Dave Excell, oprichter van Featurespace - Interviewreeks

Dave Excel is de oprichter van Functieruimte, richtte Dave Featurespace op na zijn uitvinding van Adaptieve gedragsanalyse, dat verklaarbare AI gebruikt om banken te helpen verdacht consumentengedrag te herkennen en te signaleren. Zelfs in de afgelopen tijd, nu het gedrag van consumenten verandert, is deze geavanceerde AI erin geslaagd om fraude te beteugelen en autoriteiten te helpen bij het aanpakken van het witwassen van geld en andere georganiseerde financiële misdaad, terwijl het vertrouwen in fintech is hersteld.

Kun je ons het verhaal vertellen over hoe je in samenwerking met professor Bill Fitzgerald op het concept van Adaptive Behavioral Analytics kwam?

Tijdens mijn PhD werkte ik samen met professor Bill Fitzgerald aan de Universiteit van Cambridge om machinaal leren en statistische technieken toe te passen om menselijk gedrag te begrijpen. Tijdens mijn tijd daar kwamen organisaties bij ons op zoek naar nieuwe oplossingen voor de verschillende uitdagingen waarmee ze te maken hadden, zoals het automatiseren van effectieve besluitvorming op basis van de gegevens die ze hadden verzameld of om de efficiëntie van handmatige processen te verbeteren. Ik begon een patroon op te merken: organisaties in verschillende sectoren hadden moeite met het begrijpen van het onderliggende gedrag of de ‘intentie’ achter de gegevens die ze verzamelden, vooral wanneer ze probeerden slechte actoren te identificeren. Met één organisatie hebben we bijvoorbeeld de besluitvorming van spelers in een computerspel gemodelleerd om te begrijpen of het echte spelers waren of robots die het systeem bedriegen. Hoe meer projecten we deden, hoe meer ik de behoefte zag aan machinaal leren dat zich zou aanpassen naarmate het gedrag (en de gegevens) achter de uitkomst (bijvoorbeeld bedrog of frauduleuze activiteiten) zouden veranderen om detectie te voorkomen. Dit is eigenlijk hoe ik voor het eerst op het concept van Adaptive Behavioral Analytics kwam, wat later de eerste fundamentele technologie binnen Featurespace werd.

Kun je het ontstaansverhaal delen van hoe dit concept vervolgens leidde tot de lancering van Featurespace?

Hoewel ik het leuk vind om onderzoek te doen en oplossingen te vinden, hou ik niet van onderzoek om het onderzoek. Ik word gemotiveerd door technologie toe te passen op praktische problemen, vervolgens manieren te vinden om commerciële waarde te leveren en de technologie in te zetten om een ​​positieve impact te hebben op de wereld waarin we leven. Zo heb ik uiteindelijk Featurespace opgericht en we zijn op een missie sindsdien om de wereld veiliger te maken voor transacties.

Kunt u de bestaande technieken bespreken die worden toegepast bij het voorkomen van fraude en financiële criminaliteit, en waarom deze technieken tekort schieten?

Er zijn al een tijdje verschillende technische toepassingen in de ruimte - sterker nog, de eerste toepassingen van AI om financiële fraude te bestrijden dateren uit het begin van de jaren negentig. Die primitieve versie van AI ging er echter van uit dat fraudegedrag hetzelfde zou blijven. De algoritmen zijn gebouwd om steeds weer hetzelfde frauduleuze gedrag te herkennen. Dezelfde theorie wordt tot op de dag van vandaag breed toegepast in fraudebestrijdingstechnologie. Maar fraude is niet statisch. Fraudeurs passen hun methoden voortdurend aan om de technologie voor fraudebestrijding voor te blijven. Daarom hebben we bij Featurespace 's werelds eerste adaptieve AI-model gemaakt om fraude te bestrijden. We blijven fraudeurs drie stappen voor zonder enige menselijke tussenkomst.

Waarom is Adaptive Behavioral Analytics zo effectief in vergelijking met deze verouderde technieken voor fraudepreventie?

Onze eigen Adaptive Behavioral Analytics zijn zo effectief in vergelijking met verouderde technieken voor fraudepreventie omdat traditionele spelers vertrouwen op statische fraudepatronen, maar fraude is nooit statisch. Legacy-spelers leren hoe verschillende soorten bekend slecht gedrag eruit zien en gaan vervolgens op zoek naar dat slechte gedrag bij miljoenen transacties. Het probleem is dat die modellen alleen rekening kunnen houden met slecht gedrag dat eerder is gezien, en fraudeurs passen hun methoden voortdurend aan om fraudepreventie voor te blijven. In plaats daarvan leert ons Adaptive Behavior Analytics-model wat goed gedrag eruit ziet, detecteert vervolgens veranderingen ten opzichte van dat goede gedrag. Er is veel meer goed gedrag in de wereld dan slecht, waardoor we meer kunnen leren van goed gedrag. Er is een veel kleiner aantal frauduleuze gedragingen en deze veranderen voortdurend. Proberen alleen bekend frauduleus gedrag op te sporen, is een verloren spel.

