Дейв Ексъл, основател на Featurespace – Interview Series

Дейв Ексел е Основателят на Пространство за функции, Дейв основава Featurespace след изобретяването на Адаптивен поведенчески анализ, който използва обясним AI, за да помогне на банките да разпознаят и маркират подозрително потребителско поведение. Дори в последно време, когато поведението на потребителите се променя, този усъвършенстван AI успя да ограничи измамите и да помогне на властите да се справят с прането на пари и други организирани финансови престъпления, като същевременно възвърна доверието във финтех.

Бихте ли споделили с нас историята за това как в сътрудничество с професор Бил Фицджералд измислихте концепцията за адаптивен поведенчески анализ?

Докато се занимавах с докторантурата си, работих с професор Бил Фицджералд от университета в Кеймбридж за прилагане на машинно обучение и статистически техники за разбиране на човешкото поведение. По време на престоя ми там организациите идваха при нас, търсейки нови решения на различни предизвикателства, които имаха, автоматизирайки ефективното вземане на решения от данните, които са уловили, или за подобряване на ефективността на ръчните процеси. Започнах да забелязвам модел: организации в различни индустрии се бореха с разбирането на основното поведение или „намерение“ зад данните, които уловиха, особено когато се опитваха да идентифицират лошите участници. Например, с една организация моделирахме вземането на решения от играчите в рамките на компютърна игра, за да разберем дали те са истински играчи или роботи, които мамят системата. Колкото повече проекти правехме, толкова повече виждах тази нужда от машинно обучение, което да се адаптира, тъй като поведението (и данните) зад резултата (напр. измама или измамна дейност) се променят, за да се избегне откриването. Това всъщност е начинът, по който за първи път измислих концепцията за адаптивен поведенчески анализ, която по-късно стана първата фундаментална технология в рамките на Featurespace.

Бихте ли споделили историята на генезиса за това как тази концепция след това доведе до стартирането на Featurespace?

Въпреки че обичам да проучвам и да намирам решения, не се наслаждавам на изследването само заради самото изследване. Мотивиран съм от прилагането на технологията към практически проблеми, след това намирането на начини за предоставяне на търговска стойност и внедряването на технологията, за да има положително въздействие върху света, в който живеем. Така в крайна сметка основах Featurespace и ние бяхме на мисия оттогава да направим света по-безопасно място за транзакции.

Бихте ли обсъдили съществуващите техники, които се прилагат за предотвратяване на измами и финансови престъпления, и защо тези техники не успяват?

От известно време в пространството има различни технологични приложения – всъщност първите употреби на AI за борба с финансовите измами датират от началото на 1990-те години. Тази примитивна версия на AI обаче предполагаше, че поведението при измама ще остане същото. Алгоритмите са създадени да разпознават едно и също измамно поведение отново и отново. Същата тази теория се прилага широко в технологиите за борба с измамите и до днес. Но измамата не е статична. Измамниците непрекъснато адаптират своите методи, за да изпреварят технологиите за борба с измамите. Ето защо в Featurespace създадохме първия в света адаптивен AI модел за борба с измамите. Ние сме три стъпки пред измамниците, без да се нуждаем от човешка намеса.

Защо Adaptive Behavioral Analytics е толкова въздействащ в сравнение с тези наследени техники за предотвратяване на измами?

Нашият патентован адаптивен поведенчески анализ е толкова въздействащ в сравнение с наследените техники за предотвратяване на измами, защото наследените играчи разчитат на статични модели на измами – но измамите никога не са статични. Наследените играчи научават как изглеждат различните типове известно лошо поведение, след което се заемат да открият това лошо поведение сред милиони транзакции. Проблемът е, че тези модели могат да вземат предвид само лошо поведение, което е било наблюдавано преди, и измамниците непрекъснато адаптират своите методи, за да изпреварят предотвратяването на измами. Вместо това нашият модел за адаптивен анализ на поведението научава какво добре поведение, след което открива промени спрямо тези добри поведения. В света има много повече добро поведение, отколкото лошо, което ни дава повече да се учим от доброто поведение. Има много по-малък набор от измамни поведения и те непрекъснато се променят. Да се ​​опитвате да откриете само известни измамни поведения е губеща игра.

