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 explainable AI verwenden, 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 den Behörden helfen, Geldwäsche und andere organisierte Finanzkriminalität zu bekämpfen, während sie das Vertrauen in die Finanztechnologie wiederherstellt.

Können 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 maschinelles Lernen 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 Daten hatten, die sie erfassten, oder um die Effizienz manueller Prozesse zu verbessern. Ich begann, ein Muster zu erkennen: Organisationen in verschiedenen Branchen hatten Schwierigkeiten, das zugrunde liegende Verhalten oder die “Absicht” hinter den Daten zu verstehen, die sie erfassten, insbesondere wenn sie versuchten, schlechte 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 diese Notwendigkeit für maschinelles Lernen, das sich an das Verhalten (und die Daten) anpasst, die dem Ergebnis (z. B. Betrug oder betrügerische Aktivität) zugrunde liegen, um es zu vermeiden, entdeckt zu werden. Dies ist eigentlich, wie ich zum ersten Mal das Konzept der Adaptive Behavioral Analytics entwickelte, das später zur ersten grundlegenden Technologie innerhalb von Featurespace wurde.

Können Sie die Entstehungsgeschichte erzählen, wie dieses Konzept dann zur Gründung von Featurespace führte?

Obwohl ich Forschung und die Suche nach Lösungen genieße, genieße ich Forschung nicht nur um der Forschung willen. Ich bin motiviert durch die Anwendung von Technologie auf praktische Probleme und dann durch die Suche nach Wegen, um kommerziellen Wert zu liefern und die Technologie zu deployen, um einen positiven Einfluss auf die Welt zu haben, in der wir leben. Das ist, wie ich Featurespace gründete, und wir sind seitdem auf einer Mission, die Welt zu einem sichereren Ort zu machen, an dem man transagieren kann.

Können Sie über die bestehenden Techniken sprechen, die zur Verhinderung von Betrug und Finanzkriminalität angewendet werden, und warum diese Techniken unzureichend sind?

Es gab verschiedene Technikanwendungen in diesem Bereich – tatsächlich datieren die ersten Anwendungen von KI zur Bekämpfung von Finanzbetrug zurück bis in die frühen 1990er Jahre. Allerdings nahm diese primitive Version von KI an, dass Betrugsverhalten gleich bleiben würde. Die Algorithmen wurden entwickelt, um dasselbe betrügerische Verhalten immer wieder zu erkennen. Diese gleiche Theorie wird noch heute in der Anti-Betrugs-Technologie angewendet. Aber Betrug ist nicht statisch. Betrüger passen ihre Methoden ständig an, um der Anti-Betrugs-Technologie zu entgehen. Deshalb entwickelten wir bei Featurespace das weltweit erste adaptive KI-Modell, um Betrug zu bekämpfen. Wir bleiben drei Schritte vor den Betrügern, ohne dass menschliche Intervention erforderlich ist.

Warum sind Adaptive Behavioral Analytics so wirksam im Vergleich zu diesen herkömmlichen Betrugspräventionsmethoden?

Unsere proprietären Adaptive Behavioral Analytics sind so wirksam im Vergleich zu herkömmlichen Betrugspräventionsmethoden, weil herkömmliche Anbieter auf statische Betrugsmodelle angewiesen sind – aber Betrug ist nie statisch. Herkömmliche Anbieter lernen, was verschiedene Arten von schlechtem Verhalten 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 passen ihre Methoden ständig an, um der Betrugsprävention zu entgehen. Stattdessen lernt unser Adaptive Behavioral Analytics-Modell, was gutes Verhalten aussehen, und erkennt dann 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.

Welche Arten von Machine-Learning-Algorithmen werden verwendet?

Featurespaces Adaptive Behavioral Analytics verwenden 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 Finanzkriminalität zu verhindern und zu erkennen. Im letzten Jahr führte Featurespace Automated Deep Behavioral Network-Modelle ein, die eine neuartige Recurrent Neural Network-Architektur verwenden. Featurespace Research entwickelte Automated Deep Behavioral Networks, um Feature-Discovery zu automatisieren und Memory-Zellen mit nativem Verständnis der Bedeutung von Zeit in Transaktionsflüssen einzuführen, um die marktführende Leistung unserer bestehenden Adaptive Behavioral Analytics zu verbessern.

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 sein müssen – sogar im Angesicht unvorhersehbarer Veränderungen. Zum Beispiel änderte sich das Verbraucherverhalten während der anfänglichen COVID-19-Lockdowns im Jahr 2020 über Nacht. Bis zum 29. April 2020 sah Mastercard (MA ) eine 40-prozentige Zunahme an kontaktlosen Zahlungen. Nicht-anpassungsfähige Betrugspräventions-KI-Modelle wurden durcheinandergebracht und blockierten legitime Zahlungen, die von Menschen getätigt wurden, die angewiesen wurden, zu Hause zu bleiben. Unsere Modelle passten sich automatisch an, ohne menschliche Intervention. Dies ist am deutlichsten im TSYS Foresight Score zu sehen, einem Tool für die Entscheidungsfindung bei Zahlungen und Risikomanagement für Zahlungsanbieter, das von TSYS und Featurespace entwickelt wurde. Von Januar bis Juni 2020 lieferte der TSYS Foresight Score mit Featurespace konsistent stabile Bewertungsverteilungen auf wöchentlicher Basis, sodass Verbraucher, die angewiesen wurden, zu Hause zu bleiben, weiterhin Lebensmittel und andere Essentials kaufen konnten, ohne Unterbrechung.

Was sind die größten Anwendungsfälle für diese Technologie?

Diese Technologie ist speziell für Banken, Finanzinstitute und Zahlungsverarbeiter konzipiert. Zum Beispiel wurde das Zahlungsverarbeitungsunternehmen Worldpay kürzlich für sein Produkt FraudSight, das von Featurespace angetrieben wird, anerkannt, weil es in der Lage ist, Betrug zu verhindern und gleichzeitig die Genehmigungsraten von Händlern zu erhöhen und Verbraucher zu schützen.

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

Betrügereien sind eine der am schnellsten wachsenden Betrugsarten auf 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 in den USA prüft das Consumer Financial Protection Bureau (CFPB), 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 auftreten, kann Featurespace Banken Geld sparen und ihre Kunden schützen, automatisch und ohne menschliche Intervention.

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

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