Dave Excell, grundlægger af Featurespace – Interviewserie

Dave Excell er grundlægger af Featurespace, Dave grundlagde Featurespace efter opfindelsen af Adaptive Behavioral Analytics, som anvender forklarelige AI til at hjælpe banker med at genkende og markere mistænkeligt forbrugeradfærd. Selv i nyere tid, hvor forbrugeradfærden skifter, har denne avancerede AI kunnet begrænse svindel og hjælpe myndighederne med at bekæmpe hvidvaskning og andre organiserede finansielle forbrydelser, samtidig med at tilliden til fintech-genren er blevet genoprettet.

Kunne du dele historien om, hvordan du i samarbejde med professor Bill Fitzgerald fik idéen til Adaptive Behavioral Analytics?

Under min ph.d.-uddannelse arbejdede jeg med professor Bill Fitzgerald på University of Cambridge for at anvende maskinlæring og statistiske teknikker til at forstå menneskers adfærd. Under min tid der, kom organisationer til os for at søge efter nytænkende løsninger på forskellige udfordringer, de havde med automatisering af effektivt beslutningstagning fra data, de indsamlede, eller for at forbedre effektiviteten i manuelle processer. Jeg begyndte at se et mønster: organisationer på tværs af brancher havde svært ved at forstå den underliggende adfærd eller ‘intent’ bag data, de indsamlede, især når de prøvede at identificere dårlige aktører. For eksempel, med en organisation modellerede vi beslutningstagningen af spillere i et computerspil for at forstå, om de var ægte spillere eller robotter, der snydede systemet. Jo flere projekter, vi gjorde, jo mere så jeg behovet for maskinlæring, der ville tilpasse sig, efterhånden som adfærden (og data) bag resultatet (f.eks. snyd eller svindel) ændrede sig for at undgå opdagelse. Det er faktisk, hvordan jeg først fik idéen til Adaptive Behavioral Analytics, som senere blev den første grundlæggende teknologi inden for Featurespace.

Kunne du dele historien om, hvordan denne idé førte til lanceringen af Featurespace?

Selv om jeg godt kan lide at forskere og finde løsninger, kan jeg ikke lide forskning kun for forskningens skyld. Jeg er motiveret af at anvende teknologi til praktiske problemer, derefter finde måder at levere kommerciel værdi og udvikle teknologien til at have en positiv indvirkning på verden, vi lever i. Det er, hvordan jeg endte med at grundlægge Featurespace, og vi har været på en mission siden for at gøre verden til et sikrere sted at transaktions.

Kunne du diskutere de eksisterende teknikker, der anvendes til svindel- og finansielle forbrydelser, og hvorfor disse teknikker ikke er tilstrækkelige?

Der har været forskellige tekniske anvendelser i branchen i en længere periode – faktisk går de første anvendelser af AI til at bekæmpe finansielt svindel tilbage til begyndelsen af 1990’erne. Men den primitive version af AI antog, at svindeladfærd ville forblive den samme. Algoritmernes var bygget til at genkende den samme svindeladfærd gang på gang. Denne samme teori anvendes bredt i antifraud-teknologi til denne dag. Men svindel er ikke statisk. Svindlere tilpasser sig konstant deres metoder for at holde sig foran antifraud-teknologien. Det er derfor, vi på Featurespace skabte verdens første adaptive AI-model til at bekæmpe svindel. Vi holder os tre skridt foran svindlere uden at kræve nogen menneskelig indgriben.

Hvorfor er Adaptive Behavioral Analytics så indflydelsesrig sammenlignet med disse legacy svindelforhindre teknikker?

Vores ejendomsretlige Adaptive Behavioral Analytics er så indflydelsesrige sammenlignet med legacy-svindelforhindre teknikker, fordi legacy-aktører afhænger af statiske svindelmønstre – men svindel er aldrig statisk. Legacy-aktører lærer, hvordan forskellige typer kendt dårlig adfærd ser ud, derefter søger de at detektere disse dårlige adfærder iblandt millioner af transaktioner. Problemet er, at disse modeller kun kan tage hensyn til dårlig adfærd, der er set før, og svindlere tilpasser sig konstant deres metoder for at holde sig foran svindelforhindre. I stedet lærer vores Adaptive Behavioral Analytics-model, hvad god adfærd ligner, derefter detekterer den ændringer i forhold til disse gode adfærder. Der er langt mere god adfærd, der udføres i verden, end dårlig, hvilket giver os mere at lære fra god adfærd. Der er en langt mindre mængde af svindeladfærd, og den ændrer sig konstant. At prøve at detektere kun kendt svindeladfærd er et tabt spil.

