AWS、Amazon SageMaker AIとPyTorchを用いた「説明可能」な銀行向け商品推奨システムのアーキテクチャを発表
要点
- 米Amazon Web Services（AWS）が、銀行などの金融機関に向けた「説明可能」な商品推奨システムの構築用アーキテクチャを公開した。
- 従来の協調フィルタリングなどでは困難だった、顧客の取引履歴や属性情報に含まれる複雑な時系列パターンの解析をディープラーニングによって実現する。
- 「アテンション機構」を組み込むことで、AIがなぜその商品を推奨したのかという予測の根拠を顧客ごとに明示できるようにしている。
- 構築にはAmazon SageMaker AIやPyTorch 2.9以降、分散処理ライブラリであるDaskなどのツール群が採用されている。
- 米Amazon Web Services（AWS）は2026年7月24日、銀行などの金融機関が顧客に次に勧めるべき商品を予測する「次期推奨商品（Next-Best-Product：NBP）」システムの構築に関するアーキテクチャと設計方針を公式ブログで公開した。このシステムは、Amazon SageMaker AIとPyTorchによるディープラーニング（深層学習：人間の脳の仕組みを模した多層のニューラルネットワークによる機械学習手法）をベースにしており、個々の顧客に対する予測の根拠を提示できる「説明可能性」を備えているという。
金融データ活用における従来の課題
AWSの説明によると、銀行などの金融機関は取引履歴、所有する金融商品の記録、顧客の属性情報（デモグラフィックプロファイル）、そして行動パターンといった膨大で多種多様な顧客データを保有している。しかし、これらの異なる種類のデータを統合し、個々の顧客にパーソナライズされた適切な商品推奨へと落とし込むことは、これまで大きな課題となっていた。
これまでの推奨システムで広く使われていた「ルールベース（あらかじめ定義したルールに従って処理する手法）」や「協調フィルタリング（類似した他のユーザーの行動履歴を基に推奨を行う手法）」では、顧客が時間をかけて商品を導入していく過程における、複雑な時系列のパターンを十分に捉えきれなかったと指摘している。
「説明可能性」を担保するアーキテクチャ
今回公開された推奨システムは、こうした課題を解決するために「マルチタワーニューラルネットワーク」と呼ばれるモデル構造を採用している。これは、種類の異なる複数のデータ群をそれぞれの「タワー」と呼ばれる経路で処理し、最終的に統合して予測を行う仕組みである。
さらに、モデル内に学習された「アテンション（注意）機構（モデルが予測時にデータのどの部分を重視したかを数値化する技術）」を組み込むことで、顧客ごとに予測の根拠を示す機能を実現した。ディープラーニングモデルは内部処理が不透明な「ブラックボックス」になりがちだが、アテンション機構によって、どの取引履歴や行動が今回の商品推奨に強く影響したのかを可視化でき、金融機関が求める厳密な「説明可能性」を担保できるとしている。
システムを支えるAWSのサービス群
本システムは、研究段階のモデルを効率的に本番環境へとデプロイ（配備）し、運用できるように設計されている。主要な役割を担うAWSサービスとして、以下のものが挙げられている。
- AWS Glue: データの抽出、変換、格納を行うETL（データの抽出・変換・書き出しを行う一連の処理）を実行し、データカタログの作成と管理を行う。
- Amazon Simple Storage Service（Amazon S3）: 生データや処理済みデータ、学習済みモデルなどの各種オブジェクトを保存するストレージとして機能する。
- Amazon SageMaker AI: 機械学習モデルの構築、トレーニング（学習）、デプロイ、およびバッチ変換ジョブの実行を担当する。リアルタイムでの予測出力（インフェレンス）を行うためのエンドポイントも提供する。
- Amazon CloudWatch: システムのロググループやログストリームを管理し、実行メトリクス（パフォーマンス監視用の指標データ）の記録と監視を行う。
- AWS Identity and Access Management（IAM）: 最小権限の原則に基づき、各サービス間の安全なアクセス制御を管理する。
構築に必要な前提要件と環境
本アーキテクチャに基づいてシステムを実装する開発者向けに、必要な動作環境やライブラリのバージョンが示されている。開発環境はPython 3.11以降およびPyTorch 2.9以降を基本とし、データ処理や機械学習のライブラリとしてPandas 2.3以降、NumPy 2.3以降、scikit-learn 1.7以降、そして大規模データ処理用のDask 2025.11以降が必要となる。また、安全な展開のために、デプロイ前に依存関係の脆弱性をスキャンするツールの使用が推奨されている。
実際のモデルトレーニングジョブの実行には、GPU（グラフィックス処理プロセッサ）を搭載した計算インスタンスである「ml.g5.12xlarge」などが使用され、Amazon S3のストレージ料金やSageMakerのエンドポイント維持費用などを含め、構築時にはAWSの課金対象リソースが作成される。
多様なドメインへの応用可能性
AWSは、本投稿がステップバイステップの構築手順書ではなく、あくまでアーキテクチャの概要を示すものであると説明している。一方で、ここで提示された設計パターンやマルチタワーによるアプローチは、金融サービスに限定されるものではなく、ヘテロジニアス（異種混在）な顧客データを扱う他のさまざまな分野における、高精度かつ解釈可能な推奨システムの構築にも広く活用できるとしている。