Dave Excell, Fundador de Featurespace – Serie de Entrevistas

Dave Excell es el Fundador de Featurespace, Dave fundó Featurespace después de inventar el Análisis de Comportamiento Adaptativo, que utiliza inteligencia artificial explicativa para ayudar a los bancos a reconocer y marcar un comportamiento sospechoso de los consumidores. Incluso en tiempos recientes, cuando el comportamiento de los consumidores cambia, esta inteligencia artificial avanzada ha podido frenar el fraude y ayudar a las autoridades a combatir el lavado de dinero y otros delitos financieros organizados, al mismo tiempo que restaura la confianza en la fintech.

¿Podría compartir con nosotros la historia de cómo, en colaboración con el profesor Bill Fitzgerald, se le ocurrió el concepto de Análisis de Comportamiento Adaptativo?

Mientras perseguía mi doctorado, trabajé con el profesor Bill Fitzgerald en la Universidad de Cambridge para aplicar técnicas de aprendizaje automático y estadísticas para comprender el comportamiento humano. Durante mi tiempo allí, las organizaciones venían a nosotros en busca de soluciones novedosas para varios desafíos que tenían para automatizar la toma de decisiones efectivas a partir de los datos que capturaban o para mejorar la eficiencia en los procesos manuales. Comencé a notar un patrón: las organizaciones en various industrias luchaban por comprender el comportamiento subyacente o la “intención” detrás de los datos que capturaban, especialmente cuando intentaban identificar a los actores maliciosos. Por ejemplo, con una organización modelamos la toma de decisiones de los jugadores dentro de un juego de computadora para comprender si eran jugadores genuinos o robots que engañaban al sistema. Cuantos más proyectos realizábamos, más veía la necesidad de un aprendizaje automático que se adaptara a medida que el comportamiento (y los datos) detrás del resultado (por ejemplo, el fraude o la actividad fraudulenta) cambiara para evitar la detección. Así es como inicialmente se me ocurrió el concepto de Análisis de Comportamiento Adaptativo, que más tarde se convirtió en la primera tecnología fundamental dentro de Featurespace.

¿Podría compartir la historia de cómo este concepto llevó al lanzamiento de Featurespace?

Aunque disfruto investigando y encontrando soluciones, no disfruto de la investigación solo por el sake de la investigación. Me motiva aplicar la tecnología a problemas prácticos, y luego encontrar formas de entregar valor comercial y desplegar la tecnología para tener un impacto positivo en el mundo en el que vivimos. Así es como terminé fundando Featurespace y hemos estado en una misión desde entonces para hacer del mundo un lugar más seguro para transactar.

¿Podría discutir las técnicas existentes que se aplican hacia la prevención del fraude y el delito financiero, y por qué estas técnicas no dan la talla?

Ha habido varias aplicaciones de tecnología en este espacio durante un tiempo – de hecho, los primeros usos de la IA para luchar contra el fraude financiero se remontan a principios de la década de 1990. Sin embargo, esa versión primitiva de la IA asumía que el comportamiento del fraude permanecería igual. Los algoritmos se construyeron para reconocer el mismo comportamiento fraudulento una y otra vez. Esta misma teoría se aplica ampliamente en la tecnología anti-fraude hasta hoy en día. Pero el fraude no es estático. Los estafadores están constantemente adaptando sus métodos para mantenerse por delante de la tecnología anti-fraude. Es por eso que en Featurespace creamos el primer modelo de IA adaptativo del mundo para luchar contra el fraude. Nos mantenemos tres pasos por delante de los estafadores sin requerir intervención humana.

¿Por qué el Análisis de Comportamiento Adaptativo es tan impactante en comparación con estas técnicas de prevención de fraude heredadas?

Nuestro Análisis de Comportamiento Adaptativo es tan impactante en comparación con las técnicas de prevención de fraude heredadas porque los jugadores heredados confían en patrones de fraude estáticos – pero el fraude nunca es estático. Los jugadores heredados aprenden qué aspecto tienen los diferentes tipos de comportamiento malo conocido, y luego intentan detectar esos malos comportamientos entre millones de transacciones. El problema es que esos modelos solo pueden tener en cuenta los comportamientos malos que se han visto antes, y los estafadores están constantemente adaptando sus métodos para mantenerse por delante de la prevención del fraude. En cambio, nuestro modelo de Análisis de Comportamiento Adaptativo aprende qué aspecto tiene el buen comportamiento, y luego detecta cambios en relación con ese buen comportamiento. Hay mucho más comportamiento bueno en el mundo que malo, lo que nos da más que aprender del buen comportamiento. Hay un conjunto mucho más pequeño de comportamientos fraudulentos, y están constantemente cambiando. Intentar detectar solo los comportamientos fraudulentos conocidos es un juego perdido.