Hvad er de forskellige typer af maskinlæringsalgoritmer, der anvendes?

Featurespace’s Adaptive Behavioral Analytics anvender en kombination af unsupervised og supervised maskinlærings-teknikker. Unsupervised-teknikker anvendes til at identificere ændringer i adfærd for at indikere sandsynlig risiko. Supervised-teknikker anvendes herefter til at optimere nøjagtigheden af vores modeller til at forhindre og detektere svindel og finansielle forbrydelser. Sidste år lancerede Featurespace Automated Deep Behavioral Network-modeller, der anvender en ny Recurrent Neural Network-arkitektur. Featurespace Research udviklede Automated Deep Behavioral Networks til at automatisere funktionsoptimering og introducere hukommelsesceller med indbygget forståelse af betydningen af tid i transaktionsflader, hvilket forbedrer markedets førende præstation af vores eksisterende Adaptive Behavioral Analytics.

Hvor tilpasningsdygtige er modellerne til at lære nye forbrugeradfærder og optimere kundeprofiler?

Vores Adaptive Behavioral Analytics-modeller er lige så tilpasningsdygtige, som de skal være – selv i mødet med uhørt forandring. For eksempel, under de første COVID-19-låsninger i 2020, ændrede forbrugeradfærden sig næsten over nat. Den 29. april 2020 så Mastercard en øgning på 40 % i kontantløse betalinger. Ikke-tilpasningsdygtige svindelforhindre AI-modeller blev kastet ud i dybet, da de blokerede legitime betalinger, der blev foretaget af mennesker, der var beordret til at blive hjemme. Vores modeller tilpassede sig automatisk, uden menneskelig indgriben. Dette er mest tydeligt gennem TSYS Foresight Score, et svindel- og risikostyringsværktøj til betalingsudstedere, udviklet af TSYS og Featurespace. Fra januar til juni 2020 leverede TSYS Foresight Score med Featurespace konsekvent stabile scorefordelinger på ugentlig basis, hvilket muliggjorde, at forbrugerne, der var beordret til at blive hjemme, kunne fortsætte med at købe mad og andre grundlæggende varer uden afbrydelse.

Hvad er de største anvendelsesområder for denne teknologi?

Denne teknologi er specifikt rettet mod banker, finansielle institutioner og betalingsprocessorer. For eksempel blev betalingsprocesseringsvirksomheden Worldpay nylig anerkendt for deres FraudSight-produkt, der er drevet af Featurespace, for dets evne til at begrænse svindel, samtidig med at merchantgodkendelsesrater og forbrugerbeskyttelse øges.

Er der noget andet, du gerne vil dele om Featurespace?

Svindel er en af de hurtigst voksende svindelkategorier i verden. Regulatorer anerkender dette og forsøger at etablere beskyttelse. For eksempel lancerede den britiske regering en reform af den online-sikkerhedslov i marts 2022 i et forsøg på at forhindre svindel og øge forbrugerens tillid til online-transaktioner. Lignende i USA overvejer Consumer Financial Protection Bureau (CFPB) at tage skridt til at beskytte forbrugere mod svindel ved at lægge mere ansvar på banker og kreditforeninger. Ved at forhindre svindel, før det sker, kan Featurespace spare banker for penge og holde deres kunder sikre, automatisk uden menneskelig indgriben.

Et eksempel herpå er NatWest, den fjerde største britiske bank målt på samlede aktiver, med omkring 19 millioner kunder. NatWest så en øgning i værdien af svindel og svindel, herunder en øjeblikkelig nedgang i falske positive rater (ægte kundeaktivitet afvist), blot 24 timer efter implementeringen af Featurespace’s ARIC Risk Hub. Som resultat af vores partnerskab har de citeret Featurespace som en “stærk partner” til deres investorer.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Featurespace.