英Revolut、銀行向けAI基盤モデル「PRAGMA」　240億件のイベントで不正検知などを改善

英フィンテック大手のRevolutは2026年8月25日、AI研究部門「Revolut Research」を正式に立ち上げ、銀行業務向けの基盤モデル「PRAGMA」を発表した。取引やアプリ内操作など複数種類のイベントから顧客の金融行動を表現し、不正検知、与信スコアリング、商品レコメンデーションなどに共通して利用するエンコーダー型のTransformerモデルである。

同社とNVIDIAの研究チームが公表した論文では、PRAGMAが複数の下流タスクでRevolutのタスク特化型モデルを上回ったと報告されている。ただし、評価値は同社の内部データと内部ベースラインに対する相対的な改善率で、絶対的な性能値は公表されていない。論文はarXivで公開されたプレプリントであり、査読を経た研究成果ではない。

■複数の銀行業務に共通する表現を学習

従来の金融機関では、不正検知、与信、顧客向けレコメンデーションなど、目的ごとに異なるモデルや学習パイプラインを構築する方法が広く採られてきた。PRAGMAは、複数の業務に転用できる共通の表現層を事前学習し、用途ごとに比較的小規模な追加学習を施す構成を採る。

入力にはカード決済や送金などの取引、アプリ内の操作、顧客とのコミュニケーション、取引サービスの利用状況といった時系列イベントに加え、契約プランやサービス提供地域などのプロフィール情報を使用する。これらを単純な文章に変換するのではなく、項目名、値、時刻を組み合わせた独自の形式でトークン化する。

数値は分布に応じた区間に分類し、カテゴリー値は単一トークン、自由記述はサブワードに分割する。時間についても、直前のイベントからの経過時間や、時刻、曜日、日付などをモデルに与える。この構造により、性質の異なる金融イベントを一つのモデルで扱えるようにしている。

■2600万件のユーザー記録と240億件のイベントで事前学習

PRAGMAの事前学習データは、111カ国にまたがる2600万件の匿名化されたユーザー記録で構成される。対象期間は2023年から2025年までの25カ月間で、240億件のイベント、約2070億トークンを含む。

モデルは、プロフィール情報を処理する「Profile State Encoder」、個々のイベントを処理する「Event Encoder」、それらを時系列に沿って統合する「History Encoder」の3つの主要ブロックからなる。事前学習では入力の一部を隠し、周囲の情報から元の値を復元させるマスクドモデリングを採用した。

モデルの規模は、1000万パラメータのPRAGMA-S、1億パラメータのPRAGMA-M、10億パラメータのPRAGMA-Lの3種類である。PRAGMA-SとPRAGMA-Mの学習には16基、PRAGMA-Lには32基のNVIDIA H100 GPUが使われた。最小モデルの学習には約2日、1億および10億パラメータのモデルにはそれぞれ約2週間を要した。計算基盤にはNebius AI Cloudが使用された。

利用者によってイベント数や各イベントの長さが大きく異なるため、通常のパディング処理では計算資源の多くが空のデータに費やされる。研究チームは、イベント数に応じたデータ分割、動的バッチ処理、可変長のシーケンスパッキングを組み合わせた。論文では、一般的なパディング方式と比べ、学習スループットが2～5倍になったとしている。

■不正検知や与信で社内ベースラインを上回る

論文によると、10億パラメータのPRAGMA-LにLoRAによる追加学習を施した場合、タスク特化型の社内ベースラインと比べて、不正検知の再現率が64.7％、適合率が16.7％改善した。与信スコアリングでは、適合率と再現率を総合的に評価するPR-AUCが130.2％、商品レコメンデーションでは平均適合率が40.5％改善した。

これらは性能指標そのものではなく、比較対象からの相対的な変化率である。Revolutは商業上の理由から絶対値を開示しておらず、異なる金融機関や公開データセットとの直接比較はできない。また、公表された結果について、第三者による再現実験や独立評価は確認されていない。

モデルを大きくした場合の効果はタスクによって異なる。論文では、PRAGMA-SからPRAGMA-Lへ拡大した際、LoRAを使用した与信スコアリングのPR-AUCが35.2％改善した一方、定期的な取引の検出ではモデル規模による改善が小さかった。すべての用途で最大モデルが必要になるわけではなく、精度、処理時間、運用コストに応じてモデルを選択できる設計となっている。

■LoRAで用途ごとの追加学習を軽量化

PRAGMAを個別業務に適応させる際には、LoRAと呼ばれる追加学習手法を利用する。事前学習済みモデルの大部分を固定し、全パラメータの約2～4％に相当する追加部分を更新する方法である。

論文では、LoRAを使った追加学習が、複数の下流タスクでモデルを一から全面的に学習する方法と同等以上の結果を示したとしている。学習時間はデータセットの規模によって異なり、通常は12時間から数日だった。

Revolutは、用途ごとにモデル全体を作り直すのではなく、一つの事前学習済みモデルに小規模なアダプターを追加することで、開発サイクルを短縮できると説明している。もっとも、12時間という数値は追加学習に要する最短クラスの時間であり、新しいモデルを本番環境へ安全に導入するまでの検証や審査期間を示すものではない。

