Dave Excell, Featurespace:n perustaja – Haastattelusarja

Dave Excell on Featurespace:n perustaja, ja hän perusti Featurespace:n keksittyään Adaptive Behavioral Analyticsin, joka käyttää selitettävää tekoälyä auttamaan pankkeja tunnistamaan ja merkitsemään epäilyttävää kuluttajakäyttäytymistä. Jopa viime aikoina, kun kuluttajakäyttäytyminen on muuttunut, tämä edistynyt tekoäly on pystynyt hillitsemään petoksia ja auttamaan viranomaisia torjumaan rahanpesua ja muita järjestäytyneitä rikoksia sekä palauttamaan luottamuksen fintechiin.

Voitko kertoa meille tarinan siitä, miten yhteistyössä professori Bill Fitzgeraldin kanssa keksit Adaptive Behavioral Analytics -konseptin?

Tehdessäni väitöskirjaa työskentelin professori Bill Fitzgeraldin kanssa Cambridgen yliopistossa soveltaen koneoppimis- ja tilastotekniikoita ymmärtämään ihmiskäyttäytymistä. Tuona aikana organisaatiot tulivat meillä hakemaan uusia ratkaisuja erilaisiin haasteisiin, joita heillä oli automatisoitaessaan päätöksentekoa datasta, jota he keräsivät, tai parantaessaan manuaalisten prosessien tehokkuutta. Aloin huomata mallin: organisaatiot eri aloilla kamppailivat ymmärtäessään käyttäytymisen “tahdon” taustalla olevaa dataa, erityisesti yritettäessään tunnistaa pahantahtoisia toimijoita. Esimerkiksi yhdessä organisaatiosta mallisimme päätöksentekoa tietokonepelaajien keskuudessa ymmärtääksemme, olivatko he aitoja pelaajia vai huijaavia robotteja. Mitä enemmän projekteja teimme, sitä enemmän näin tarpeen koneoppimiselle, joka sopeutuu siihen, miten käyttäytyminen (ja data) muuttuu tuloksen (esim. petoksen tai rikollisen toiminnan) takia välttääkseen havaitsemisen. Tästä syntyi Adaptive Behavioral Analytics -konsepti, josta myöhemmin tuli Featurespace:n ensimmäinen perusteknologia.

Voitko kertoa Featurespace:n perustamisen tarinan, miten tämä konsepti johti sen perustamiseen?

Vaikka nautin tutkimisesta ja ratkaisujen etsimisestä, en nauti tutkimuksesta tutkimuksen itsensä vuoksi. Olen motivoitunut soveltamaan teknologiaa käytännön ongelmien ratkaisemiseen ja etsimään keinoja toimittaa kaupallista arvoa ja käyttää teknologiaa myönteisen vaikutuksen aikaansaamiseksi maailmaamme.

Voitko keskustella olemassa olevista tekniikoista, joita käytetään petoksen ja rahanpesun estämiseen, ja miksi nämä tekniikat eivät riitä?

On ollut useita teknologiasovelluksia tässä alalla jo jonkin aikaa – itse asiassa ensimmäiset tekoälysovellukset rahanpesun torjumiseksi ovat peräisin 1990-luvun alusta. Kuitenkin tuo tekoälyn primitiivinen versio oletti, että petoskäyttäytyminen säilyy samana. Algoritmit rakennettiin tunnistamaan samaa petollista käyttäytymistä toistuvasti. Tämä sama teoria on edelleen laajasti sovellettu anti-petos-teknologiassa tänään. Mutta petos ei ole staattista. Petkut ovat jatkuvasti sopeuttamassa menetelmiään pysyäkseen edellä anti-petos-teknologiaa. Sen vuoksi Featurespace:ssa loimme maailman ensimmäisen adaptiivisen tekoälymallin petoksen torjumiseksi. Pysymme kolme askelta petkuttiin edellä ilman, että tarvitaan ihmisen väliintuloa.

Miksi Adaptive Behavioral Analytics on niin vaikuttava verrattuna näihin perinteisiin petosEsto-tekniikoihin?

Omistamamme Adaptive Behavioral Analytics ovat niin vaikuttavia verrattuna perinteisiin petosEsto-tekniikoihin, koska perinteiset toimijat luottavat staattisiin petosmalliin – mutta petos ei ole koskaan staattista. Perinteiset toimijat oppivat, miltä erilaiset tunnetut huonot käyttäytymismallit näyttävät, ja sitten he yrittävät havaita näitä huonoja käyttäytymismalleja miljoonien transaktioiden joukossa. Ongelma on, että nämä mallit voivat ottaa huomioon vain ne huonot käyttäytymismallit, jotka on aiemmin nähty, ja petkut ovat jatkuvasti sopeuttamassa menetelmiään pysyäkseen edellä petosEsto-tekniikkaa. Sen sijaan Adaptive Behavioral Analytics -mallimme oppii, miltä hyvä käyttäytyminen näyttää, ja se havaitsee muutokset näiden hyvien käyttäytymismallien suhteen. On paljon enemmän hyvää käyttäytymistä maailmassa kuin huonoa, joten meillä on enemmän oppimisen aiheita hyvän käyttäytymisen suhteen. On paljon vähemmän petollisia käyttäytymismalleja, ja ne muuttuvat jatkuvasti. Yrittää havaita vain tunnettuja petollisia käyttäytymismalleja on häviävän peli.

