Ο Dave Excell, Ιδρυτής της Featurespace – Σειρά Συνεντεύξεων

Ο Dave Excell είναι ο Ιδρυτής της Featurespace, Ο Dave Excell ίδρυσε την Featurespace μετά την εφεύρεσή του της Adaptive Behavioral Analytics, η οποία χρησιμοποιεί εξηγητή AI για να βοηθήσει τις τράπεζες να αναγνωρίσουν και να σημάνουν υποψήφια συμπεριφορά καταναλωτών. Ακόμη και σε πρόσφατους χρόνους, καθώς η συμπεριφορά των καταναλωτών αλλάζει, αυτό το προηγμένο AI έχει能够 να περιορίσει την απάτη και να βοηθήσει τις αρχές να αντιμετωπίσουν το ξέπλυμα βρόμικου χρήματος και άλλες οργανωμένες οικονομικές εγκληματικές δραστηριότητες, επαναφέροντας την εμπιστοσύνη στις финτεχ.

Μπορείτε να μοιραστείτε μαζί μας την ιστορία του πώς, σε συνεργασία με τον Καθηγητή Bill Fitzgerald, δημιουργήσατε την концепτού της Adaptive Behavioral Analytics;

Κατά την διάρκεια των σπουδών μου για το διδακτορικό μου, εργάστηκα με τον Καθηγητή Bill Fitzgerald στο Πανεπιστήμιο του Cambridge για να εφαρμόσω τεχνικές μηχανικής μάθησης και στατιστικής για να κατανοήσω την ανθρώπινη συμπεριφορά. Κατά την διάρκεια της θητείας μου εκεί, οργανισμοί ήρθαν σε εμάς αναζητώντας καινοτόμες λύσεις σε διάφορες προκλήσεις που είχαν στην αυτοματοποίηση αποτελεσματικών αποφάσεων από τα δεδομένα που κατέγραφαν ή για να βελτιώσουν την αποτελεσματικότητα των χειροκίνητων διαδικασιών. Άρχισα να παρατηρώ ένα μοτίβο: οι οργανισμοί σε διάφορους τομείς αγωνίζονταν να κατανοήσουν την υποκείμενη συμπεριφορά ή «πρόθεση» πίσω από τα δεδομένα που κατέγραφαν, ιδιαίτερα όταν προσπαθούσαν να αναγνωρίσουν κακόβουλους ηθοποιούς. Για παράδειγμα, με έναν οργανισμό μοντελοποιήσαμε την λήψη αποφάσεων των παικτών σε ένα υπολογιστικό παιχνίδι για να κατανοήσουμε αν ήταν γνήσιοι παίκτες ή ρομπότ που απάτησαν το σύστημα. Όσο περισσότερα προτζεκτ κάναμε, τόσο περισσότερο έβλεπα την ανάγκη για μηχανική μάθηση που θα προσαρμοζόταν καθώς η συμπεριφορά (και τα δεδομένα) πίσω από το αποτέλεσμα (π.χ. απάτη ή εγκληματική δραστηριότητα) θα άλλαζε για να αποφευχθεί η ανίχνευση. Αυτό είναι πώς πρώτα σκέφτηκα την концепτού της Adaptive Behavioral Analytics, η οποία αργότερα έγινε η πρώτη θεμελιώδης τεχνολογία εντός της Featurespace.

Μπορείτε να μοιραστείτε μαζί μας την ιστορία της γέννησης της Featurespace;

Αν και μου αρέσει να ερευνώ και να βρίσκω λύσεις, δεν μου αρέσει η έρευνα για την έρευνα μόνο. Είμαι мотивμένος από την εφαρμογή της τεχνολογίας σε πρακτικά προβλήματα, και στη συνέχεια να βρω τρόπους να παραδώσω εμπορική αξία και να αναπτύξω την τεχνολογία για να κάνω θετική επίδραση στον κόσμο που ζούμε. Αυτό είναι πώς τελικά ίδρυσα την Featurespace και από τότε είμαστε σε μια αποστολή για να κάνουμε τον κόσμο ένα ασφαλέστερο μέρος για συναλλαγές.

