Revolut Researchとは何か

Revolutは2026年8月、AI組織の中に専任の研究部門「Revolut Research」を立ち上げました。目的は、銀行業務に特化した機械学習（ML）の研究を、実際の金融サービスで使える機能へ落とし込むことです。単発の外部AIソリューションを業務ごとに導入するのではなく、社内で再利用できる共通基盤を育てる方針です。1013

この部門は、RevolutがNVIDIAと共同開発する銀行向け基盤モデル「PRAGMA」を支える研究エンジンに位置づけられています。なお、「NVIDIAが開発したモデル」という表現は、NVIDIA単独の製品という意味ではなく、両社の共同開発を指します。1013

「build, don’t bolt on」戦略の意味

Revolutが掲げる「build, don’t bolt on（後付けせず、自ら作る）」とは、機能ごとに別々のモデルや手作業で作った特徴量テーブルを用意するのではなく、幅広い金融行動を学習したひとつのモデルを複数の用途で使う考え方です。610

想定される用途には、次のようなものがあります。

• 信用スコアリングや貸し倒れリスクの評価
• 不正取引・詐欺の検知
• 顧客セグメンテーション
• 顧客に合わせた金融商品の推薦
• 顧客エンゲージメントなどの予測

従来のように、カード決済の不正検知、与信判断、顧客向けの提案それぞれに独立したML基盤を構築するのではなく、共通の「行動インテリジェンス層」を設け、その上に各機能を載せる構想です。610

RevolutのAI責任者Pavel Nesterov氏は、第三者が作った設計図だけに依存するのではなく、同社独自の基盤モデルを訓練することが必要だという趣旨を説明しています。Revolut Researchは、この自社開発重視の方針を組織として定着させるための部門とされています。6

PRAGMAの構造と学習方法

PRAGMAは「PRe-trained Banking Foundation Model」の略称です。一般的な文章生成AIのようにテキストを中心に扱うのではなく、決済、送金などの金融イベントが時間の流れに沿って並ぶ「銀行イベント履歴」を処理します。110

公開された研究では、PRAGMAは複数のデータソースを扱うエンコーダー型のTransformerモデル群として説明されています。モデル規模は1,000万パラメータから10億パラメータまで展開されています。1

学習には、自己教師ありのマスクモデリングが使われます。これは、履歴の一部を隠して、モデルに欠けたイベントや情報を推測させる方法です。長さが不規則な金融履歴を効率よく扱うため、シーケンスパッキングや動的バッチ処理も組み合わせています。1

事前学習した共通基盤から顧客行動の特徴表現を取り出し、用途ごとに軽量な追加学習を行える点も特徴です。公開資料では、LoRA（低ランク適応）によって、信用評価や不正検知などのタスクへ比較的効率よく適応できるとされています。1

どれほどのデータで訓練されたのか

報告されているPRAGMAの学習データは、約2,600万人分の顧客履歴にまたがる240億件の銀行イベントで、111カ国をカバーします。イベントには、支払い、送金、その他の金融商品や顧客行動に関する時系列シグナルが含まれると説明されています。110

一部の二次情報では、2,500万人・400億件など異なる数字も紹介されていますが、ここでは公開論文とNVIDIAの事例紹介で示された約2,600万人、240億件、111カ国という数字を基準にしています。110

NVIDIAのH100は使われたのか

PRAGMAの学習は、NVIDIAのアクセラレーテッドコンピューティング基盤上で実施されました。NVIDIAの事例紹介は、Nebius AI Cloud上のNVIDIA H100 GPU、シーケンスパッキング、動的バッチ処理によって、大規模な事前学習を実行可能にしたと説明しています。10

ただし、確認できる資料だけでは、使用したH100の正確な台数やクラスター構成までは裏付けられていません。したがって、「何基のH100で訓練したか」という具体的な数字を断定することはできません。1610

報告された性能向上

NVIDIAが公開したRevolutのケーススタディでは、既存の本番モデルをベースラインとした比較として、次の結果が報告されています。6

• 信用デフォルトリスクの識別精度：2.3倍
• 検知した不正案件数：65％増
• 詐欺アラートの精度：17％向上
• 商品推薦の関連性：41％向上

これらはRevolutおよびNVIDIAが示したベンチマーク結果です。第三者による独立監査済みの業界横断比較ではないため、金融機関全体にそのまま当てはまる性能指標として読むべきではありません。6

