Dave Excell, fondateur de Featurespace – Série d’entretiens

Dave Excell est le fondateur de Featurespace, Dave a fondé Featurespace après avoir inventé l’Analyse comportementale adaptative, qui utilise l’IA explicative pour aider les banques à reconnaître et à signaler les comportements suspects des consommateurs. Même à une époque où le comportement des consommateurs change, cette IA avancée a été capable de lutter contre la fraude et d’aider les autorités à lutter contre le blanchiment d’argent et d’autres crimes financiers organisés, tout en rétablissant la confiance dans les services financiers.

Pouvez-vous partager avec nous l’histoire de la façon dont, en collaboration avec le professeur Bill Fitzgerald, vous êtes arrivé à la conception de l’Analyse comportementale adaptative ?

Pendant que je poursuivais mon doctorat, j’ai travaillé avec le professeur Bill Fitzgerald à l’Université de Cambridge pour appliquer les techniques d’apprentissage automatique et statistiques pour comprendre le comportement humain. Pendant mon séjour là-bas, des organisations venaient nous demander des solutions novatrices pour divers défis qu’elles rencontraient en automatisant la prise de décision efficace à partir des données qu’elles captaient ou en améliorant l’efficacité des processus manuels. J’ai commencé à remarquer un schéma : les organisations à travers les industries avaient du mal à comprendre le comportement sous-jacent ou l’intention derrière les données qu’elles captaient, en particulier lorsqu’elles essayaient d’identifier les mauvais acteurs. Par exemple, avec une organisation, nous avons modélisé la prise de décision des joueurs dans un jeu informatique pour comprendre s’ils étaient de vrais joueurs ou des robots qui trichaient le système. Plus nous faisions de projets, plus je voyais ce besoin d’apprentissage automatique qui s’adapterait au comportement (et aux données) derrière le résultat (par exemple, la fraude ou l’activité frauduleuse) qui changerait pour éviter la détection. C’est ainsi que j’ai d’abord conçu le concept d’Analyse comportementale adaptative, qui est devenu la première technologie fondamentale au sein de Featurespace.

Pouvez-vous partager l’histoire de la façon dont ce concept a ensuite conduit au lancement de Featurespace ?

Bien que j’apprécie la recherche et la recherche de solutions, je n’aime pas la recherche pour la recherche en soi. Je suis motivé par l’application de la technologie à des problèmes pratiques, puis par la recherche de moyens pour délivrer une valeur commerciale et déployer la technologie pour avoir un impact positif sur le monde dans lequel nous vivons. C’est ainsi que j’ai fini par fonder Featurespace et que nous sommes depuis sur une mission pour rendre le monde un endroit plus sûr pour transiger.

Pouvez-vous discuter des techniques existantes qui sont appliquées pour prévenir la fraude et les crimes financiers, et pourquoi ces techniques sont insuffisantes ?

Il y a eu diverses applications de technologie dans ce domaine depuis un certain temps – en fait, les premières utilisations de l’IA pour lutter contre la fraude financière remontent au début des années 1990. Cependant, cette version primitive de l’IA supposait que les comportements de fraude resteraient les mêmes. Les algorithmes étaient conçus pour reconnaître les mêmes comportements de fraude à plusieurs reprises. Cette même théorie est largement appliquée dans la technologie anti-fraude à ce jour. Mais la fraude n’est pas statique. Les fraudeurs s’adaptent constamment leurs méthodes pour rester en tête de la technologie anti-fraude. C’est pourquoi chez Featurespace, nous avons créé le premier modèle d’IA adaptatif pour lutter contre la fraude. Nous restons trois pas en avant des fraudeurs sans nécessiter d’intervention humaine.

Pourquoi l’Analyse comportementale adaptative est-elle si efficace par rapport à ces techniques de prévention de la fraude legacy ?

Nos Analyse comportementale adaptative propriétaires sont si efficaces par rapport aux techniques de prévention de la fraude legacy parce que les acteurs legacy s’appuient sur des modèles de fraude statiques – mais la fraude n’est jamais statique. Les acteurs legacy apprennent à quoi ressemblent les différents types de comportements de fraude connus, puis détectent ces comportements de fraude parmi des millions de transactions. Le problème est que ces modèles ne peuvent prendre en compte que les comportements de fraude qui ont été vus auparavant, et les fraudeurs s’adaptent constamment leurs méthodes pour rester en tête de la technologie anti-fraude. Au lieu de cela, notre modèle d’Analyse comportementale adaptative apprend à quoi ressemble un comportement « bon », puis détecte les changements par rapport à ces bons comportements. Il y a beaucoup plus de bons comportements dans le monde que de mauvais, ce qui nous donne plus à apprendre des bons comportements. Il y a un ensemble beaucoup plus petit de comportements de fraude, et ils changent constamment. Essayer de détecter uniquement les comportements de fraude connus est un jeu perdant.

