Dave Excell, Pendiri Featurespace – Seri Wawancara

Dave Excell adalah Pendiri Featurespace, Dave mendirikan Featurespace setelah penemuan Adaptive Behavioral Analytics, yang menggunakan explainable AI untuk membantu bank mengenali dan menandai perilaku konsumen yang mencurigakan. Bahkan di masa-masa terakhir ketika perilaku konsumen berubah, AI canggih ini telah dapat mengurangi kejahatan dan membantu otoritas menangani pencucian uang dan kejahatan keuangan terorganisir lainnya sambil membawa kembali kepercayaan kepada fintech.

Apakah Anda bisa berbagi dengan kami cerita tentang bagaimana dalam kolaborasi dengan Professor Bill Fitzgerald Anda mengembangkan konsep Adaptive Behavioral Analytics?

Ketika saya mengejar PhD, saya bekerja dengan Professor Bill Fitzgerald di Universitas Cambridge untuk menerapkan machine learning dan teknik statistik untuk memahami perilaku manusia. Selama waktu saya di sana, organisasi akan datang kepada kami mencari solusi baru untuk berbagai tantangan yang mereka hadapi dalam mengautomasi pengambilan keputusan yang efektif dari data yang mereka kumpulkan atau untuk meningkatkan efisiensi dalam proses manual. Saya mulai melihat pola: organisasi di seluruh industri bergelut dengan memahami perilaku atau ‘niat’ yang mendasari data yang mereka kumpulkan, terutama ketika mencoba mengidentifikasi aktor jahat. Misalnya, dengan satu organisasi, kami memodelkan pengambilan keputusan pemain dalam permainan komputer untuk memahami apakah mereka pemain yang sah atau robot yang menipu sistem. Semakin banyak proyek yang kami lakukan, semakin saya melihat kebutuhan akan machine learning yang akan beradaptasi karena perilaku (dan data) di balik hasil (misalnya, penipuan atau kegiatan yang tidak sah) akan berubah untuk menghindari deteksi. Ini sebenarnya bagaimana saya pertama kali mengembangkan konsep Adaptive Behavioral Analytics, yang kemudian menjadi teknologi dasar pertama dalam Featurespace.

Apakah Anda bisa berbagi cerita tentang bagaimana konsep ini kemudian mengarah pada peluncuran Featurespace?

Meskipun saya menikmati penelitian dan menemukan solusi, saya tidak menikmati penelitian hanya untuk penelitian itu sendiri. Saya termotivasi oleh menerapkan teknologi pada masalah praktis, kemudian menemukan cara untuk mengirimkan nilai komersial dan menerapkan teknologi untuk membuat dampak positif pada dunia yang kita tinggali. Itulah bagaimana saya akhirnya mendirikan Featurespace dan kami telah berada pada misi sejak itu untuk membuat dunia menjadi tempat yang lebih aman untuk melakukan transaksi.

Apakah Anda bisa membahas teknik yang ada yang diterapkan untuk pencegahan kejahatan dan kejahatan keuangan, dan mengapa teknik-teknik tersebut tidak cukup?

Telah ada berbagai aplikasi teknologi di ruang ini selama beberapa waktu–bahkan, penggunaan pertama AI untuk melawan penipuan keuangan kembali ke awal 1990-an. Namun, versi primitif AI tersebut mengasumsikan bahwa perilaku penipuan akan tetap sama. Algoritma tersebut dibangun untuk mengenali perilaku penipuan yang sama berulang-ulang. Teori yang sama ini secara luas diterapkan dalam teknologi anti-penipuan hingga hari ini. Tapi penipuan tidak statis. Penipu terus beradaptasi dengan metode mereka untuk tetap mendahului teknologi anti-penipuan. Itulah mengapa di Featurespace, kami menciptakan model AI adaptif pertama di dunia untuk melawan penipuan. Kami tetap tiga langkah di depan penipu tanpa memerlukan intervensi manusia.

Mengapa Adaptive Behavioral Analytics begitu berdampak dibandingkan dengan teknik pencegahan penipuan warisan?

Adaptive Behavioral Analytics kami yang bersifat milik sendiri begitu berdampak dibandingkan dengan teknik pencegahan penipuan warisan karena pemain warisan bergantung pada pola penipuan statis–tapi penipuan tidak pernah statis. Pemain warisan belajar apa yang terlihat seperti perilaku jahat yang dikenal, kemudian mendeteksi perilaku jahat tersebut di antara jutaan transaksi. Masalahnya adalah model tersebut hanya dapat mempertimbangkan perilaku jahat yang telah dilihat sebelumnya, dan penipu terus beradaptasi dengan metode mereka untuk tetap mendahului teknologi pencegahan penipuan. Sebaliknya, model Adaptive Behavioral Analytics kami belajar apa yang terlihat seperti perilaku baik, kemudian mendeteksi perubahan terhadap perilaku baik tersebut. Ada lebih banyak perilaku baik yang dilakukan di dunia daripada perilaku jahat, memberi kami lebih banyak untuk dipelajari dari perilaku baik. Ada himpunan perilaku penipuan yang jauh lebih kecil, dan mereka terus berubah. Untuk mencoba mendeteksi hanya perilaku penipuan yang dikenal adalah permainan yang kalah.