発表前から進んでいた研究開発

Revolut Researchの発足は、ゼロから始まる計画ではありません。発表に先立ち、PRAGMAの研究論文が公開され、NVIDIAも2026年6月のケーススタディで、詐欺検知、信用評価、顧客エンゲージメント、商品推薦に分かれていた複数のシステムを、共通の基盤モデルへ統合する取り組みを紹介していました。16

つまり今回の部門設立は、すでに研究成果と実運用を意識した検証結果が出ていたAI開発を、継続的なR&D組織として制度化する動きといえます。16

研究コミュニティーとの連携

Revolutは、Revolut Researchについて、以下の活動を予定しています。

• 研究成果の継続的な発表
• 選定したフレームワークのオープンソース化
• GTC Berlinへの参加
• ACM International Conference on AI in Finance（ICAIF）への参加
• 四半期ごとの科学・研究ミートアップの開催

公開検索で確認できる高信頼度の資料だけでは、発表時に挙げられた幹部全員の氏名や、発言の正確な文言までは独立検証できません。個別の引用や役職については、Revolutの原文リリースで確認する必要があります。

事業拡大との関係

このAI構想は、Revolutが40超の市場で8,000万人を超える顧客基盤へ拡大する中で、リスク管理やパーソナライズ機能を一貫してスケールさせる取り組みの一部です。34

同社のフランス法人は、フランスの健全性監督・破綻処理機関ACPRと欧州中央銀行（ECB）の関与する承認プロセスを経て、フルバンキングライセンスを取得しました。まずフランスでの事業を支え、その後、西欧市場へ段階的に展開する基盤となります。34

顧客数と提供サービスが増えるほど、信用判断や不正対策を市場・商品ごとに別々に作り続けるコストは大きくなります。Revolut ResearchとPRAGMAが目指すのは、広範な金融行動から学習したひとつのモデルを、規制対象となる複数の判断や顧客体験へ適応することです。610

Revolut Researchが目指すもの

要するに、Revolut ResearchはAIを個別機能の追加部品ではなく、銀行サービスそのものを支える再利用可能な中核能力に変えるための組織です。PRAGMAが掲げる統合モデルの発想が実運用でどこまで安定し、各市場の規制や説明責任に対応できるかが、今後の重要な焦点になります。610

Revolut Researchとは何か

Revolutは2026年8月、AI組織の中に専任の研究部門「Revolut Research」を立ち上げました。目的は、銀行業務に特化した機械学習（ML）の研究を、実際の金融サービスで使える機能へ落とし込むことです。単発の外部AIソリューションを業務ごとに導入するのではなく、社内で再利用できる共通基盤を育てる方針です。1013

この部門は、RevolutがNVIDIAと共同開発する銀行向け基盤モデル「PRAGMA」を支える研究エンジンに位置づけられています。なお、「NVIDIAが開発したモデル」という表現は、NVIDIA単独の製品という意味ではなく、両社の共同開発を指します。1013

「build, don’t bolt on」戦略の意味

Revolutが掲げる「build, don’t bolt on（後付けせず、自ら作る）」とは、機能ごとに別々のモデルや手作業で作った特徴量テーブルを用意するのではなく、幅広い金融行動を学習したひとつのモデルを複数の用途で使う考え方です。610

想定される用途には、次のようなものがあります。

• 信用スコアリングや貸し倒れリスクの評価
• 不正取引・詐欺の検知
• 顧客セグメンテーション
• 顧客に合わせた金融商品の推薦
• 顧客エンゲージメントなどの予測

従来のように、カード決済の不正検知、与信判断、顧客向けの提案それぞれに独立したML基盤を構築するのではなく、共通の「行動インテリジェンス層」を設け、その上に各機能を載せる構想です。610

RevolutのAI責任者Pavel Nesterov氏は、第三者が作った設計図だけに依存するのではなく、同社独自の基盤モデルを訓練することが必要だという趣旨を説明しています。Revolut Researchは、この自社開発重視の方針を組織として定着させるための部門とされています。6

PRAGMAの構造と学習方法

PRAGMAは「PRe-trained Banking Foundation Model」の略称です。一般的な文章生成AIのようにテキストを中心に扱うのではなく、決済、送金などの金融イベントが時間の流れに沿って並ぶ「銀行イベント履歴」を処理します。110

公開された研究では、PRAGMAは複数のデータソースを扱うエンコーダー型のTransformerモデル群として説明されています。モデル規模は1,000万パラメータから10億パラメータまで展開されています。1