Wat zijn de verschillende soorten machine learning-algoritmen die worden gebruikt?

Adaptive Behavioral Analytics van Featurespace maakt gebruik van een combinatie van niet-gecontroleerde en gecontroleerde machine learning-technieken. Er worden technieken zonder toezicht gebruikt om gedragsveranderingen te identificeren om waarschijnlijke risico's aan te geven. Gesuperviseerde technieken worden vervolgens gebruikt om de nauwkeurigheid van onze modellen te optimaliseren om fraude en financiële criminaliteit te voorkomen en op te sporen. Vorig jaar werd Featurespace gelanceerd Geautomatiseerd diep gedragsnetwerk modellen die gebruik maken van een nieuwe Recurrent Neural Network-architectuur. Featurespace Research heeft Automated Deep Behavioral Networks ontwikkeld om het ontdekken van functies te automatiseren en geheugencellen te introduceren met native begrip van het belang van tijd in transactiestromen, waarmee we de marktleidende prestaties van onze bestaande Adaptive Behavioral Analytics verbeteren.

Hoe adaptief zijn de modellen om nieuw consumentengedrag te leren en klantprofielen te optimaliseren?

Onze Adaptive Behavioral Analytics-modellen zijn precies zo aanpasbaar als nodig is, zelfs bij ongekende veranderingen. Tijdens de eerste COVID-19-lockdowns in 2020 veranderde het koopgedrag van consumenten bijvoorbeeld letterlijk van de ene op de andere dag. Op 29 april 2020 zag Mastercard een toename van 40% in contactloze betalingen. Niet-adaptieve AI-modellen voor fraudepreventie werden in de war gebracht en blokkeerden legitieme betalingen die werden gedaan door mensen die werden opgedragen thuis te blijven. Onze modellen pasten zich automatisch aan, zonder menselijke tussenkomst. Dit komt het duidelijkst tot uiting door de TSYS Foresight-score, een tool voor het scoren van beslissingen op het gebied van fraude- en risicobeheer voor uitgevers van betalingen, gebouwd door TSYS en Featurespace. Van januari tot juni 2020 leverde de TSYS Foresight Score met Featurespace consequent wekelijks stabiele scoreverdelingen op, waardoor consumenten die de opdracht kregen om thuis te blijven, zonder onderbreking boodschappen en andere benodigdheden konden blijven kopen.

Wat zijn de grootste use cases voor deze technologie?

Deze technologie is specifiek gericht op banken, financiële instellingen en betalingsverwerkers. Zo werd betalingsverwerkingsbedrijf Worldpay onlangs erkend voor zijn FraudSight-product, mogelijk gemaakt door Featurespace, vanwege zijn vermogen om fraude te beperken en tegelijkertijd de goedkeuringspercentages van verkopers te verhogen en consumenten te beschermen.

Is er nog iets dat je zou willen delen over Featurespace?

Oplichting is een van de snelst groeiende fraudecategorieën ter wereld. Regelgevers erkennen dit en proberen bescherming te bieden. Zo lanceerde de Britse regering in maart 2022 een hervorming van de onlineveiligheidswet om oplichting te voorkomen en het consumentenvertrouwen in onlinetransacties te vergroten. Evenzo overweegt het Consumer Financial Protection Bureau (CFPB) in de VS maatregelen te nemen om consumenten tegen oplichting te beschermen door meer verantwoordelijkheid bij banken en kredietverenigingen te leggen. Door oplichting te voorkomen voordat ze plaatsvinden, kan Featurespace banken geld besparen en hun klanten veilig houden, automatisch zonder menselijke tussenkomst.

Een voorbeeld hiervan is NatWest, de op drie na grootste Britse bank in termen van totale activa, met ongeveer 19 miljoen klanten. NatWest zag een toename in de waarde van gedetecteerde fraude en oplichting, inclusief een onmiddellijke afname van het aantal valse positieven (echte klantactiviteit nam af), binnen slechts 24 uur na de implementatie van Featurespace's ARIC Risk Hub. Als resultaat van onze samenwerking noemen ze Featurespace een "sterke partner" voor hun investeerders.

Bedankt voor het geweldige interview, lezers die meer willen weten, zouden moeten bezoeken Functieruimte.