Dave Excell, zakladatel Featurespace – Interview Series

Dave Excell je zakladatel Featurespace, Dave založil Featurespace po vynálezu Adaptive Behavioral Analytics, které využívají explainable AI k pomoci bankám rozpoznat a označit podezřelé chování spotřebitelů. I v nedávné době, kdy se chování spotřebitelů mění, tento pokročilý AI dokázal omezit podvody a pomoci orgánům čelit praní špinavých peněz a jiným organizovaným finančním zločinům, zatímco obnovuje důvěru ve fintech.

Můžete sdílet s námi příběh o tom, jak jste ve spolupráci s profesorem Billem Fitzgeraldem přišli s konceptem Adaptive Behavioral Analytics?

Během mého doktorského studia jsem pracoval s profesorem Billem Fitzgeraldem na University of Cambridge, abych aplikoval strojové učení a statistické techniky na pochopení lidského chování. Během svého pobytu tam organizace přicházely k nám, aby hledaly nové řešení různých problémů, se kterými se potýkaly při automatizaci efektivní rozhodování z dat, která zachytili, nebo aby zlepšily efektivitu manuálních procesů. Začal jsem si všímat vzoru: organizace napříč odvětvími měly potíže s pochopením základního chování nebo “úmyslu” za daty, která zachytili, zejména když se snažily identifikovat špatné aktéry. Například s jednou organizací jsme modelovali rozhodování hráčů v počítačové hře, abychom pochopili, zda jsou skutečnými hráči nebo roboty, kteří systém podvádějí. Čím více projektů jsme dělali, tím více jsem viděl potřebu strojového učení, které by se přizpůsobovalo, jak se chování (a data) za výsledkem (například podvodné nebo nekalé aktivity) měnily, aby unikly detekci. To je vlastně to, jak jsem poprvé přišel s konceptem Adaptive Behavioral Analytics, který se později stal první základní technologií ve Featurespace.

Můžete sdílet příběh o tom, jak tento koncept vedl k spuštění Featurespace?

Ačkoli mě baví výzkum a hledání řešení, nemám rád výzkum pouze pro jeho vlastní sake. Jsem motivován aplikací technologií na praktické problémy a hledáním způsobů, jak doručit komerční hodnotu a nasadit technologii, aby měla pozitivní dopad na svět, ve kterém žijeme. To je to, jak jsem skončil založením Featurespace a od té doby jsme na misi učinit svět bezpečnějším místem pro transakce.

Můžete diskutovat o stávajících technikách, které se používají k prevenci podvodů a finančních zločinů, a proč tyto techniky selhávají?

Existovaly různé technické aplikace v tomto prostoru po nějakou dobu – ve skutečnosti první použití AI k boji proti finančním podvodům sahá až do počátku 90. let. Nicméně tato primitivní verze AI předpokládala, že chování podvodníků zůstane stejné. Algoritmy byly postaveny tak, aby rozpoznaly stejné podvodné chování znovu a znovu. Tato stejná teorie je široce aplikována v anti-podvodové technologii dodnes. Ale podvody nejsou statické. Podvodníci neustále přizpůsobují své metody, aby zůstali před anti-podvodovou technologií. To je důvod, proč ve Featurespace vytvořili první adaptivní AI model pro boj proti podvodům. Zůstáváme tři kroky před podvodníky bez jakéhokoli zásahu člověka.

Proč je Adaptive Behavioral Analytics tak dopadový ve srovnání s těmito legacy technikami prevence podvodů?

Naše proprietární Adaptive Behavioral Analytics jsou tak dopadové ve srovnání s legacy hráči v prevenci podvodů, protože legacy hráči spoléhají na statické vzory podvodů – ale podvody nejsou nikdy statické. Legacy hráči se učí, jak vypadá různé typy známého špatného chování, a poté se snaží detekovat toto špatné chování mezi miliony transakcí. Problém je, že tyto modely mohou brát v úvahu pouze špatné chování, které bylo vidět dříve, a podvodníci neustále přizpůsobují své metody, aby zůstali před prevencí podvodů. Místo toho náš model Adaptive Behavioral Analytics se učí, jak vypadá “dobré” chování, a poté detekuje změny proti tomuto dobrému chování. Existuje mnohem více dobrého chování na světě než špatného, takže máme více co se učit z dobrého chování. Existuje mnohem menší soubor podvodných chování, a tyto chování se neustále mění. Snažit se detekovat pouze známé podvodné chování je prohraná hra.