学習には、自己教師ありのマスクモデリングが使われます。これは、履歴の一部を隠して、モデルに欠けたイベントや情報を推測させる方法です。長さが不規則な金融履歴を効率よく扱うため、シーケンスパッキングや動的バッチ処理も組み合わせています。1

事前学習した共通基盤から顧客行動の特徴表現を取り出し、用途ごとに軽量な追加学習を行える点も特徴です。公開資料では、LoRA（低ランク適応）によって、信用評価や不正検知などのタスクへ比較的効率よく適応できるとされています。1

どれほどのデータで訓練されたのか

報告されているPRAGMAの学習データは、約2,600万人分の顧客履歴にまたがる240億件の銀行イベントで、111カ国をカバーします。イベントには、支払い、送金、その他の金融商品や顧客行動に関する時系列シグナルが含まれると説明されています。110

一部の二次情報では、2,500万人・400億件など異なる数字も紹介されていますが、ここでは公開論文とNVIDIAの事例紹介で示された約2,600万人、240億件、111カ国という数字を基準にしています。110

NVIDIAのH100は使われたのか

PRAGMAの学習は、NVIDIAのアクセラレーテッドコンピューティング基盤上で実施されました。NVIDIAの事例紹介は、Nebius AI Cloud上のNVIDIA H100 GPU、シーケンスパッキング、動的バッチ処理によって、大規模な事前学習を実行可能にしたと説明しています。10

ただし、確認できる資料だけでは、使用したH100の正確な台数やクラスター構成までは裏付けられていません。したがって、「何基のH100で訓練したか」という具体的な数字を断定することはできません。1610

報告された性能向上

NVIDIAが公開したRevolutのケーススタディでは、既存の本番モデルをベースラインとした比較として、次の結果が報告されています。6

• 信用デフォルトリスクの識別精度：2.3倍
• 検知した不正案件数：65％増
• 詐欺アラートの精度：17％向上
• 商品推薦の関連性：41％向上

これらはRevolutおよびNVIDIAが示したベンチマーク結果です。第三者による独立監査済みの業界横断比較ではないため、金融機関全体にそのまま当てはまる性能指標として読むべきではありません。6

発表前から進んでいた研究開発

Revolut Researchの発足は、ゼロから始まる計画ではありません。発表に先立ち、PRAGMAの研究論文が公開され、NVIDIAも2026年6月のケーススタディで、詐欺検知、信用評価、顧客エンゲージメント、商品推薦に分かれていた複数のシステムを、共通の基盤モデルへ統合する取り組みを紹介していました。16

つまり今回の部門設立は、すでに研究成果と実運用を意識した検証結果が出ていたAI開発を、継続的なR&D組織として制度化する動きといえます。16

研究コミュニティーとの連携

Revolutは、Revolut Researchについて、以下の活動を予定しています。

• 研究成果の継続的な発表
• 選定したフレームワークのオープンソース化
• GTC Berlinへの参加
• ACM International Conference on AI in Finance（ICAIF）への参加
• 四半期ごとの科学・研究ミートアップの開催

公開検索で確認できる高信頼度の資料だけでは、発表時に挙げられた幹部全員の氏名や、発言の正確な文言までは独立検証できません。個別の引用や役職については、Revolutの原文リリースで確認する必要があります。

事業拡大との関係

このAI構想は、Revolutが40超の市場で8,000万人を超える顧客基盤へ拡大する中で、リスク管理やパーソナライズ機能を一貫してスケールさせる取り組みの一部です。34

同社のフランス法人は、フランスの健全性監督・破綻処理機関ACPRと欧州中央銀行（ECB）の関与する承認プロセスを経て、フルバンキングライセンスを取得しました。まずフランスでの事業を支え、その後、西欧市場へ段階的に展開する基盤となります。34

顧客数と提供サービスが増えるほど、信用判断や不正対策を市場・商品ごとに別々に作り続けるコストは大きくなります。Revolut ResearchとPRAGMAが目指すのは、広範な金融行動から学習したひとつのモデルを、規制対象となる複数の判断や顧客体験へ適応することです。610

Revolut Researchが目指すもの

要するに、Revolut ResearchはAIを個別機能の追加部品ではなく、銀行サービスそのものを支える再利用可能な中核能力に変えるための組織です。PRAGMAが掲げる統合モデルの発想が実運用でどこまで安定し、各市場の規制や説明責任に対応できるかが、今後の重要な焦点になります。610