Μπορείτε να συζητήσετε τις υπάρχουσες τεχνικές που εφαρμόζονται για την πρόληψη της απάτης και των οικονομικών εγκλημάτων και γιατί αυτές οι τεχνικές δεν είναι επαρκείς;

Υπήρξαν διάφορες τεχνολογικές εφαρμογές στο χώρο για καιρό–στην πραγματικότητα, οι πρώτες χρήσεις του AI για την καταπολέμηση της οικονομικής απάτης χρονολογούνται από τις αρχές της δεκαετίας του 1990. Ωστόσο, αυτή η πρωτογενής εκδοχή του AI υποθέτει ότι η συμπεριφορά της απάτης θα παραμείνει η ίδια. Οι αλγόριθμοι κατασκευάστηκαν για να αναγνωρίσουν την ίδια απάτη συμπεριφορά ξανά και ξανά. Αυτή η ίδια θεωρία εφαρμόζεται ευρέως στην τεχνολογία κατά της απάτης μέχρι σήμερα. Αλλά η απάτη δεν είναι στατική. Οι απάτηδες προσαρμόζουν συνεχώς τις μεθόδους τους για να παραμείνουν μπροστά από την τεχνολογία κατά της απάτης. Αυτό είναι γιατί στην Featurespace, δημιουργήσαμε το πρώτο προσαρμοζόμενο μοντέλο AI για την καταπολέμηση της απάτης. Παραμένουμε τρία βήματα μπροστά από τους απάτηδες χωρίς να απαιτείται ανθρώπινη παρέμβαση.

Γιατί η Adaptive Behavioral Analytics είναι τόσο επηρεστική σε σύγκριση με τις παραδοσιακές τεχνικές πρόληψης της απάτης;

Οι ιδιοπαγείς Adaptive Behavioral Analytics μας είναι τόσο επηρεστικές σε σύγκριση με τις παραδοσιακές τεχνικές πρόληψης της απάτης επειδή οι παραδοσιακοί παίκτες βασίζονται σε στατικές προτύπους απάτης–αλλά η απάτη δεν είναι ποτέ στατική. Οι παραδοσιακοί παίκτες μαθαίνουν τι μοιάζει η διαφορετική κακή συμπεριφορά, και στη συνέχεια προσπαθούν να αναγνωρίσουν αυτή τη κακή συμπεριφορά μεταξύ εκατομμυρίων συναλλαγών. Το πρόβλημα είναι ότι αυτά τα μοντέλα μπορούν να λάβουν υπόψη μόνο τις κακές συμπεριφορές που έχουν δει πριν, και οι απάτηδες προσαρμόζουν συνεχώς τις μεθόδους τους για να παραμείνουν μπροστά από την τεχνολογία κατά της απάτης. Αντίθετα, το μοντέλο Adaptive Behavioral Analytics μας μαθαίνει τι μοιάζει η καλή συμπεριφορά, και στη συνέχεια ανιχνεύει αλλαγές σε σχέση με αυτή τη καλή συμπεριφορά. Υπάρχει πολύ περισσότερη καλή συμπεριφορά που γίνεται στον κόσμο παρά κακή, δίνοντάς μας περισσότερα να μάθουμε από την καλή συμπεριφορά. Υπάρχει ένα πολύ μικρότερο σύνολο εγκληματικών συμπεριφορών, και αυτές αλλάζουν συνεχώς. Να προσπαθήσουμε να ανιχνεύσουμε μόνο τις γνωστές εγκληματικές συμπεριφορές είναι ένα χάσιμο παιχνίδι.

Ποιοι είναι οι διαφορετικοί τύποι αλγορίθμων μηχανικής μάθησης που χρησιμοποιούνται;

Η Adaptive Behavioral Analytics της Featurespace χρησιμοποιεί eine συνδυασμό μη επιτηρούμενων και επιτηρούμενων τεχνικών μηχανικής μάθησης. Οι μη επιτηρούμενες τεχνικές χρησιμοποιούνται για να αναγνωρίσουν αλλαγές στη συμπεριφορά για να δείξουν πιθανό κίνδυνο. Οι επιτηρούμενες τεχνικές χρησιμοποιούνται στη συνέχεια για να βελτιώσουν την ακρίβεια των μοντελών μας για την πρόληψη και ανίχνευση της απάτης και των οικονομικών εγκλημάτων. Το προηγούμενο έτος, η Featurespace κυκλοφόρησε Automated Deep Behavioral Network μοντέλα που χρησιμοποιούν μια νέα αρχιτεκτονική Recurrent Neural Network. Η Featurespace Research ανέπτυξε Automated Deep Behavioral Networks για να αυτοματοποιήσει την ανακάλυψη χαρακτηριστικών και να εισαγάγει κελιά μνήμης με εγγενή κατανόηση της σημασίας του χρόνου στις ροές συναλλαγών, βελτιώνοντας την απόδοση της αγοράς των υφιστάμενων Adaptive Behavioral Analytics.

