banking-ai-literature-mapper

銀行業 AI 文献マッパー

銀行業およびフィンテックにおける AI 手法、成功事例、データセット、ベンチマーク、評価方法を、出典に基づいて整理します。

このスキルは、業界の研究開発チームが、移転リスク、規制上の制約、データの違いを正直に考慮しながら、信頼できる先例に基づいてソリューションの方向性を正当化するために役立ちます。

このスキルを使う場面

ユーザーが次の内容を求めている場合に、このスキルを使用します。

• 銀行業またはフィンテックにおける、過去の成功した AI／ML 事例。
• 銀行業向けソリューションの提案を裏付ける論文。
• 与信、不正、AML、顧客、文書、コンプライアンス、業務上の課題に対する手法の選択肢。
• 銀行に類するタスクの評価ベンチマークやデータセット。
• 文献に裏付けられた社内研究開発提案。

銀行業以外も含む幅広い研究調査をユーザーが求めている場合は、literature-triangulation を使用します。最終的なソリューション設計が必要な場合は、出典のマッピング後に publication-grounded-solution-design を使用します。

ワークフロー

1. 銀行業の課題の特性を定義する

課題を、ドメインと技術的な特性の両方に基づいて分類します。

ドメインの例：

• 与信リスク。
• 不正／詐欺の検出。
• AML および不審な取引のモニタリング。
• 債権回収と回収業務。
• 顧客離反とパーソナライゼーション。
• コンタクトセンターおよび支店業務。
• 文書理解と KYC。
• コンプライアンス、リスク管理、監査。
• 従業員の生産性とナレッジ検索。

技術的な特性：

• 表形式データの予測。
• 時系列予測。
• ランキングまたはトリアージ。
• グラフ検出。
• 異常検知。
• 因果的アップリフト。
• レコメンダーシステム。
• 情報抽出。
• 検索と根拠に基づく生成。
• ワークフロー／プロセスマイニング。
• 最適化。

両方の分類を使って検索します。銀行業の分類だけでは、保険、通信、E コマースのリスク管理、医療業務、サイバーセキュリティ、公共部門の不正などから移転可能な手法を見落とす場合があります。

2. 出典の種類を分ける

次のカテゴリに分けて整理します。

1. 銀行／金融分野の論文：ドメインが最も近いもの。
2. 隣接分野の論文：同様の課題特性を扱い、より優れた手法やベンチマークを備えるもの。
3. システム／事例の論文：本番環境または本番に近い環境への導入事例。
4. データセット／ベンチマーク：ベースラインや代替指標として役立つ公開タスク。
5. サーベイ：分野の全体像を示すものであり、直接的な証拠ではありません。
6. 規制／説明可能性に関する出典：導入に影響する制約。

これらを同等の証拠として混同しないでください。

3. 証拠の質を評価する

出典ごとに、次の点を評価します。

• 掲載先または信頼性。
• データセットの現実性。
• サンプルサイズと対象期間。
• 評価プロトコル。
• ベースライン。
• データリーク対策。
• 説明可能性と公平性への対応。
• 業務との関連性。
• 結果が再現可能か、または主張にとどまるか。

証拠が弱い場合は、明確に示してください。

4. 手法を銀行業に適用する際の前提を整理する

手法の各カテゴリについて、銀行側で次の条件が満たされる必要があるかを明記します。

• データ項目が存在し、信頼できること。
• ラベルが過去の方針によって過度に偏っていないこと。
• 意思決定と結果にタイムスタンプが付いていること。
• エンティティを一貫して紐付けられること。
• モデル出力をユーザーや監査担当者に説明できること。
• レイテンシーと統合に関する制約を満たせること。
• コンプライアンス部門が介入を承認すること。

5. 評価パターンを抽出する

類似の研究がどのように評価されているかを特定します。

• 時系列による訓練／テスト分割。
• 時間外検証。
• 審査対応可能な件数を考慮した precision@k。
• コスト重視の指標。
• キャリブレーション。
• セグメント別の公平性。
• 人間が関与する評価。
• バックテスト。
• アブレーション。
• ドリフトや敵対的な変化に対する頑健性。

ユーザーの課題に最も適した評価方法を推奨します。

6. 読書とアクションのマップを作成する

出典を次のカテゴリに分けて優先順位を付けます。

• 必読。
• 手法の検討に有用。
• 評価方法の検討に有用。
• リスク／コンプライアンスの検討に有用。
• 根拠が弱い、または背景情報に限られるもの。

次に、文献をどのように活用するかを推奨します。

• パイロットを正当化する。
• ベースラインを選ぶ。
• 既知の失敗パターンを避ける。
• データ要件を定義する。
• 手法のセクションを作成する。

出力形式

# Banking AI literature map: [problem]

## Problem classification
- Banking domain:
- Technical shape:
- Decision/workflow:
- Key constraints:

## Source map
| Source | Type | Problem match | Method | Evidence quality | Evaluation pattern | Transfer assumptions | Caveats |
|---|---|---|---|---|---|---|---|

## Method families
### [Method family]
- Core idea:
- Best supporting sources:
- When it fits:
- When it fails:
- Banking transfer assumptions:
- Evaluation implications:

## Prior successful cases

## Datasets and benchmarks

## Evaluation patterns to reuse

## Gaps and risks in the literature

## Recommended reading order

## How this should feed solution design

品質基準

優れた銀行業界の文献マップでは、どの情報源が研究開発提案の根拠として十分に有力で、どれが着想を与えるにとどまり、導入前にどの前提を検証する必要があるのかが明確になっている必要があります。