Apa jenis algoritma machine learning yang digunakan?

Adaptive Behavioral Analytics Featurespace menggunakan kombinasi dari teknik machine learning yang tidak diawasi dan diawasi. Teknik tidak diawasi digunakan untuk mengidentifikasi perubahan dalam perilaku untuk menunjukkan risiko yang mungkin. Teknik diawasi kemudian digunakan untuk mengoptimalkan akurasi model kami untuk mencegah dan mendeteksi penipuan dan kejahatan keuangan. Tahun lalu Featurespace meluncurkan Automated Deep Behavioral Network model yang menggunakan arsitektur Jaringan Saraf Berulang yang baru. Featurespace Research mengembangkan Automated Deep Behavioral Networks untuk mengotomatisasi penemuan fitur dan memperkenalkan sel memori dengan pemahaman asli tentang signifikansi waktu dalam aliran transaksi, meningkatkan kinerja pasar yang sudah memimpin dari Adaptive Behavioral Analytics kami yang ada.

Seberapa adaptif model tersebut dalam mempelajari perilaku konsumen baru dan mengoptimalkan profil pelanggan?

Model Adaptive Behavioral Analytics kami seadaptif yang diperlukan–bahkan dalam menghadapi perubahan yang belum pernah terjadi sebelumnya. Misalnya, selama penguncian awal COVID-19 pada tahun 2020, perilaku pembelian konsumen berubah secara harfiah semalam. Pada 29 April 2020, Mastercard (MA ) melihat peningkatan 40% dalam pembayaran tanpa kontak. Model pencegahan penipuan AI yang tidak adaptif terjebak, memblokir pembayaran yang sah yang dilakukan oleh orang-orang yang diperintahkan untuk tinggal di rumah. Model kami beradaptasi secara otomatis, tanpa intervensi manusia. Ini paling jelas melalui TSYS Foresight Score, alat skoring keputusan manajemen risiko dan penipuan untuk penerbit pembayaran, dibangun oleh TSYS dan Featurespace. Dari Januari-Juni 2020, TSYS Foresight Score dengan Featurespace secara konsisten mengirimkan distribusi skor yang stabil pada basis mingguan, memungkinkan konsumen yang diperintahkan untuk tinggal di rumah untuk terus melakukan pembelian bahan makanan dan kebutuhan lainnya tanpa gangguan.

Apa kasus penggunaan terbesar untuk teknologi ini?

Teknologi ini secara khusus ditujukan untuk bank, lembaga keuangan, dan pengolah pembayaran. Misalnya, perusahaan pengolah pembayaran Worldpay baru-baru ini diakui untuk produk FraudSight yang ditenagai oleh Featurespace karena kemampuannya untuk memitigasi penipuan sambil meningkatkan tingkat persetujuan pedagang dan melindungi konsumen.

Apakah ada yang lain yang Anda ingin bagikan tentang Featurespace?

Penipuan adalah salah satu kategori penipuan yang tumbuh paling cepat di dunia. Regulator mengakui ini dan mencoba memasang perlindungan. Misalnya, pemerintah Inggris meluncurkan reformasi Rancangan Undang-Undang Keselamatan Online pada Maret 2022 dalam upaya mencegah penipuan dan meningkatkan kepercayaan konsumen dalam transaksi online. Serupa di AS, Biro Perlindungan Keuangan Konsumen (CFPB) mempertimbangkan untuk mengambil tindakan untuk melindungi konsumen dari penipuan dengan menempatkan lebih banyak tanggung jawab pada bank dan serikat kredit. Dengan mencegah penipuan sebelum terjadi, Featurespace dapat menyelamatkan uang bank dan menjaga pelanggan mereka tetap aman, secara otomatis tanpa intervensi manusia.

Contoh dari ini adalah NatWest (NWG ), bank keempat terbesar di Inggris berdasarkan aset total, dengan sekitar 19 juta pelanggan. NatWest melihat peningkatan nilai penipuan dan penipuan yang terdeteksi, termasuk penurunan langsung dalam tingkat positif palsu (aktivitas pelanggan yang sah menurun), dalam waktu hanya 24 jam setelah menerapkan ARIC Risk Hub Featurespace. Sebagai hasil dari kemitraan kami, mereka telah menyebutkan Featurespace sebagai “mitra yang kuat” kepada investor mereka.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Featurespace.