¿Cuáles son los diferentes tipos de algoritmos de aprendizaje automático que se utilizan?

El Análisis de Comportamiento Adaptativo de Featurespace utiliza una combinación de técnicas de aprendizaje automático supervisadas y no supervisadas. Las técnicas no supervisadas se utilizan para identificar cambios en el comportamiento que indiquen un riesgo probable. Las técnicas supervisadas se utilizan posteriormente para optimizar la precisión de nuestros modelos para prevenir y detectar el fraude y el delito financiero. El año pasado, Featurespace lanzó Redes de Comportamiento Profundo Automatizadas que utilizan una arquitectura de red neuronal recurrente novedosa. Featurespace Research desarrolló Redes de Comportamiento Profundo Automatizadas para automatizar el descubrimiento de características e introducir células de memoria con una comprensión nativa de la importancia del tiempo en los flujos de transacciones, mejorando el rendimiento líder en el mercado de nuestro Análisis de Comportamiento Adaptativo existente.

¿Cuán adaptables son los modelos para aprender nuevos comportamientos de los consumidores y optimizar los perfiles de los clientes?

Nuestros modelos de Análisis de Comportamiento Adaptativo son exactamente tan adaptables como necesitan ser – incluso ante el cambio sin precedentes. Por ejemplo, durante los cierres iniciales de COVID-19 en 2020, el comportamiento de compra de los consumidores cambió literalmente de la noche a la mañana. El 29 de abril de 2020, Mastercard vio un aumento del 40% en los pagos sin contacto. Los modelos de prevención de fraude de IA no adaptables se vieron sorprendidos, bloqueando pagos legítimos realizados por personas ordenadas a quedarse en casa. Nuestros modelos se adaptaron automáticamente, sin intervención humana. Esto es más evidente a través de la Puntuación de Previsión de TSYS, una herramienta de puntuación de decisión de gestión de fraude y riesgo para emisores de pagos, construida por TSYS y Featurespace. De enero a junio de 2020, la Puntuación de Previsión de TSYS con Featurespace entregó consistentemente distribuciones de puntuaciones estables a nivel semanal, lo que permitió a los consumidores ordenados a quedarse en casa continuar comprando alimentos y otros artículos esenciales sin interrupción.

¿Cuáles son los casos de uso más grandes para esta tecnología?

Esta tecnología está específicamente orientada hacia los bancos, instituciones financieras y procesadores de pagos. Por ejemplo, la compañía de procesamiento de pagos Worldpay fue reconocida recientemente por su producto FraudSight impulsado por Featurespace por su capacidad para mitigar el fraude mientras aumenta las tasas de aprobación de los comerciantes y protege a los consumidores.

¿Hay algo más que le gustaría compartir sobre Featurespace?

Los estafas son una de las categorías de fraude de más rápido crecimiento en el mundo. Los reguladores están reconociendo esto y están tratando de poner protecciones en su lugar. Por ejemplo, el gobierno del Reino Unido lanzó una reforma del Proyecto de Ley de Seguridad en Línea en marzo de 2022 en un esfuerzo por prevenir estafas y aumentar la confianza del consumidor en las transacciones en línea. De manera similar, en los Estados Unidos, la Oficina de Protección Financiera del Consumidor (CFPB) está considerando tomar medidas para proteger a los consumidores contra estafas al poner más responsabilidad en los bancos y las uniones de crédito. Al prevenir estafas antes de que ocurran, Featurespace puede ahorrar dinero a los bancos y mantener a sus clientes seguros, automáticamente sin intervención humana.

Un ejemplo de esto es NatWest, el cuarto banco más grande del Reino Unido en términos de activos totales, con alrededor de 19 millones de clientes. NatWest vio un aumento en el valor del fraude y las estafas detectadas, incluyendo una disminución inmediata en las tasas de falsos positivos (actividad genuina del cliente disminuida), dentro de las 24 horas después de implementar el Centro de Riesgo ARIC de Featurespace. Como resultado de nuestra asociación, han citado a Featurespace como un “fuerte socio” para sus inversionistas.

Gracias por la gran entrevista, los lectores que deseen aprender más deben visitar Featurespace.