚大です。1 つの事例の見落としが、直接的な損失で数百万ドル、金融犯罪対策の不備による規制当局からの対応、そして回復がさらに困難な評判への打撃を意味する可能性があります。時間のかかる手動レビューにより顧客承認に数日の遅れが生じ、高い離脱率につながります。一方、不正行為者は過労している分析担当者が毎日数百件の申請を処理する際に微妙な操作の兆候を見逃す可能性を知っており、AI によるディープフェイクや捏造文書から合成身元詐欺へと手口を変化させ続けています。 ## ソリューション：エージェント型 AI がなぜ手動レビューで見落とされるものを捉えるのか Inscribe は、リスク管理チームや引受チームと共に機能する [AI ソリューション](https://www.inscribe.ai/why-inscribe) を構築しました。これは日常的な文書分析を自動化しつつ、複雑なケースを人間によるレビューのためにフラグ付けし、深いドメイン専門知識と [多層検出手法](https://www.inscribe.ai/ai-risk-agents) を組み合わせることで、手動レビューチームや他のプロバイダーが見逃すものを明らかにします。 エージェント型 AI システムを、最初から最後まで作業を行う専門家アナリストと想像してください。このシステムは目標を受け取り、それをステップに分解し、複数のツールを活用して完了まで導きます。基本的な AI ツールが単一の質問に答えるのに対し、エージェント型システムは専門的なモデルを調整し、必要に応じて外部 API を呼び出し、すべての情報を統合して最終的な判断を下します。文書詐欺検出においては、Inscribe のシステムは疑わしいフィールドを単にフラグ付けするだけでなく、文書を提出し、適切なモデルへルーティングし、並列で forensic チェック（forensic checks）を実行し、ウェブを検索して雇用主の詳細を確認し、文書セット全体でデータをクロス参照し、人間の介入なしに監査対応可能な詐欺レポートを生成します。このプロセスは数秒で完了します。 [ファウンデーションモデル](https://aws.amazon.com/what-is/foundation-models/) は、文脈の理解、文書間での推論、自然言語による説明の生成において卓越しており、これらは詐欺分析に不可欠な機能です。Inscribe のアーキテクチャを形作る重要な洞察は、単一のモデルがすべてのタスクに等しく適しているわけではないという点です。各ステップに適切なモデルを調整し、一つのモデルで全てを処理するのではなく、これによりより良い結果をより低いコストで達成できます。 ## Amazon Bedrock が支える多モデル不正検出 Amazon Bedrock からの広範なモデル選択により、Inscribe は各タスクに最適な FM（ファウンデーションモデル）を選択でき、個別のインフラを管理する必要がなくなります。これにより、モデル選択は統合プロジェクトではなく設定項目として扱われるようになります。 サーバーレススケーリングは、深夜の静かな時間帯から業務時間のピークまで、文書処理量の大幅な変動を自動的に処理します。Inscribe が専用サービングインフラをプロビジョニングする必要はありません。 エンタープライズセキュリティとコンプライアンスは、金融サービスが求める厳格なデータ保護基準を満たしています。転送中および保存中のデータを暗号化し、AWS Identity and Access Management (IAM) により細粒度のアクセス制御を提供します。 モデルバージョン管理とガバナンスにより、Inscribe は本番環境へ展開する前にステージング環境で新しいモデルリリースをテストできます。これは、不正検出精度の一貫性を維持するために極めて重要です。 ## スピードとコスト効率のためにタスクにモデルをマッチさせる Inscribe は Amazon Bedrock 上で複数のモデルを評価し、パフォーマンス、レイテンシ、コストを測定して、各不正検出タスクに適したモデルを選定しました。 ## Anthropic Claude Haiku 4.5: レビュー速度を落とさずにコストを 40% 削減 通常のタスクに Claude Sonnet を使用する代わりに、推論コストを約 40% 削減できます。スピードは犠牲になりません。Inscribe は、ドキュメントの解析、フィールド抽出、初期分類、事前スクリーニングチェックなど、数秒で完了する高ボリュームオペレーションに Claude Haiku 4.5 (Anthropic Claude Haiku 4.5) を採用しています。Haiku 4.5 へのアップグレードにより、これらの日常的なタスクにおいてコスト削減を実現しつつ、精度も向上しました。 ## Meta Llama 3.1 70B と Meta Llama 4: トランザクション分析を高速かつ低コストに維持 トランザクションの補完やエンティティ抽出には、Inscribe は Meta Llama モデル (Meta Llama) を使用しています。Inscribe のエンジニアリングマネージャーである Ivo は、この決定について以下のように説明します。 ** *「パフォーマンスの観点では大きな差は見られませんでした。Llama の品質は、私たちが求める水準と同等でした。そのため、Llama を選択することで、品質を犠牲にすることなくコスト削減を実現できました。価格も最終的な決定において確かに重要な役割を果たしました。」* この実用的なアプローチ、つまりパフォーマンスがより高価な代替案と同等である場合に Llama を採用することは、高ボリュームの推論タスクにおいて大幅なコスト削減をもたらします。 ## Anthropic Claude Sonnet 4 および 4.5：文書間詐欺パターンの検出 Claude Sonnet は調整層として機能し、最も洗練されたタスクを処理します。具体的には、文書間詐欺分析、多段階推論ワークフロー、雇用主確認のためのウェブ検索統合、監査対応可能な詐欺レポートの自然言語生成などです。