Kairosは、サインアップ、ログイン、支払いなどの金融行動をリアルタイムで評価するために設計された、オープンソースのリスクおよび不正判定プラットフォームです。このシステムは、各選択の背後にある具体的なリスクスコアやシグナルとともに、承認、ステップアップ、レビュー、ブロックといった即時アクションを返すことで、商用不正検知サービスの代替手段として機能します。プラットフォームは、共有デバイス、カード、住所を含む対象者の履歴を追跡し、すべての意思決定にコンテキストを提供します。
この画像は、特定のリスクスコアやシグナルとともに即時アクションを返すプラットフォームの能力を例示しています。
Kairosの核心的なメカニズムは、「意思決定モデル」と従来の機械学習のハイブリッドアプローチに基づいています。その中心にあるのはGraysonという意思決定モデルで、これはメール、名前、商品タイトルなどの非構造化データを処理し、平易な言語での質問（例：「このメールは使い捨てか？」）に対して調整された確率で回答することができます。これらの意思決定モデルは、ラベルが少ないシナリオや複雑なテキストにおいて優れた性能を発揮しますが、Kairosはロジスティック回帰や勾配ブースティングツリー（XGBoost互換）などの従来モデルもサポートしています。Graysonの定性的な回答と従来モデルからの定量的なデータを組み合わせることで、プラットフォームは高度な推論能力と、大量のトランザクションに必要な低コストで高精度なスコアリングのバランスをユーザーに提供します。
Kairosの主要な差別化要因は、Model Context Protocol (MCP) サーバーを利用した「エージェントファースト」の設計です。これにより、Claude Code、Cursor、CodexなどのAIコーディングエージェントがプラットフォームと直接対話し、不正機械学習エンジニアの業務を実行できるようになります。これらのエージェントは、ワークフローの構築、モデルのバリエーションの提案、および実験の実行を行うことができます。Kairosはこれらのバリエーションをラベル付きデータでトレーニングし、新しいデータでテストを行い、ROC-AUCや適合率・再現率などのパフォーマンス指標を報告します。その後、エージェントはその選択を説明し、勝者のモデルをワークフローの新しいバージョンとして自動的に公開します。この自動化は不正防御の開発を効率化しますが、プラットフォームの有効性は、ユーザーの履歴データによって提供されるラベルの品質、およびGraysonモデルに投げかけられる具体的な質問の内容に依存します。