Dr. Mark Goldspink, administrerende direktør for The ai Corporation (ai) – Intervju-serie

Dr. Mark Goldspink er administrerende direktør for The ai Corporation (ai), som tilbyder unikke selvbetjeningssystemer for svindelforesbyggelse, som af mange brancheledere anses for at være de bedste i verden. Løsningerne, herunder et nyt “state of the art”-maskinlæringsværktøj til beskyttelse og berigelse af betalingsoplevelser, dækker over 100 banker, mere end 3 millioner multikanalforhandlere og over 300 millioner forbruger-kortinnehavere. De overvåger også over 25 milliarder transaktioner og godkendelser hvert år.

Hvad var det, der oprindeligt tiltrak dig til maskinlæring og AI?

AI er den eneste måde at udføre forretningsbeslutninger med store datasæt på en effektiv måde.

Min første brug af maskinlæring (1992) var at se på priselasticitet i brændstofsektoren. Hver servicestation og produkt har sin egen elasticitetsindeks. Vi brugte AI til at oprette et prædiktivt pristværktøj til at hjælpe os med at forstå forholdet mellem pris og efterspørgsel. Det værktøj bruges stadig verden over i dag.

Kunne du kort forklare, hvad The ai Corporation (ai) er?

ai faciliterer digitaliseringen af betalingsløsninger ved at tilbyde enterprise-cloudprodukter og -tjenester. Vi søger at fremtidssikre vores kunders betalningsteknologi, så de kan holde trit med det bredere, konstant udviklende digitale marked. Vi mener, at betalinger skal blive usynlige, så virksomheder kan fokusere mere på at styre deres kunder og bruge mindre tid på at bekymre sig om, hvordan de skal håndtere betalinger.

Hvad er nogle af de maskinlærings-teknologier, der bruges til at identificere potentielle trusler og svindel?

Der er mange forskellige metoder og teknikker, der bruges på tværs af svindel- og trusselsdetektionslandskabet. Tidlige eksempler omfatter Bayesian logik og beslutningstræer. Senere innovationer har ført til en bred anvendelse af neurale netværk, som stadig bruges i stor udstrækning i dag. Den hurtige anvendelse af maskinlæring (ML) på tværs af andre industrier har opmuntret til en yderligere anvendelse af flere andre metoder, såsom usupervisede teknikker, XGBoost og andre. De fleste virksomheder vælger at udvikle deres egne metoder, som normalt er baseret på eksisterende metoder for at forbedre detektionsresultatet.

I øjeblikket, selv med maskinlæring, der udfører det meste af “det hårde arbejde”, er der stadig en stor mængde overvågning, der kræves for at holde styr på svindel. Hvordan kan automatisering af svindelforesbyggelsesprocessen ved hjælp af model-orkestrering løse dette problem?

De fleste svindelsystemer anvender multiple modeller til at detektere en optimal mængde svindel samtidig med, at de reducerer “insult”-raten for afviste legitime betalinger. Men det største problem med disse systemer er den enorme mængde ekstra styring, der kræves for at styre disse modeller. Den styring og ledelse er normalt manuel, og jo flere modeller, der anvendes, jo mere manuel indsats kræves det for at sikre, at modellerne fortsætter med at fungere godt.

Model-orkestrering revolutionerer måden, vi styrer svindelsystemer på. Med orkestrering styrer maskinen effektivt sig selv. Når modeller erkendes som ikke fungere godt, erstattes de med en ny model eller genoptrænes på de seneste data. Denne proces anvender automatiserede processer til at hente præstationsstatistik for de aktive modeller samt de samme statistikker for enhver offline auto-ml-produceret model. Når offline-modeller fungerer godt, fremmes de til produktion. Dette danner en lukket, automatiseret system for optimal svindeldetektion og forretningsprocesser.

Kunne du give nogle eksempler på cybersikkerheds- eller fintech-trusler, der tidligere er blevet opdaget af maskinlæring?

Her hos ai forhindrer vi konstant svindel ved hjælp af vores maskinlæringsløsning AutoPilotML, som holder styr på svindeltendenser ved at automatisere hele svindelforesbyggelsesstrategien (bestående af både ML og manuelt producerede regler). Vores optimerede løsninger har opdaget overtagelse af konti og hacking af konti i TELCO-sektoren, for eksempel, og har reddet operatørerne tusindvis af pounds. Faktisk har vi opdaget næsten 10 millioner dollars værd af mistænkelige transaktioner om året.

Uden for svindelområdet forhindres store angreb hver dag ved hjælp af maskinlæring. For eksempel har Microsoft (MSFT ) opdaget og umiddelbart forhindret cyberangreb, der stammer fra botnet, i årevis. I februar 2018 forhindrede de et stort Emotet-botnetangreb næsten med det samme ved hjælp af, hvad de kaldte “lagdelt maskinlæring”, bestående af både klient- og serverside maskinlæringsmodeller.

Cybersikkerhedstrusler opstår ofte fra det mørke net, kunne du diskutere nogle af de Dark Web Managed Services, der tilbydes?

ai tilbyder en dark web-overvågningservice, drevet gennem Skurio’s SaaS-applikation, for at informere og beskytte kompromitterede kunder, så snart deres data bliver eksponeret på det mørke net. Vi mener, at dette partnerskab er unikt og giver vores brugere verdensledende cybersikkerhedsintelligens, som automatisk scanner hjemmesider, markedspladser og fora for at opdage tilfælde af, at en kundes data vises på det mørke net.

Er der noget andet, du gerne vil dele om The ai Corporation (ai)?

At bygge fantastiske produkter kombineret med de rigtige processer kan kun opnås ved at have et verdensklassehold. Jeg er utrolig stolt af team ai, og det er det samarbejde, der hjælper os med at være innovative.

Det er også det samarbejde, der gør, at arbejdet hos ai er behageligt og motiverende for mig. Det er den mest belønnende del af at være leder. At hjælpe mennesker med at udvikle og vokse.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge The ai Corporation (ai).