Mitkä ovat erilaiset koneoppimisen algoritmit, joita käytetään?

Featurespace:n Adaptive Behavioral Analytics käyttää yhdistelmää valvottuja ja valvomattomia koneoppimismenetelmiä. Valvomattomat menetelmät käytetään muutosten havaitsemiseen käyttäytymisessä, jotta voidaan osoittaa todennäköinen riski. Valvottuja menetelmiä käytetään sitten mallien tarkkuuden optimoimiseen petoksen ja rahanpesun estämiseksi ja havaitsemiseksi. Viime vuonna Featurespace julkaisi Automated Deep Behavioral Network -mallit, jotka hyödyntävät uudenlaisen Recurrent Neural Network -arkkitehtuurin. Featurespace Research kehitti Automated Deep Behavioral Networks -mallit automatisoimaan piirteiden löytämisen ja esittämään muistisoluja, joilla on luonnollinen ymmärrys ajan merkityksestä transaktiovirroissa, parantaen olemassa olevan Adaptive Behavioral Analytics -teknologian markkinajohtavaa suorituskykyä.

Kuinka sopeutuvia nämä mallit ovat uuden kuluttajakäyttäytymisen oppimiseen ja asiakasprofiilien optimoimiseen?

Adaptive Behavioral Analytics -mallimme ovat yhtä sopeutuvia kuin niiden on oltava – jopa ennennäkemättömän muutoksen edessä. Esimerkiksi COVID-19-pandemian aikana vuonna 2020 kuluttajien ostokäyttäytyminen muuttui kirjaimellisesti yhdessä yössä. 29. huhtikuuta 2020 Mastercard (MA ) näki 40 prosentin kasvun kosketuksettomiin maksuihin. Ei-adaptiiviset petosEsto-tekoälymallit menettivät tasapainonsa, estäen lailliset maksut, joita tehtiin ihmisten ollessa määrättynä pysymään kotona. Mallimme sopeutuivat automaattisesti ilman ihmisen väliintuloa. Tämä näkyy selkeimmin TSYS Foresight Score -mallissa, joka on petos- ja riskienhallintapäätösten arviointityökalu maksujen myyjille, jonka TSYS ja Featurespace kehittivät. Tammi-kesäkuun 2020 aikana TSYS Foresight Score, joka perustui Featurespace-tekniikkaan, toimitti johdonmukaisesti vakaat pisteytysjakaumat viikoittain, mahdollistaen kuluttajien, jotka oli määrätty pysymään kotona, ostaa elintarvikkeita ja muita tarvikkeita ilman keskeytyksiä.

Mitkä ovat tämän teknologian suurimmat käyttötarkoitukset?

Tämä teknologia on tarkoitettu erityisesti pankkeja, rahoituslaitoksia ja maksuprosessoreita varten. Esimerkiksi maksuprosessointiyhtiö Worldpay on tunnustettu FraudSight -tuotteestaan, joka perustuu Featurespace-tekniikkaan, sen kyvystä torjua petoksia ja lisätä kauppiaiden hyväksymisprosentteja sekä suojella kuluttajia.

Onko mitään muuta, mitä haluaisit jakaa Featurespace:sta?

Huijaukset ovat yksi nopeimmin kasvavista petosluokista maailmassa. Sääntelijät tunnustavat tämän ja yrittävät ottaa suojaustoimenpiteitä. Esimerkiksi Yhdistyneen kuningaskunnan hallitus julkaisi Online Safety Bill -uudistuksen maaliskuussa 2022 estääkseen huijauksia ja lisätäkseen kuluttajien luottamusta verkkomaksuihin. Vastavuoroisesti Yhdysvalloissa Consumer Financial Protection Bureau (CFPB) harkitsee toimenpiteitä kuluttajien suojeluksi huijauksilta asettamalla enemmän vastuuta pankeille ja luottolaitoksille. Estämällä huijauksia ennen kuin ne tapahtuvat, Featurespace voi säästää pankeille rahaa ja pitää asiakkaat turvassa automaattisesti ilman ihmisen väliintuloa.

Esimerkki tästä on NatWest (NWG ), joka on Yhdistyneen kuningaskunnan neljänneksi suurin pankki kokonaisvarallisuuden suhteen, jolla on noin 19 miljoonaa asiakasta. NatWest näki lisäystä havaittujen petosten ja huijausten arvossa, mukaan lukien välittömän laskun virheellisten positiivisten havaintojen määrässä (aidon asiakasliiketoiminnan lasku), vain 24 tunnin kuluessa Featurespace:n ARIC Risk Hub -järjestelmän käyttöönotosta. Yhteistyömme seurauksena he ovat maininneet Featurespace:n “vahvana kumppanina” sijoittajilleen.

Kiitos haastattelusta, lukijoille, jotka haluavat oppia lisää, on suositeltavaa vierailla Featurespace:ssa.