Πόσο προσαρμόζονται τα μοντέλα για την μάθηση νέας συμπεριφοράς καταναλωτών και την βελτίωση των προφίλ πελατών;

Τα μοντέλα Adaptive Behavioral Analytics μας είναι ακριβώς τόσο προσαρμόζονται όσο χρειάζεται–ακόμη και μπροστά σε απρόβλεπτες αλλαγές. Για παράδειγμα, κατά την αρχική περίοδο.lockdown του COVID-19 το 2020, η συμπεριφορά αγορών των καταναλωτών άλλαξε κυριολεκτικά μέσα στην νύχτα. Μέχρι τις 29 Απριλίου 2020, η Mastercard (MA ) είδε μια αύξηση 40% στις επαφικές πληρωμές. Τα μη προσαρμόζόμενα μοντέλα AI για την πρόληψη της απάτης ρίχθηκαν σε σύγχυση, μπλοκάροντας νόμιμες πληρωμές που γίνονταν από άτομα που είχαν διαταχθεί να παραμείνουν στο σπίτι. Τα μοντέλα μας προσαρμόστηκαν αυτόματα, χωρίς ανθρώπινη παρέμβαση. Αυτό είναι πιο εμφανές μέσω του TSYS Foresight Score, ενός εργαλείου αποφάσεων για την πρόληψη και τον κίνδυνο για τους εκδότες πληρωμών, που κατασκευάστηκε από την TSYS και την Featurespace. Από τον Ιανουάριο έως τον Ιούνιο του 2020, το TSYS Foresight Score με την Featurespace παρείχε σταθερές κατανομές βαθμολογίας κάθε εβδομάδα, επιτρέποντας στους καταναλωτές να συνεχίσουν να αγοράζουν είδη πρώτης ανάγκης χωρίς διακοπή.

Ποιοι είναι οι μεγαλύτεροι χρήστες αυτής της τεχνολογίας;

Αυτή η τεχνολογία είναι ιδιαίτερα προορισμένη για τράπεζες, οικονομικές ιδρύματα και επεξεργαστές πληρωμών. Για παράδειγμα, η εταιρεία επεξεργασίας πληρωμών Worldpay αναγνωρίστηκε πρόσφατα για το προϊόν της FraudSight που τροφοδοτείται από την Featurespace για την ικανότητά του να μειώνει την απάτη και να αυξάνει τους ρυθμούς έγκρισης των εμπόρων και να προστατεύει τους καταναλωτές.

Υπάρχει κάτι άλλο που θα ήθελες να μοιραστείς για την Featurespace;

Οι απάτες είναι μια από τις ταχύτερα αναπτυσσόμενες κατηγορίες απάτης στον κόσμο. Οι ρυθμιστές αναγνωρίζουν αυτό και προσπαθούν να θέσουν προστασίες. Για παράδειγμα, η κυβέρνηση του Ηνωμένου Βασιλείου ξεκίνησε μια μεταρρύθμιση του Online Safety Bill τον Μάρτιο του 2022 σε μια προσπάθεια να αποτρέψει τις απάτες και να αυξήσει την εμπιστοσύνη των καταναλωτών στις online συναλλαγές. Παρόμοια, στις Ηνωμένες Πολιτείες, το Consumer Financial Protection Bureau (CFPB) εξετάζει τη λήψη ενεργειών για την προστασία των καταναλωτών από τις απάτες, θέτοντας περισσότερη ευθύνη στις τράπεζες και τις πιστωτικές ενώσεις. Βελτιώνοντας τις απάτες πριν συμβούν, η Featurespace μπορεί να σώσει χρήματα στις τράπεζες και να giữει τους πελάτες τους ασφαλείς, αυτόματα και χωρίς ανθρώπινη παρέμβαση.

Ένα παράδειγμα είναι η NatWest (NWG ), η τέταρτη μεγαλύτερη τράπεζα του Ηνωμένου Βασιλείου σε όρους συνολικών περιουσιακών στοιχείων, με περίπου 19 εκατομμύρια πελάτες. Η NatWest είδε μια αύξηση στην αξία της απάτης και των απάτων που ανιχνεύθηκαν, συμπεριλαμβανομένης μιας άμεσης μείωσης των ψευδών θετικών ρυθμών (γνήσια δραστηριότητα πελατών μειώθηκε), μέσα σε 24 ώρες από την ανάπτυξη του ARIC Risk Hub της Featurespace. Ως αποτέλεσμα της συνεργασίας μας, έχουν αναφερθεί στην Featurespace ως «ισχυρό συνεργάτη» στους επενδυτές τους.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν Featurespace.