Dave Excell, zakladatel Featurespace – rozhovor

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 bojovat proti praní špinavých peněz a jiným organizovaným finančním zločinům, a to tak, že obnovil důvěru ve fintech.

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

Během svého doktorského studia jsem pracoval s profesorem Billem Fitzgeraldem na Univerzitě v 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, kterým čelily při automatizaci efektivní rozhodování z dat, která zachycovaly, nebo aby zlepšily efektivitu manuálních procesů. Začal jsem si všímat vzoru: organizace napříč odvětvími měly potíže s pochopením základního chování nebo “úmyslu” za daty, které zachycovaly, 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 podvádějí systém. 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 nelegální činnosti) mění, aby uniklo detekci. To je vlastně to, jak jsem poprvé přišel s konceptem Adaptive Behavioral Analytics, který se později stal první základní technologií ve Featurespace.

Můžete nám sdělit příběh o tom, jak tento koncept vedl k zahájení Featurespace?

Although I enjoy researching and finding solutions, I don’t enjoy research just for research’s sake. I’m motivated by applying technology to practical problems, then finding ways to deliver commercial value and deploying the technology to make a positive impact on the world that we live in. That is how I ended up founding Featurespace and we’ve been on a mission since to make the world a safer place to transact.

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

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

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

Naše proprietární Adaptive Behavioral Analytics jsou tak dopadné ve srovnání s legacy hráči, protože legacy hráči spoléhají na statické podvodné vzory – ale podvody nejsou nikdy statické. Legacy hráči se učí, jak vypadá známé špatné chování, a pak 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 mění své metody, aby zůstali před detekcí podvodů. Naopak naše Adaptive Behavioral Analytics model se učí, jak vypadá “dobré” chování, a pak detekuje změny proti tomuto dobrému chování. Existuje mnohem více dobrého chování na světě než špatného, což nám dává více možností se učit z dobrého chování. Existuje mnohem menší sada podvodných chování, a tyto chování se neustále mění. Snažit se detekovat pouze známé podvodné chování je prohraná hra.

Jaké jsou různé typy strojového učení, které se používají?

Featurespace’s Adaptive Behavioral Analytics používá kombinaci nesupervizovaných a supervizovaných strojových učení technik. Nesupervizované techniky se používají k identifikaci změn chování, aby se označilo pravděpodobné riziko. Supervizované techniky se poté používají k optimalizaci přesnosti našich modelů pro prevenci a detekci podvodů a finančních zločinů. Loňský rok Featurespace spustil Automated Deep Behavioral Network modely, které využívají novou Recurrent Neural Network architekturu. Featurespace Research vyvinul Automated Deep Behavioral Networks, aby automatizoval objev funkcí a zavedl paměťové buňky s nativním pochopením významu času v transakčních tocích, a tím zlepšil trh vedoucí výkon našich stávajících Adaptive Behavioral Analytics.

Jak jsou modely adaptivní pro učení nového spotřebitelského chování a optimalizaci zákaznických profilů?

Naše Adaptive Behavioral Analytics modely jsou přesně tak adaptivní, jak je potřeba – 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 (MA ) zaznamenal 40% nárůst bezkontaktních plateb. Neadaptivní modely AI pro prevenci podvodů byly vrženy do chaosu, blokovaly legitimní platby prováděné lidmi, kteří byli nuceni zůstat doma. Naše modely se přizpůsobily automaticky, bez lidského zásahu. To je nejvíce patrné z TSYS Foresight Score, nástroje pro rozhodování o riziku a prevenci podvodů pro vydavatele platebních karet, vytvořeného 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 nuceni zůstat doma, pokračovat v nákupu potravin a dalších 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 byla nedávno uznána za svůj produkt FraudSight, který využívá Featurespace, pro jeho schopnost omezit podvody a zvýšit míru schválení pro obchodníky a chránit spotřebitele.

Je něco jiného, co byste rádi sdělili o Featurespace?

Podvody jsou jednou z nejrychleji rostoucích kategorií podvodů na světě. Regulátoři rozpoznávají toto a snaží se zavést ochranná opatření. Například britská vláda spustila reformu Online Safety Bill v březnu 2022 s cílem zabránit podvodům a zvýšit důvěru spotřebitelů v online transakce. Podobně ve Spojených státech Consumer Financial Protection Bureau (CFPB) zvažuje přijetí opatření k ochraně spotřebitelů před podvody, a to tak, že uloží více odpovědnosti bankám a úvěrovým uniím. Prevencí podvodů předtím, než k nim dojde, Featurespace může ušetřit bankám peníze a udržet jejich zákazníky v bezpečí, automaticky a bez lidského zásahu.

Příklad toho je NatWest (NWG ), čtvrtá největší britská banka podle celkových aktiv, se zhruba 19 miliony zákazníků. NatWest zaznamenal nárůst hodnoty podvodů a podvodných aktivit, včetně okamžitého poklesu falešně pozitivních sazeb (skutečná činnost zákazníků klesla), během pouhých 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.