Dave Excell, Fondatore di Featurespace – Serie di Interviste

Dave Excell è il Fondatore di Featurespace, Dave ha fondato Featurespace dopo aver inventato l’Adaptive Behavioral Analytics, che utilizza l’intelligenza artificiale spiegabile per aiutare le banche a riconoscere e segnalare comportamenti sospetti dei consumatori. Anche di recente, con il cambiamento del comportamento dei consumatori, questo avanzato AI è stato in grado di ridurre la frode e aiutare le autorità a contrastare il riciclaggio di denaro e altri reati finanziari organizzati, ripristinando la fiducia nel settore fintech.

Potresti condividere con noi la storia di come, in collaborazione con il Professor Bill Fitzgerald, hai sviluppato il concetto di Adaptive Behavioral Analytics?

Mentre stavo lavorando al mio dottorato, ho lavorato con il Professor Bill Fitzgerald all’Università di Cambridge per applicare tecniche di apprendimento automatico e statistiche per comprendere il comportamento umano. Durante il mio tempo lì, le organizzazioni venivano da noi in cerca di soluzioni innovative per vari problemi che avevano nell’automatizzare la presa di decisioni efficaci dai dati che catturavano o per migliorare l’efficienza dei processi manuali. Ho iniziato a notare un modello: le organizzazioni in tutti i settori faticavano a comprendere il comportamento o l’intento sottostante dietro i dati che catturavano, specialmente quando cercavano di identificare gli attori cattivi. Ad esempio, con un’organizzazione abbiamo modellato la presa di decisioni dei giocatori all’interno di un gioco per computer per capire se erano giocatori genuini o robot che baravano il sistema. Più progetti facevamo, più vedevo questo bisogno di apprendimento automatico che si adattasse mentre il comportamento (e i dati) dietro il risultato (ad esempio, frode o attività fraudolenta) cambiavano per evitare la rilevazione. È così che ho iniziato a sviluppare il concetto di Adaptive Behavioral Analytics, che in seguito è diventato la prima tecnologia fondamentale all’interno di Featurespace.

Potresti condividere la storia di come questo concetto ha portato al lancio di Featurespace?

Sebbene mi piaccia fare ricerca e trovare soluzioni, non mi piace fare ricerca solo per il gusto della ricerca. Sono motivato dall’applicare la tecnologia a problemi pratici, quindi trovare modi per consegnare valore commerciale e distribuire la tecnologia per avere un impatto positivo sul mondo in cui viviamo. È così che ho fondato Featurespace e da allora siamo stati impegnati a rendere il mondo un posto più sicuro in cui effettuare transazioni.

Potresti discutere le tecniche esistenti applicate per la prevenzione della frode e dei reati finanziari, e perché queste tecniche non sono sufficienti?

Ci sono state varie applicazioni tecnologiche in questo settore da un po’ di tempo – di fatto, i primi utilizzi dell’AI per combattere la frode finanziaria risalgono ai primi anni ’90. Tuttavia, quella versione primitiva dell’AI assumeva che i comportamenti fraudolenti sarebbero rimasti gli stessi. Gli algoritmi erano stati costruiti per riconoscere gli stessi comportamenti fraudolenti più e più volte. Questa stessa teoria è ampiamente applicata nella tecnologia anti-frode oggi. Ma la frode non è statica. I truffatori stanno costantemente adattando i loro metodi per stare un passo avanti rispetto alla tecnologia anti-frode. È per questo che in Featurespace abbiamo creato il primo modello di AI adattivo per combattere la frode. Restiamo tre passi avanti rispetto ai truffatori senza richiedere alcun intervento umano.

Perché l’Adaptive Behavioral Analytics è così impattante rispetto a queste tecniche di prevenzione della frode legacy?

La nostra Adaptive Behavioral Analytics proprietaria è così impattante rispetto alle tecniche di prevenzione della frode legacy perché i giocatori legacy si basano su modelli di frode statici – ma la frode non è mai statica. I giocatori legacy imparano cosa sembra il comportamento cattivo noto, poi cercano di rilevare quei comportamenti cattivi tra milioni di transazioni. Il problema è che quei modelli possono tenere conto solo dei comportamenti cattivi che sono stati visti prima, e i truffatori stanno costantemente adattando i loro metodi per stare un passo avanti rispetto alla tecnologia anti-frode. Invece, il nostro modello di Adaptive Behavioral Analytics impara cosa sembra il comportamento buono, poi rileva le modifiche rispetto a quei comportamenti buoni. C’è molto più comportamento buono che viene eseguito nel mondo rispetto al comportamento cattivo, quindi abbiamo più da imparare dal comportamento buono. C’è un insieme molto più piccolo di comportamenti fraudolenti, e stanno costantemente cambiando. Cercare di rilevare solo i comportamenti fraudolenti noti è un gioco perso.