Какви са различните видове алгоритми за машинно обучение, които се използват?

Адаптивният поведенчески анализ на Featurespace използва комбинация от неконтролирани и контролирани техники за машинно обучение. Техники без надзор се използват за идентифициране на промени в поведението, за да се посочи вероятен риск. Впоследствие се използват контролирани техники за оптимизиране на точността на нашите модели за предотвратяване и откриване на измами и финансови престъпления. Миналата година стартира Featurespace Автоматизирана дълбока поведенческа мрежа модели, които използват нова архитектура на повтаряща се невронна мрежа. Featurespace Research разработи автоматизирани дълбоки поведенчески мрежи, за да автоматизира откриването на функции и да въведе клетки с памет с естествено разбиране за значението на времето в потоците на транзакциите, подобрявайки водещата на пазара производителност на съществуващия ни адаптивен поведенчески анализ.

Колко адаптивни са моделите за научаване на ново потребителско поведение и оптимизиране на клиентските профили?

Нашите модели за адаптивен поведенчески анализ са точно толкова адаптивни, колкото трябва да бъдат – дори в лицето на безпрецедентна промяна. Например, по време на първоначалните блокировки срещу COVID-19 през 2020 г. поведението на потребителите при покупки се промени буквално за една нощ. До 29 април 2020 г. Mastercard отбеляза 40% увеличение на безконтактните плащания. Неадаптивните AI модели за предотвратяване на измами бяха хвърлени за цикъл, блокирайки законни плащания, извършвани от хора, на които е наредено да останат вкъщи. Нашите модели се адаптират автоматично, без човешка намеса. Това е най-очевидно чрез TSYS прогнозен резултат, инструмент за оценяване на решения за измами и управление на риска за издатели на плащания, създаден от TSYS и Featurespace. От януари до юни 2020 г. TSYS Foresight Score с Featurespace последователно предоставя стабилни разпределения на резултатите на седмична база, което позволява на потребителите, на които е наредено да останат вкъщи, за да продължат да купуват хранителни стоки и други основни неща без прекъсване.

Кои са най-големите случаи на използване на тази технология?

Тази технология е специално насочена към банки, финансови институции и процесори за обработка на плащания. Например, компанията за обработка на плащания Worldpay наскоро беше призната за своя продукт FraudSight, захранван от Featurespace, за способността му да смекчава измамите, като същевременно увеличава процента на одобрение от търговците и защитава потребителите.

Има ли нещо друго, което бихте искали да споделите за Featurespace?

Измамите са една от най-бързо развиващите се категории измами в света. Регулаторите признават това и се опитват да въведат защити. Например правителството на Обединеното кралство стартира реформа на законопроекта за онлайн безопасност през март 2022 г. в опит да предотврати измами и да повиши доверието на потребителите в онлайн транзакциите. По подобен начин в САЩ Бюрото за финансова защита на потребителите (CFPB) обмисля да предприеме действия за защита на потребителите срещу измами, като наложи повече отговорност на банките и кредитните съюзи. Чрез предотвратяване на измами, преди те да се случат, Featurespace може да спести пари на банките и да защити клиентите им, автоматично без човешка намеса.

Пример за това е NatWest, четвъртата по големина банка в Обединеното кралство по отношение на общите активи, с около 19 милиона клиенти. NatWest отбеляза увеличение на стойността на откритите измами и измами, включително незабавно намаляване на процентите на фалшиви положителни резултати (активността на истинските клиенти намаля), в рамките на само 24 часа от внедряването на ARIC Risk Hub на Featurespace. В резултат на нашето партньорство те посочиха Featurespace като „силен партньор“ на своите инвеститори.

Благодаря ви за страхотното интервю, читателите, които искат да научат повече, трябва да го посетят Пространство за функции.