Jaké jsou různé typy algoritmů strojového učení, které se používají?

Adaptive Behavioral Analytics Featurespace používá kombinaci nesupervizovaných a supervizovaných technik strojového učení. Nesupervizované techniky se používají k identifikaci změn chování, aby se označily pravděpodobné riziko. Supervizované techniky se poté používají k optimalizaci přesnosti našich modelů pro prevenci a detekci podvodů a finančních zločinů. Minulý rok Featurespace spustil Automated Deep Behavioral Network modely, které využívají novou architekturu Recurrent Neural Network. Featurespace Research vyvinul Automated Deep Behavioral Networks, aby automatizoval objev funkcí a představil paměťové buňky s nativním pochopením významu času v toku transakcí, zlepšující tak výkon našich stávajících Adaptive Behavioral Analytics.

Jak jsou modely adaptivní pro učení nových spotřebitelských chování a optimalizaci zákaznických profilů?

Naše modely Adaptive Behavioral Analytics jsou exactly tak adaptivní, jak jsou potřeba – dokonce i v případě bezprecedentní změny. Například během počátečních uzávěr COVID-19 v roce 2020 se chování spotřebitelů při nákupu změnilo doslova přes noc. Do 29. dubna 2020 Mastercard zaznamenal 40% nárůst kontaktů bezkontaktních plateb. Neadaptivní modely AI pro prevenci podvodů byly vrženy do chaosu, blokovaly legitimní platby prováděné lidmi, kteří byli povinni zůstat doma. Naše modely se přizpůsobily automaticky, bez zásahu člověka. To je nejlépe vidět prostřednictvím TSYS Foresight Score, nástroje pro rozhodování o prevenci a řízení rizik pro emitenty platebních karet, vyvinutého TSYS a Featurespace. Od ledna do června 2020 TSYS Foresight Score s Featurespace konzistentně dodával stabilní distribuci skórů na týdenní bázi, umožňující spotřebitelům, kteří byli povinni zůstat doma, pokračovat v nákupu potravin a jiných základních potřeb bez přerušení.

Jaké jsou největší použití této technologie?

Tato technologie je specificky zaměřena na banky, finanční instituce a procesory plateb. Například společnost Worldpay, která zpracovává platby, byla nedávno uznána za svůj produkt FraudSight, který je poháněn Featurespace, za jeho schopnost omezit podvody a zvýšit schvalovací sazby pro obchodníky a chránit spotřebitele.

Je něco jiného, co byste rádi sdíleli o Featurespace?

Podvody jsou jednou z nejrychleji rostoucích kategorií podvodů na světě. Regulátoři to uznávají a snaží se zavést ochrany. Například britská vláda spustila reformu Online Safety Bill v březnu 2022 v rámci úsilí o prevenci podvodů a zvýšení důvěry spotřebitelů v online transakce. Podobně ve Spojených státech Úřad pro ochranu spotřebitelů (CFPB) zvažuje kroky k ochraně spotřebitelů před podvody tím, že uloží více odpovědnosti bankám a úvěrním uniím. Prevencí podvodů předtím, než k nim dojde, Featurespace může bankám ušetřit peníze a udržet jejich zákazníky v bezpečí, automaticky bez zásahu člověka.

Příkladem toho je NatWest, čtvrtá největší britská banka podle celkových aktiv, s přibližně 19 miliony zákazníků. NatWest zaznamenal nárůst hodnoty podvodů a podvodů, včetně okamžitých poklesů falešně pozitivních sazeb (skutečné aktivity zákazníků byly odmítnuty), během 24 hodin od nasazení ARIC Risk Hub Featurespace. V důsledku našeho partnerství uvedli Featurespace jako “silného partnera” svým investorům.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Featurespace.