■AMLではユーザー間の関係を捉えられず

PRAGMAがすべての銀行業務でタスク特化型モデルを上回ったわけではない。論文では、マネーロンダリング対策（AML）の評価において、F0.5スコアがベースラインから47.1％低下したと報告されている。

PRAGMAは、一人の利用者についてプロフィールとイベント履歴を処理し、その利用者を表す埋め込みを生成する。これに対し、AMLでは複数の利用者、口座、送金先にまたがる資金移動の関係を捉えることが重要になる。

論文の著者らは、PRAGMAのようなユーザー単位のモデルについて、口座間の関係を扱うグラフベースのモデルを補完するものと位置づけている。論文で評価されたPRAGMAの性質を示す結果であり、Revolutが実際に運用しているAMLシステム全体の性能を示すものではない。

■内製データを共通のAI基盤に

RevolutのAI部門責任者でPRAGMA論文の共著者でもあるPavel Nesterov氏は、「インテリジェント・バンキングの未来をリードするには、サードパーティーの設計図に依存することはできない」と述べ、社内で中核技術を構築する方針を示した。

Revolut Researchを率いるAnton Repushko氏も、狭い用途に特化したモデルを継ぎ合わせるのではなく、金融行動を扱う統合的な基盤モデルを開発すると説明している。

PRAGMAの特徴は、取引だけでなく、アプリ内操作、コミュニケーション、取引サービスの利用状況、プロフィール属性など、複数の情報源を同時に扱う点にある。Revolut Researchは今後も研究成果を公表し、技術的なフレームワークをオープンソース化する方針を示している。

■欧州では与信AIへの規制対応も焦点

EU AI法では、自然人の信用力を評価したり、信用スコアを算出したりするAIシステムが、原則として高リスクAIに分類される。高リスクAIのリスク管理、データガバナンス、技術文書、記録、人間による監視などを定めた第3章第1～3節の主要義務は、2026年7月に成立した改正規則により、附属書IIIのシステムについて2027年12月2日から適用される。

一方、AIの出力に基づいて法的効果または同程度の重大な影響を生じる決定を受けた人に、AIが果たした役割と決定の主要な要素について明確で意味のある説明を求める権利を認める第86条は、この延期の対象ではない。個人データを使った自動意思決定には、EU一般データ保護規則（GDPR）による規律も引き続き適用される。

PRAGMAの論文はモデルの予測性能や学習効率を主題としており、与信判断に使用する際の説明方法、監督体制、法令への適合性は評価していない。エンコーダーが生成する埋め込みは下流モデルの入力として使われるため、説明可能性はPRAGMA単体だけでなく、最終的な判定モデル、使用するデータ、意思決定手順、人間による確認を含むシステム全体で設計する必要がある。

■英国で銀行業務を開始、米国では免許を申請

Revolutは2026年3月、英国で銀行としての本格的な業務を開始した。英健全性規制機構による制限付き免許の移行期間を終え、対象となる預金への金融サービス補償機構による保護や、融資商品の提供に向けた基盤を得た。

米国では同月、通貨監督庁と連邦預金保険公社に国法銀行免許を申請した。申請が承認されれば、単一の連邦規制の下で全50州にサービスを展開し、預金、融資、クレジットカードなどを直接提供できるようになる。現時点では申請段階であり、承認や銀行業務の開始には至っていない。

Revolutの2025年通期売上高は前年比46％増の45億ポンド、税引前利益は57％増の17億ポンドだった。サブスクリプション売上高は67％増の7億800万ポンドとなった。サービス地域や金融商品の拡大に伴って扱うデータの種類も増える可能性がある一方、PRAGMAを与信などの重要な判断に適用するには、地域ごとの規制やデータ利用条件に応じた検証と管理が必要になる。

■注目ポイントQ&A

●PRAGMAは従来の不正検知モデルと何が違うのですか？

PRAGMAは、不正検知だけを目的に一から学習するのではなく、取引、アプリ内操作、コミュニケーション、プロフィール属性などから共通の行動表現を事前学習します。その表現を不正検知向けに追加学習することで、Revolutの内部ベースラインに対して再現率と適合率が改善したと報告されています。絶対的な性能値は公表されていません。

●EUでPRAGMAを与信判断に利用できますか？

モデルの存在だけで利用の可否が決まるわけではありません。対象となる与信AIの分類、使用データ、最終的な判定方法、人間による監視、説明や異議申し立てへの対応を含め、システム全体でEU AI法やGDPRなどに適合させる必要があります。PRAGMAの論文では、こうした法令適合性は検証されていません。

●PRAGMAはアプリ内AIアシスタント「AIR」と同じものですか？

異なるものであると説明されています。PRAGMAは金融行動の埋め込みを生成し、不正検知、リスク評価、レコメンデーションなどに利用するバックエンド側の基盤モデルです。AIRは英国で提供されている利用者向けの対話型アシスタントです。

●LoRAを採用する利点は何ですか？

事前学習済みモデルの大部分を固定したまま、少数の追加パラメータを更新して特定の業務に適応できる点です。PRAGMAでは全パラメータの約2～4％を更新し、データセットの規模に応じて12時間から数日で追加学習したと報告されています。

元記事: Revolut Builds Its Own Banking AI: PRAGMA Foundation Model Beats Specialist Systems at Fraud