Quels sont les différents types d’algorithmes d’apprentissage automatique qui sont utilisés ?

Les Analyse comportementale adaptative de Featurespace utilisent une combinaison de techniques d’apprentissage automatique supervisées et non supervisées. Les techniques non supervisées sont utilisées pour identifier les changements de comportement pour indiquer un risque probable. Les techniques supervisées sont ensuite utilisées pour optimiser la précision de nos modèles pour prévenir et détecter la fraude et les crimes financiers. L’année dernière, Featurespace a lancé des modèles de Réseaux de comportement profond automatisés qui utilisent une architecture de réseau neuronal récurrente novatrice. Les chercheurs de Featurespace ont développé des réseaux de comportement profond automatisés pour automatiser la découverte de fonctionnalités et introduire des cellules de mémoire avec une compréhension native de l’importance du temps dans les flux de transactions, améliorant ainsi les performances de notre Analyse comportementale adaptative existante.

À quel point les modèles sont-ils adaptables pour apprendre de nouveaux comportements des consommateurs et optimiser les profils des clients ?

Nos modèles d’Analyse comportementale adaptative sont exactement aussi adaptables qu’il le faut – même face à des changements sans précédent. Par exemple, pendant les premiers confinements liés au COVID-19 en 2020, le comportement d’achat des consommateurs a changé littéralement du jour au lendemain. Le 29 avril 2020, Mastercard (MA ) a constaté une augmentation de 40 % des paiements sans contact. Les modèles de prévention de la fraude non adaptatifs ont été dépassés, bloquant les paiements légitimes effectués par des personnes confinées chez elles. Nos modèles se sont adaptés automatiquement, sans intervention humaine. C’est particulièrement évident grâce au TSYS Foresight Score, un outil de notation de décision pour la gestion des risques et de la fraude pour les émetteurs de paiements, conçu par TSYS et Featurespace. De janvier à juin 2020, le TSYS Foresight Score avec Featurespace a constamment fourni des distributions de scores stables sur une base hebdomadaire, permettant aux consommateurs confinés chez eux de continuer à acheter des produits essentiels sans interruption.

Quels sont les plus grands cas d’utilisation pour cette technologie ?

Cette technologie est spécifiquement conçue pour les banques, les institutions financières et les processeurs de paiements. Par exemple, la société de traitement de paiements Worldpay a récemment été reconnue pour son produit FraudSight alimenté par Featurespace pour sa capacité à atténuer la fraude tout en augmentant les taux d’approbation des marchands et en protégeant les consommateurs.

Y a-t-il autre chose que vous aimeriez partager sur Featurespace ?

Les arnaques sont l’une des catégories de fraude à croissance la plus rapide dans le monde. Les régulateurs les reconnaissent et tentent de mettre en place des protections. Par exemple, le gouvernement britannique a lancé une réforme du projet de loi sur la sécurité en ligne en mars 2022 dans le but de prévenir les arnaques et d’accroître la confiance des consommateurs dans les transactions en ligne. De même, aux États-Unis, le Bureau de protection financière des consommateurs (CFPB) envisage de prendre des mesures pour protéger les consommateurs contre les arnaques en imposant plus de responsabilités aux banques et aux caisses d’épargne. En prévenant les arnaques avant qu’elles ne se produisent, Featurespace peut économiser de l’argent aux banques et protéger leurs clients, automatiquement et sans intervention humaine.

Un exemple de cela est NatWest (NWG ), la quatrième banque britannique en termes d’actifs totaux, avec environ 19 millions de clients. NatWest a constaté une augmentation de la valeur de la fraude et des arnaques détectées, y compris une diminution immédiate des taux de faux positifs (activité de client légitime en baisse), dans les 24 heures suivant le déploiement du Risk Hub ARIC de Featurespace. En conséquence de notre partenariat, ils ont cité Featurespace comme un « partenaire solide » auprès de leurs investisseurs.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Featurespace.