より優れたインサイトはBabel Streetの最適化されたデータから

すでに大量のデータを保有しているはずです。社内データ、第三者データ、公開情報などです。より深い知見を得るために、さらに多くのデータの購入を検討することもあるでしょう。

それは誤りです。

データ量を増やすだけでは、明確な判断にはつながりません。すでに断片化している情報源にさらに情報を積み重ねると、重要なシグナルが埋もれ、リスク調査が遅れる可能性があります。

膨大なデータを有効に活用するには、組織は信頼できるオープンソース情報と差別化されたコンテンツを統合し、その情報を評価、拡充、関連付けるインテリジェンス基盤を必要とします。この基盤により、チームはエンティティを特定し、新たな状況を把握し、リスクとの近接性を判断するとともに、人、企業、場所、資産、事象の間にある関係を明らかにできます。

組織がAIを導入する際には、アプリケーション、モデル、エージェントが責任ある形で利用できるインテリジェンスも必要です。構造化・非構造化テキスト、画像、動画、音声は、アクセス可能で、コンテキストが付与され、適切に管理されていなければなりません。また、出力の説明可能性と正当性を維持するため、データの来歴とソースの継続性を保持する必要があります。

公共部門と民間部門の組織に共通する目標は、見落としを減らし、実務担当者が新たなリスク、不正、ベンダーに起因するエクスポージャー、その他の脅威を特定できるデータを得ることです。

しかし、今日のデータ環境の多くは、その目標の達成を困難にしています。

現在のデータ環境が抱える課題

多くのデータセットは依然として、正確性や完全性に欠け、構造に一貫性がない、あるいはアクセスが困難です。こうした問題は、データの集約を妨げ、関連性を見えにくくし、信頼できるリスク像の構築を困難にします。

繰り返し生じる5つの課題が、この問題を浮き彫りにしています：

1. データの不正確性

公開情報および商用利用可能な情報（PAI／商用利用可能な情報）には、事実と異なる情報が多く含まれています。デジタル空間では、こうした不正確な情報が増幅されます。正しい情報と誤った情報を区別できないデータセットに基づく調査は、必然的に行き詰まります。

デジタル情報には、事実誤認よりも見抜きにくい「完全には正しくない」データが蔓延しています。出生記録では月と日が入れ替わり、税務記録、生年月日、住所では数字の順序が入れ替わることがあります。また、情報が古くなっている場合もあります。企業属性データには、John SmithがABC Co. Ltd.の最高財務責任者として記載されているかもしれません。実際、9か月前まではそうでしたが、その後退職して自身の会社を設立しました。では、その会社についてはどうでしょうか。公開情報では彼が所有者と記載されていても、実際にはMary Johnsonとの共同所有である可能性があります。

2. 不完全な情報

Uticaの酒店強盗に使われたオレンジ色のセダン（New York州のナンバープレート番号はXYZ-1234、左後部バンパーに大きなへこみ）は、Poughkeepsieのコンビニエンスストア強盗に使われた、同じく大きなへこみのあるタンジェリン色のセダンと一致する可能性が高いように見えます。しかし、ナンバープレート番号が不明なため、捜査官は確証を得られません。すべてのデータセットに関連情報が漏れなく含まれているとは限らず、こうした状況が捜査を遅らせます。

3. 異なるデータ構造

生年月日、住所、電話番号、車両識別情報などのデータ項目は、データソースごとに異なる構造で格納されている場合があります。データベース、スプレッドシート、PDF、Word文書、スキャン文書、独自アプリケーション、レガシーシステム、記録管理システム、クラウドベースのデータベースなど、形式は多岐にわたります。

こうしたデータ構造や形式の違いは、捜査の妨げとなる可能性があります。警察の捜査官がJoseph Q. Jonesの犯罪歴を検索する場面を想像してください。Joseph Q. Jonesという人物は数多く存在します。捜査官は、生年月日などを手掛かりに、捜査対象のJoseph Q. Jonesを特定しようとしています。しかし、ある記録に容疑者の生年月日が1981年4月15日と記載されていても、別の記録では4/15/1981、15/4/81、15 April 1981と表記されていたり、さらには容疑者Joseph Q. Jonesを「およそ45歳」と記述した報告書があったりするため、照合は容易ではありません。

4. 集約の失敗

不正確で一貫性のないデータ構造が一因となり、データ集約が失敗することがあります。アイデンティティ・インテリジェンスの分野を例に考えてみましょう。事業主のJohn Smithは、データベースによってJohn Smith、John Jacob Smith、John J. Smith、J.J. Smith、Jack Smithなど、異なる名前で登録されている可能性があります。しかし、エンティティが解決されるまで、調査担当者はこれらのJohn Smithがすべて同一人物であると判断できません。エンティティ解決技術を活用すれば、こうした複数のアイデンティティを効果的に統合できます。さらに望ましいのは、企業や政府機関のシステムに取り込まれる前に、こうした情報がすでに検証・照合されたデータストリームを利用することです。

5. アクセスの欠如

一部の政府は、外国人によるデータへのアクセスを制限しています。米国と敵対する政府が運営するウェブサイトで外国人向けに公開される情報は、その政府が自国民に提供する情報と大きく異なる場合があります。より穏当なケースとしては、国内法や国際法により、特定の種類の記録（個人を特定できる情報や金融記録など）をある国から別の国へ移転することが禁止されている場合があります。