Sonnet の拡張コンテキストウィンドウにより、文書セット全体にわたる意識を維持し、個別に文書を分析した場合に見逃される可能性のあるパターンを特定できます。 ## AWS 上でスケーラブルな詐欺検出を実現する Inscribe Inscribe の詐欺検出システムは、速度、信頼性、コンプライアンスを大規模に提供するために設計された AWS インフラストラクチャ上に構築されています。そのエージェントアーキテクチャにより、システムは専門モデルの調整を行い、次に何を分析すべきかを決定し、必要に応じて外部 API を呼び出し、人間による介入なしでこれらすべてを統合して最終的な判断を下します。 ![image](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/06/23/ML-19301-1.png) AWS 上の Inscribe の詐欺検出アーキテクチャ ## ドキュメントの取り込みと保存 ローン申請書類が Inscribe の Web インターフェースまたは API を経由してアップロードされると、そのドキュメントは業界をリードするスケーラブルなオブジェクトストレージサービスである [Amazon Simple Storage Service](https://aws.amazon.com/pm/serv-s3/)（Amazon S3）に格納されます。[Amazon CloudFront](https://aws.amazon.com/cloudfront/) と [Application Load Balancer](https://aws.amazon.com/elasticloadbalancing/application-load-balancer/) を介して提供される Web アプリケーションは処理ジョブを作成し、それを [Amazon Simple Queue Service](https://aws.amazon.com/sqs/)（Amazon SQS）にキューイングします。ドキュメントは直ちに処理のためにキューに入れられ、手動での引き継ぎは不要です。 ## 非同期処理 Amazon Elastic Compute Cloud（Amazon EC2）上で実行されている Celery ワーカープロセス（分散タスクキュー）が、キューからジョブを引き出します。このキューベースのアーキテクチャにより、トラフィックの急増も遅延なく処理できます。営業時間中はワーカーが自動的にスケールアップし、夜間にはコストを最小化するためにキャパシティがスケールダウンします。10 件の申請を処理する場合でも 1 万件を処理する場合でも、システムは常に一貫したパフォーマンスを提供します。 ## テキスト抽出 [Amazon Textract](https://aws.amazon.com/textract/) は、PDF および画像からのベースラインの光学式文字認識（OCR）およびテキスト抽出機能を提供します。Inscribe では、複雑な金融ドキュメントからより正確な抽出を実現するため、解析ワークロードを Amazon Bedrock 上の FMs に直接シフトさせる傾向が強まっています。 ## マルチモデル不正検出パイプライン Inscribe がテキストを抽出した後、文書は Amazon Bedrock 上で複数の FM（Foundation Models）を協調したシーケンスで通過します。Claude Haiku は高速な初期解析と分類を担当し、Meta Llama モデルは取引データを処理してエンティティを抽出します。Claude Sonnet は文書間分析を行い、雇用主の検証や住所確認のためのウェブ検索を調整し、最終的な不正評価を生成します。各モデルが最も得意とするタスクを担うことで、レビュー時間を数秒に抑えます。 ## Amazon SageMaker AI 上の独自不正検出モデル 基盤モデル分析と並行して、Inscribe は [Amazon SageMaker AI](https://aws.amazon.com/sagemaker/ai/) にホストされた独自の機械学習（ML）モデルを実行しています。これらのモデルは完全に社内開発され、Inscribe が毎年処理する数百万件の申請データで訓練されており、汎用大規模言語モデル（基盤モデルのサブセット）が見逃す兆候を検出します。具体的には、デジタル改ざん画像を特定するためのピクセルレベルの法医学的解析、既知の不正テンプレートライブラリと文書を照合するネットワークパターン検出、および改ざんされた署名やレイアウトを検出する視覚的異常検出です。 SageMaker AI は、これらの専門モデルを大規模に展開するための管理型インフラストラクチャを提供し、モデルのデプロイ、自動スケーリング、パフォーマンス監視のための組み込み機能を備えています。Inscribe のエンジニアリングチームは、インフラストラクチャの管理ではなく、詐欺検出アルゴリズムの洗練に注力できます。これは、金融犯罪の手口が静的なルールシステムが適応できる速度よりも急速に進化しているため、特に重要です。 ## 結果の保存、キャッシュ、および観測性 Inscribe は、中間的な推論トレースと最終的な詐欺レポートの両方を Amazon Relational Database Service (Amazon RDS) に保存し、コンプライアンスチームのための信頼できる監査証跡を提供すると同時に、継続的なモデル改善を支援しています。[Amazon ElastiCache for Valkey](https://aws.amazon.com/elasticache/what-is-valkey/) は、ウェブフックトークンなどの一時的なデータをキャッシュし、レート制限（単位時間あたりのリクエスト数の制限）を適用し、Celery タスクのメタデータを管理します。[Amazon MemoryDB](https://aws.amazon.com/memorydb/) はベクトルデータベース層をサポートしており、ここでトランザクションの埋め込み表現が保存され、K 近傍法（KNN: K-nearest neighbor）検索と呼ばれる技術を使用して照会されます。