Quali sono i diversi tipi di algoritmi di apprendimento automatico utilizzati?

La Adaptive Behavioral Analytics di Featurespace utilizza una combinazione di tecniche di apprendimento automatico supervisionate e non supervisionate. Le tecniche non supervisionate vengono utilizzate per identificare le modifiche nel comportamento per indicare il rischio probabile. Le tecniche supervisionate vengono utilizzate in seguito per ottimizzare l’accuratezza dei nostri modelli per prevenire e rilevare la frode e i reati finanziari. L’anno scorso Featurespace ha lanciato Automated Deep Behavioral Network modelli che utilizzano una novità di architettura di rete neurale ricorrente. Featurespace Research ha sviluppato Automated Deep Behavioral Networks per automatizzare la scoperta delle caratteristiche e introdurre celle di memoria con una comprensione nativa dell’importanza del tempo nei flussi di transazioni, migliorando le prestazioni di mercato dei nostri esistenti Adaptive Behavioral Analytics.

Quanto sono adattabili i modelli nell’apprendere nuovi comportamenti dei consumatori e ottimizzare i profili dei clienti?

I nostri modelli di Adaptive Behavioral Analytics sono esattamente così adattabili come necessario – anche di fronte a cambiamenti senza precedenti. Ad esempio, durante i primi lockdown da COVID-19 nel 2020, il comportamento di acquisto dei consumatori è cambiato letteralmente da un giorno all’altro. Entro il 29 aprile 2020, Mastercard (MA ) ha visto un aumento del 40% nei pagamenti contactless. I modelli di prevenzione della frode non adattivi sono stati messi in difficoltà, bloccando i pagamenti legittimi effettuati da persone costrette a rimanere a casa. I nostri modelli si sono adattati automaticamente, senza intervento umano. Ciò è più evidente attraverso il TSYS Foresight Score, uno strumento di punteggio per la gestione del rischio e della frode per gli emittenti di pagamenti, costruito da TSYS e Featurespace. Da gennaio a giugno 2020, il TSYS Foresight Score con Featurespace ha consegnato costantemente distribuzioni di punteggi stabili su base settimanale, consentendo ai consumatori costretti a rimanere a casa di continuare a effettuare acquisti di generi alimentari e altri beni essenziali senza interruzioni.

Quali sono i principali casi d’uso per questa tecnologia?

Questa tecnologia è specificamente rivolta alle banche, alle istituzioni finanziarie e ai processatori di pagamenti. Ad esempio, la società di pagamento Worldpay è stata recentemente riconosciuta per il suo prodotto FraudSight alimentato da Featurespace per la sua capacità di mitigare la frode mentre aumenta i tassi di approvazione dei commercianti e protegge i consumatori.

C’è qualcos’altro che vorresti condividere su Featurespace?

Le truffe sono una delle categorie di frode a crescita più rapida nel mondo. I regolatori stanno riconoscendo questo e stanno cercando di mettere in atto protezioni. Ad esempio, il governo del Regno Unito ha lanciato una riforma del disegno di legge sulla sicurezza online nel marzo 2022 nel tentativo di prevenire le truffe e aumentare la fiducia dei consumatori nelle transazioni online. Allo stesso modo negli Stati Uniti, l’Ufficio per la protezione finanziaria dei consumatori (CFPB) sta considerando l’adozione di misure per proteggere i consumatori dalle truffe, ponendo maggiore responsabilità sulle banche e le credit union. Prevenendo le truffe prima che accadano, Featurespace può risparmiare denaro alle banche e mantenere i loro clienti al sicuro, automaticamente senza intervento umano.

Un esempio di ciò è NatWest (NWG ), la quarta banca del Regno Unito per totali attivi, con circa 19 milioni di clienti. NatWest ha visto un aumento del valore della frode e delle truffe rilevate, compresa una diminuzione immediata dei tassi di falsi positivi (attività dei clienti genuini diminuita), entro sole 24 ore dalla distribuzione dell’ARIC Risk Hub di Featurespace. Come risultato della nostra partnership, hanno citato Featurespace come “forte partner” per i loro investitori.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Featurespace.