Dave Excell, grundlægger af Featurespace – Intervieuserie

Dave Excell er grundlægger af Featurespace, Dave grundlagde Featurespace efter at have opfundet Adaptive Behavioral Analytics, som bruger forklarelige AI til at hjælpe banker med at genkende og markere mistænkeligt forbrugeradfærd. Selv i nyere tid, hvor forbrugeradfærd ændrer sig, har denne avancerede AI kunnet begrænse svindel og hjælpe myndighederne med at bekæmpe hvidvaskning og anden organiseret finansielt kriminalitet, samtidig med at den genskaber tillid til fintech.

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 menneskelig adfærd. Under min tid der, kom organisationer til os for at søge efter nytænkende løsninger på de udfordringer, de havde med at automatisere effektivt beslutningstagning fra data, de havde indsamlet, eller for at forbedre effektiviteten i manuelle processer. Jeg begyndte at lægge mærke til en mønster: organisationer på tværs af brancher havde svært ved at forstå den underliggende adfærd eller “intent” bag de data, de havde indsamlet, især når de forsøgte at identificere dårlige aktører. For eksempel, med en organisation, modellerede vi beslutningstagningen hos spillere i et computerspil for at forstå, om de var ægte spillere eller robotter, der snyder systemet. Jo flere projekter, vi gjorde, jo mere så jeg behovet for maskinlæring, der kunne tilpasse sig, da adfærden (og data) bag resultatet (f.eks. snyd eller svindel) ville ændre 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?

Selvom jeg godt kan lide at researche og finde løsninger, kan jeg ikke lide research for researchens 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 tekniker, der anvendes til at forhindre svindel og finansielt kriminalitet, og hvorfor disse tekniker ikke er tilstrækkelige?

Der har været forskellige tekniske anvendelser i branchen i en længe tid – faktisk går de første anvendelser af AI til at bekæmpe finansielt svindel tilbage til begyndelsen af 1990’erne. Men denne 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 opfandt verdens første adaptive AI-model til at bekæmpe svindel. Vi holder tre skridt foran svindlere uden at kræve nogen menneskelig indgriben.

Hvorfor er Adaptive Behavioral Analytics så væsentligt i forhold til disse arvede svindelforhindrekteknikker?

Vores proprietære Adaptive Behavioral Analytics er så væsentligt i forhold til arvede svindelforhindrekteknikker, fordi de arvede spillere afhænger af statiske svindelmønstre – men svindel er aldrig statisk. De arvede spillere lærer, hvad forskellige typer kendt dårlig adfærd ligner, og derefter forsøger de at detektere disse dårlige adfærd blandt 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 svindelforhindrekteknologien. I stedet lærer vores Adaptive Behavioral Analytics-model, hvad god adfærd ligner, og derefter detekterer den ændringer i forhold til denne gode adfærd. Der er meget mere god adfærd i verden end dårlig, hvilket giver os mere at lære fra god adfærd. Der er en meget mindre mængde af svindeladfærd, og den ændrer sig konstant. At forsøge at detektere kun kendt svindeladfærd er et tabende spil.

Hvilke forskellige typer maskinlæringsalgoritmer 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 finansielt kriminalitet. 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 tidens betydning i transaktionsflader, hvilket forbedrer markedets førende præstation af vores eksisterende Adaptive Behavioral Analytics.

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

Vores Adaptive Behavioral Analytics-modeller er lige så tilpasningsdygtige, som de skal være – selv i face af uhørt ændring. For eksempel, under de første COVID-19-låsninger i 2020, ændrede forbrugeradfærd sig næsten over nat. Den 29. april 2020 så Mastercard (MA ) en 40% stigning i kontaktløse betalinger. Ikke-tilpasningsdygtige svindelforhindrede AI-modeller blev kastet ud af kurs, 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 forbrugere, der var beordret til at blive hjemme, kunne fortsætte med at købe mad og andre nødvendigheder uden afbrydelse.

Hvad er de største anvendelsesområder for denne teknologi?

Denne teknologi er specifikt rettet mod banker, finansielle institutioner og betalingsprocessorer. For eksempel, blev betalingsprocessoren Worldpay for nylig anerkendt for sin FraudSight-produkt, der er drevet af Featurespace, for dens evne til at begrænse svindel, samtidig med at den øgede godkendelsesrater for handlende og beskyttede forbrugere.

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

Svindel er en af de hurtigst voksende svindelkategorier i verden. Regulatorer erkender dette og forsøger at etablere beskyttelse. For eksempel, lancerede den britiske regering en reform af den Online Safety Bill i marts 2022 for at forhindre svindel og øge forbrugertillid 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 penge og holde deres kunder sikre, automatisk uden menneskelig indgriben.

Et eksempel herpå er NatWest (NWG ), den fjerde største britiske bank målt på samlet formue, med omkring 19 millioner kunder. NatWest oplevede en stigning i værdien af svindel og svindel, herunder en umiddelbar nedgang i falske positivrater (ægte kundeaktivitet faldt), inden for 24 timer efter implementering af Featurespace’s ARIC Risk Hub. Som følge 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.