通信、金融、ソーシャルメディア、海運、データ仲介などの民間事業者も、地域によってカバー範囲にばらつきがあります。その結果、国や地域ごとに情報の可視性が一貫しません。したがって組織には、グローバルかつ多言語での幅広い収集能力に、地域別のアクセス、情報源の適格性評価、現地の情報環境への理解を組み合わせた収集戦略が必要です。

過去に遡れる範囲も重要な課題です。進行中の情報からは現在何が変化しているかを把握できる一方、過去の文脈は、パターンや関係性、状況がどのように推移してきたかを分析担当者が理解するうえで役立ちます。効果的な調査には、両方の視点と、それらを明確に結び付けることが必要です。

組織がデータ量だけに依存すると、不正確または不完全なデータポイント、互換性のない構造、未解決のエンティティ、分断された情報源が残ります。こうした弱点は、人、組織、場所、事象、脅威、およびそれらの関係性に関するインテリジェンスの質を損なうだけでなく、AIを活用した分析の関連性、説明可能性、正当性も制限します。必要なのは単にデータを増やすことではなく、より緊密に結び付けられたインテリジェンスです。

データの氾濫から、より高度なリスクインテリジェンスと意思決定上の優位性へ

すでに豊富な情報を保有しています。優位性を生むのは、データをさらに増やすことではなく、重要なコンテンツを見つけ、その適格性を評価し、関連付け、リスク判断に活用できるようにすることです。

Babel Street Data Advantage™は、敵対的リスクに対応するために構築されたインテリジェンス基盤です。情報源の適格性を評価し、断片化されたエンティティを解決し、来歴を保持するとともに、人、企業、場所、船舶、事象、デジタルアイデンティティ、脅威指標を関連付けることで、差別化されたグローバルコンテンツを、相互につながり、エビデンスに裏付けられたインテリジェンスへと変換します。この関係性に富んだコンテキストにより、組織は何がリスクであるかだけでなく、直接的、地理的、行動的、運用的、時間的、または1つ以上のつながりを通じて、何がリスクに近接しているかも把握できます。

Babel Streetは、差別化されたアクセス、情報源の適格性評価、エンティティ解決、関係性インテリジェンス、リスク重視の分析手法を組み合わせることで、データ上の優位性を生み出します：

リスクインテリジェンスのための差別化されたグローバルコンテンツ

Babel Streetは、標準的な情報源や一般的な収集手法では見落とされる可能性のある、リスクに関連する情報を特定し、アクセスして収集します。これには、多言語、地域固有、非公開、ディープウェブ、調達、敵対的ネットワークに関するコンテンツが含まれ、進展中の事象、個人・組織の識別情報、組織、ネットワークに、より広範な地理的・言語的コンテキストをもたらします。

地域データへのアクセスとインテリジェンス収集

収集技術、セキュアなインフラ、地域別のアクセス手段、専門的な情報収集手法を活用することで、直接アクセスすることが困難または危険なオンライン情報環境にも到達できます。この機能は、責任ある情報収集を支援するとともに、根拠を明確に示せる調査結果に必要な情報源の継続性を維持しながら、アナリストが利用できるコンテキストを拡充します。

より優れたインテリジェンスを実現するリスク重視のデータ収集

標準的なデータ収集ではミッション固有の課題に対応できない場合、Babel Streetの専門家が、顧客のユースケースに特化した収集戦略の策定を支援します。目的はアクセスそのものではなく、適格性を評価し、文脈を付与したうえで、モニタリング、スクリーニング、調査、分析、レポーティングに活用できる関連性の高いコンテンツを得ることです。

エンティティ解決と関係性インテリジェンス

Babel Streetは、断片化された構造化情報と非構造化情報からエンティティを抽出・解決し、地理的、歴史的、行動的、組織的なコンテキストと関連付けます。さらに、身元、組織、場所、イベント、デジタル資産、証拠、指標を結び付け、来歴を保持することで、単一の記録だけでは把握できない可能性のある、リスクへの直接的および複数の経路を介した近接性をインテリジェンス基盤によって明らかにできます。

Babel Streetのデータとリスクインテリジェンス技術の価値

Babel Street Dataの優位性は、差別化され、品質が確保され、相互に連携したインテリジェンス基盤として、Babel Streetリスクインテリジェンスプラットフォームを支えます。この基盤はプラットフォーム全体で、情報源、エンティティ、関係性、地理、履歴の各コンテキストを、モニタリング、本人特定、スクリーニング、調査、分析、レポート作成に活用します。分断されたツールをまたいでアラート、記録、地図、関係性をチームが組み合わせる必要がなく、シグナルから理解に至るまでを、より一貫したワークフローで進められます。

この共通のインテリジェンス基盤により、Babel Streetのアプリケーション、API、分析、エージェント型ワークフローは、関連性、説明可能性、有用性をさらに高めます。例えばInsights Investigatorでは、AIが精査済みで引用可能なリスク重視の知識を活用する一方、調査の方向性と結論は引き続きアナリストが管理します。データを増やすだけでは、意思決定上の優位性は生まれません。Babel Streetは、入手困難なグローバルコンテンツを、組織が潜在的なエクスポージャーを把握し、リスクとの近接性を理解し、より確信を持って行動するための、相互に関連付けられたリスクインテリジェンスへと変換することで、意思決定上の優位性を実現します。

免責事項：

本書に記載されている氏名、企業、事案はすべて架空のものです。実在の人物（存命・故人を問わず）、場所、企業、製品との関連を意図するものではなく、そのように解釈されるべきものでもありません。