これはデータセット内で最も類似したレコードを見つける手法であり、支援モデルのパワーソースとなります。 [Amazon CloudWatch](https://aws.amazon.com/cloudwatch/) は、推論レイテンシ、エラーレート、トークン使用量、リクエストあたりのコストなど、モデルのパフォーマンス指標を追跡します。この観測性は、モデルのドリフト（性能の低下）や予測精度の変化を検出するために不可欠であり、これらは再トレーニングやモデル更新の必要性を示すシグナルとなります。 ## 結果：Inscribe で実現できること Amazon Bedrock を活用したエージェント型不正検知への移行により、Inscribe の顧客ベース全体で測定可能な成果が得られました。以下の顧客事例は、Inscribe の不正検知ソリューションを利用する組織が達成した成果を示しています。 Customer** **Fraud Losses Prevented** **Review Time Reduction** **Key Outcome** BHG Financial 数百万ドルの損失防止 90% 以上の削減 貴社と共に成長する体系的なワークフロー Logix Federal Credit Union 8 ヶ月で 300 万ドル以上 最大 99% の削減 AI による偽造検知 BCU 560 万ドルの損失防止 10 件から 10,000 件の申請まで処理可能 不正グループの検出 ## BHG Financial：手作業から体系的なプロセスへ [BHG Financial](https://www.inscribe.ai/customers/bhg-financial) は、主要な金融サービス企業ですが、一貫性に欠け、増加する申請量に対応しきれない手動による文書レビュープロセスに課題を抱えていました。Inscribe の導入後、BHG Financial は手動レビュー時間を 90% 以上削減し、潜在的な不正損失を数百万ドル防止しました。不正検知は、主観的でアナリスト依存だったプロセスから、チームがすべての意思決定で信頼できる透明性の高いワークフローへと移行し、人的リソースの比例増加なしに申請量の増加にも対応できるようになりました。 「Inscribe は私たちの転換点となりました。不正検出を、手作業で主観的なプロセスから、毎回信頼できるスケーラブルで透明性の高いシステムへと変革しました。」— マイケル・クーマー氏、BHG Financial 不正管理ディレクター ## Logix Federal Credit Union: 8 ヶ月間で不正防止による節約額 300 万ドル [Logix Federal Credit Union](https://www.inscribe.ai/customers/logix-federal-credit-union) は年間数百件のローン不正事例を処理しています。調査チームは、手作業での書類検査では見逃しがちなもの、特に AI 生成の偽造文書や合成文書を検出できるツールの必要性を感じていました。Inscribe の導入から 8 ヶ月以内に、Logix は潜在的なローン不正による損失として 300 万ドル以上を防ぎました。また、以前はすべてのケースを遅らせていた雇用主記録と見本書類の時間のかかる手動照合も不要となりました。 「昨年の 4 月末に Inscribe の使用を開始しました。わずか 8 ヶ月で、潜在的なローン不正防止による節約額が 300 万ドルを超え、無数の ID 盗難被害を防ぐことができました。」— マット・オーヴァリン氏、Logix Federal Credit Union 不正リスク管理担当 ## BCU：損失が膨らむ前に不正グループを阻止する [BCU](https://www.inscribe.ai/customers/bcu) は、大手信用組合として、手動審査では検出できていなかった複数の申請書を提出する連携型不正グループというより複雑な課題に直面していました。Inscribe は BCU の口座保護チームに対し、これらの不正スキームを早期に浮き彫りにするための跨アプリケーションパターン検出機能を提供しました。その結果、560 万ドルの不正損失が防止され、チームは人員を比例的に増やすことなく、増加する審査ボリュームに対応できるようになりました。 *「過去数年間で防止した金額最大の事例の多くは、Inscribe の検知によるものです。防止された損失は数百万ドルに及び、これが不正を阻止する速度と自信に計測可能な違いをもたらしました。」* — Nickie Christianson 氏、BCU 口座保護チーム シニアマネージャー ## 結論と今後のステップ Inscribe の成果は、エージェント型 AI が文書不正検出ワークフローに応用された際に何が実現可能かを示しています。単なる審査の高速化だけでなく、推論し、適応し、トレーニング当初には存在していなかった不正手口を検知するシステムです。Amazon Bedrock 上の基盤モデルが継続的に進化していく中で、エージェント型アプローチにより Inscribe はコアインフラを再構築することなく新機能を導入でき、金融機関を不正犯の手先から常に一歩先へ導きます。 Amazon Bedrock 上のマルチモデルアーキテクチャは、同様の課題に直面する他の企業にとってもテンプレートとして機能します。Amazon Bedrock の統一 API（API）とサーバーレススケーリング（serverless scaling）によってサポートされる戦略的なモデル選択により、複雑な AI ワークフロー全体で品質、速度、コストのバランスを保つことが可能になります。 開始するには、以下のリソースをご覧ください： To

Inscribe が Amazon Bedrock を活用して数秒で文書詐欺を検出する方法

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト