Dave Excell, Gründer von Featurespace – Interview-Serie

Dave Excell ist der Gründer von Featurespace, Dave gründete Featurespace nach seiner Erfindung von Adaptive Behavioral Analytics, die erklärbare KI verwendet, um Banken zu helfen, verdächtiges Verbraucherverhalten zu erkennen und zu markieren. Selbst in jüngster Zeit, als sich das Verbraucherverhalten ändert, konnte diese fortschrittliche KI Betrug verhindern und Behörden bei der Bekämpfung von Geldwäsche und anderen organisierten Finanzverbrechen helfen, während sie das Vertrauen in die Finanztechnologie wiederherstellen.

Könnten Sie uns die Geschichte erzählen, wie Sie in Zusammenarbeit mit Professor Bill Fitzgerald das Konzept der Adaptive Behavioral Analytics entwickelten?

Während meines Promotionsstudiums arbeitete ich mit Professor Bill Fitzgerald an der University of Cambridge, um Machine-Learning- und statistische Techniken anzuwenden, um menschliches Verhalten zu verstehen. Während meiner Zeit dort kamen Organisationen zu uns, um nach neuen Lösungen für verschiedene Herausforderungen zu suchen, die sie bei der Automatisierung effektiver Entscheidungsfindung aus den von ihnen erfassten Daten oder zur Verbesserung der Effizienz manueller Prozesse hatten. Ich begann, ein Muster zu erkennen: Organisationen aus verschiedenen Branchen hatten Schwierigkeiten, das zugrunde liegende Verhalten oder die “Absicht” hinter den von ihnen erfassten Daten zu verstehen, insbesondere wenn sie versuchten, böswillige Akteure zu identifizieren. Zum Beispiel modellierten wir bei einer Organisation die Entscheidungsfindung von Spielern in einem Computerspiel, um zu verstehen, ob sie echte Spieler oder Roboter waren, die das System betrügten. Je mehr Projekte wir durchführten, desto mehr sah ich die Notwendigkeit für Machine-Learning, das sich anpasst, wenn das Verhalten (und die Daten) hinter dem Ergebnis (z. B. Betrug oder betrügerische Aktivität) sich ändert, um der Entdeckung zu entgehen. So kam ich zum ersten Mal auf das Konzept der Adaptive Behavioral Analytics, das später zur ersten grundlegenden Technologie innerhalb von Featurespace wurde.

Könnten Sie die Genesis-Geschichte erzählen, wie dieses Konzept zur Gründung von Featurespace führte?

Obwohl ich Forschung und die Suche nach Lösungen genieße, genieße ich Forschung nicht um ihrer selbst willen. Ich bin motiviert durch die Anwendung von Technologie auf praktische Probleme und durch die Suche nach Wegen, um kommerziellen Wert zu liefern und die Technologie zu deployen, um eine positive Auswirkung auf die Welt zu haben, in der wir leben. So kam ich dazu, Featurespace zu gründen, und wir sind seitdem auf einer Mission, die Welt zu einem sichereren Ort für Transaktionen zu machen.

Könnten Sie über die bestehenden Techniken sprechen, die zur Verhinderung von Betrug und Finanzverbrechen eingesetzt werden, und warum diese Techniken unzureichend sind?

Es gibt bereits seit einiger Zeit verschiedene Technikanwendungen in diesem Bereich – tatsächlich reichen die ersten Anwendungen von KI zur Bekämpfung von Finanzbetrug bis in die frühen 1990er Jahre zurück. Allerdings ging diese primitive Version von KI davon aus, dass Betrugsverhaltensweisen gleich bleiben würden. Die Algorithmen wurden entwickelt, um dasselbe betrügerische Verhalten immer wieder zu erkennen. Diese gleiche Theorie wird heute noch weitgehend in Anti-Betrug-Technologie angewendet. Aber Betrug ist nicht statisch. Betrüger passen ihre Methoden ständig an, um der Anti-Betrug-Technologie zu entgehen. Deshalb haben wir bei Featurespace das weltweit erste adaptive KI-Modell zur Bekämpfung von Betrug entwickelt. Wir bleiben drei Schritte vor den Betrügern, ohne dass menschliches Eingreifen erforderlich ist.

Warum ist Adaptive Behavioral Analytics so wirksam im Vergleich zu diesen Legacy-Fraud-Präventions-Techniken?

Unsere proprietäre Adaptive Behavioral Analytics sind so wirksam im Vergleich zu Legacy-Fraud-Präventions-Techniken, weil Legacy-Spieler auf statische Betrugs-Muster angewiesen sind – aber Betrug ist nie statisch. Legacy-Spieler lernen, wie verschiedene Arten von bekannten schlechten Verhaltens aussehen, und versuchen dann, diese schlechten Verhaltensweisen unter Millionen von Transaktionen zu erkennen. Das Problem ist, dass diese Modelle nur die schlechten Verhaltensweisen berücksichtigen können, die bereits gesehen wurden, und Betrüger ihre Methoden ständig anpassen, um der Betrugsprävention zu entgehen. Stattdessen lernt unser Adaptive Behavioral Analytics-Modell, wie gutes Verhalten aussieht, und erkennt Änderungen gegenüber diesem guten Verhalten. Es gibt viel mehr gutes Verhalten auf der Welt als schlechtes, was uns mehr zu lernen gibt. Es gibt eine viel kleinere Menge an betrügerischem Verhalten, und es ändert sich ständig. Es ist ein verlorener Kampf, nur bekannte betrügerische Verhaltensweisen zu erkennen.

Was sind die verschiedenen Arten von Machine-Learning-Algorithmen, die verwendet werden?

Featurespace’s Adaptive Behavioral Analytics verwendet eine Kombination aus unsupervised und supervised Machine-Learning-Techniken. Unsupervised-Techniken werden verwendet, um Änderungen im Verhalten zu erkennen, um wahrscheinliches Risiko anzuzeigen. Supervised-Techniken werden anschließend verwendet, um die Genauigkeit unserer Modelle zu optimieren, um Betrug und Finanzverbrechen zu verhindern und zu erkennen. Im letzten Jahr hat Featurespace Automated Deep Behavioral Network-Modelle gestartet, die eine neuartige Recurrent Neural Network-Architektur verwenden. Featurespace Research entwickelte Automated Deep Behavioral Networks, um die automatische Entdeckung von Merkmalen zu automatisieren und Gedächtniszellen mit nativem Verständnis der Bedeutung von Zeit in Transaktionsflüssen einzuführen, was die marktführende Leistung unserer bestehenden Adaptive Behavioral Analytics verbessert.

Wie anpassungsfähig sind die Modelle, um neues Verbraucherverhalten zu lernen und Kundenprofile zu optimieren?

Unsere Adaptive Behavioral Analytics-Modelle sind genau so anpassungsfähig, wie sie es brauchen – sogar im Angesicht unvorhersehbarer Veränderungen. Zum Beispiel änderte sich das Kaufverhalten der Verbraucher während der anfänglichen COVID-19-Lockdowns im Jahr 2020 buchstäblich über Nacht. Bis zum 29. April 2020 sah Mastercard einen Anstieg von 40 % bei kontaktlosen Zahlungen. Nicht-anpassungsfähige Fraud-Präventions-KI-Modelle wurden aus dem Gleichgewicht gebracht und blockierten legitime Zahlungen, die von Menschen getätigt wurden, die angewiesen wurden, zu Hause zu bleiben. Unsere Modelle passten sich automatisch an, ohne menschliches Eingreifen. Dies ist am deutlichsten durch den TSYS Foresight Score erkennbar, ein Tool für die Entscheidungsfindung bei der Betrugs- und Risikoprävention für Zahlungs-emittenten, das von TSYS und Featurespace entwickelt wurde. Von Januar bis Juni 2020 lieferte der TSYS Foresight Score mit Featurespace konsistent stabile Score-Verteilungen auf wöchentlicher Basis, was es den Verbrauchern ermöglichte, die zu Hause blieben, weiterhin Lebensmittel und andere Essentials zu kaufen, ohne Unterbrechung.

Was sind die größten Anwendungsfälle für diese Technologie?

Diese Technologie ist speziell auf Banken, Finanzinstitute und Zahlungsverarbeiter ausgerichtet. Zum Beispiel wurde das Zahlungsverarbeitungsunternehmen Worldpay kürzlich für sein FraudSight-Produkt, das von Featurespace angetrieben wird, für seine Fähigkeit, Betrug zu verhindern und gleichzeitig die Genehmigungsraten von Händlern zu erhöhen und Verbraucher zu schützen, anerkannt.

Gibt es noch etwas, das Sie über Featurespace teilen möchten?

Betrügereien sind eine der am schnellsten wachsenden Betrugs-Kategorien der Welt. Regulierungsbehörden erkennen dies und versuchen, Schutzmaßnahmen zu ergreifen. Zum Beispiel startete die britische Regierung im März 2022 eine Reform des Online Safety Bill, um Betrügereien zu verhindern und das Vertrauen der Verbraucher in Online-Transaktionen zu erhöhen. Ähnlich verhält es sich in den USA, wo das Consumer Financial Protection Bureau (CFPB) darüber nachdenkt, Maßnahmen zu ergreifen, um Verbraucher vor Betrügereien zu schützen, indem es mehr Verantwortung auf Banken und Kreditgenossenschaften legt. Durch die Verhinderung von Betrügereien, bevor sie passieren, kann Featurespace Banken Geld sparen und ihre Kunden schützen, automatisch und ohne menschliches Eingreifen.

Ein Beispiel dafür ist NatWest, die viertgrößte britische Bank in Bezug auf die Gesamtvermögenswerte, mit etwa 19 Millionen Kunden. NatWest sah einen Anstieg des Wertes von Betrug und Betrügereien, die erkannt wurden, einschließlich einer sofortigen Abnahme der Falsch-Positiv-Raten (echte Kundenaktivität abgelehnt), innerhalb von nur 24 Stunden nach dem Einsatz des ARIC Risk Hub von Featurespace. Als Ergebnis unserer Partnerschaft haben sie Featurespace als “starken Partner” ihren Investoren gegenüber bezeichnet.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Featurespace besuchen.