Dave Excell, Grunnlegger av Featurespace – Intervju-serie

Dave Excell er grunnlegger av Featurespace, Dave grunnla Featurespace etter at han oppfant Adaptive Behavioral Analytics, som bruker forklarbar AI til å hjelpe banker med å gjenkjenne og flagge mistenkelig forbrukeratferd. Selv i nyere tid, da forbrukeratferden endrer seg, har denne avanserte AI vært i stand til å forebygge bedrageri og hjelpe myndighetene med å bekjempe hvitvasking og andre organiserte finansielle kriminalitet, samtidig som de bringer tillit tilbake til fintech.

Kunne du dele med oss historien om hvordan du i samarbeid med professor Bill Fitzgerald kom opp med konseptet Adaptive Behavioral Analytics?

Da jeg tok min PhD, arbeidet jeg med professor Bill Fitzgerald ved University of Cambridge for å bruke maskinlæring og statistiske tekniker til å forstå menneskelig atferd. Under min tid der, kom organisasjoner til oss for å søke etter nye løsninger på ulike utfordringer de hadde med å automatisere effektiv beslutningstakning fra data de fanget, eller for å forbedre effektiviteten i manuelle prosesser. Jeg begynte å se et mønster: organisasjoner over hele bransjen hadde problemer med å forstå den underliggende atferden eller “hensikten” bak dataene de fanget, særlig når de prøvde å identifisere dårlige aktører. For eksempel, med en organisasjon modellerte vi beslutningstakningen til spillere i et dataspill for å forstå om de var ekte spillere eller roboter som lurte systemet. Jo flere prosjekter vi gjorde, jo mer så jeg behovet for maskinlæring som ville tilpasse seg atferden (og dataene) bak resultatet (f.eks. svindel eller bedrageri) ville endre seg for å unngå oppdagelse. Dette er faktisk hvordan jeg først kom opp med konseptet Adaptive Behavioral Analytics, som senere ble den første grunnleggende teknologien innen Featurespace.

Kunne du dele den genesis-historien om hvordan dette konseptet deretter ledet til lanseringen av Featurespace?

Selv om jeg liker å forske og finne løsninger, liker jeg ikke forskning bare for forskningens skyld. Jeg er motivert av å bruke teknologi til praktiske problemer, og deretter finne måter å levere kommersiell verdi og utrulle teknologien for å ha en positiv innvirkning på verden vi lever i. Det er hvordan jeg endte opp med å grunnlegge Featurespace, og vi har vært på en misjon siden for å gjøre verden til et tryggere sted å transaksjoner.

Kunne du diskutere de eksisterende teknikkene som brukes mot bedrageri og finansiell kriminalitet, og hvorfor disse teknikkene ikke er tilstrekkelige?

Det har vært ulike tekniske anvendelser i dette området i en stund – faktisk går de første bruken av AI til å bekjempe finansielt bedrageri tilbake til begynnelsen av 1990-årene. Men denne primitive versjonen av AI antok at bedrageriatferd ville forbli den samme. Algoritmene ble bygget for å gjenkjenne den samme bedrageriatferden gang på gang. Denne samme teorien blir brukt i stor grad i anti-bedrageri-teknologi den dag i dag. Men bedrageri er ikke statisk. Bedragere tilpasser seg stadig sine metoder for å holde seg foran anti-bedrageri-teknologien. Det er derfor vi på Featurespace skapte verdens første adaptive AI-modell til å bekjempe bedrageri. Vi holder oss tre skritt foran bedragere uten å kreve noen menneskelig inngripen.

Hvorfor er Adaptive Behavioral Analytics så påvirkende sammenlignet med disse legacy-bedrageri-forebyggende teknikkene?

Våre proprietære Adaptive Behavioral Analytics er så påvirkende sammenlignet med legacy-bedrageri-forebyggende teknikkene fordi legacy-aktører avhenger av statiske bedragerimønster – men bedrageri er aldri statisk. Legacy-aktører lærer hva ulike typer kjent dårlig atferd ligner, og deretter setter de ut til å detektere denne dårlige atferden blant millioner av transaksjoner. Problemet er at disse modellene bare kan ta hensyn til dårlig atferd som har vært sett før, og bedragere tilpasser seg stadig sine metoder for å holde seg foran bedrageri-forebygging. I stedet lærer vår Adaptive Behavioral Analytics-modell hva god atferd ligner, og deretter detekterer den endringer mot disse gode atferdene. Det er mye mer god atferd som utføres i verden enn dårlig, og det gir oss mer å lære fra god atferd. Det er en mye mindre mengde bedrageriatferd, og de endrer seg stadig. Å prøve å detektere bare kjent bedrageriatferd er et tapende spill.

Hva er de ulike typene maskinlæring-algoritmer som brukes?

Featurespace sin Adaptive Behavioral Analytics bruker en kombinasjon av uovervåket og overvåket maskinlæringsteknikker. Uovervåkede teknikker brukes til å identifisere endringer i atferd for å indikere sannsynlig risiko. Overvåkede teknikker brukes deretter til å optimalisere nøyaktigheten av våre modeller for å forebygge og detektere bedrageri og finansiell kriminalitet. I fjor lanserte Featurespace Automated Deep Behavioral Network modeller som bruker en ny rekurrerende nevrale nettverksarkitektur. Featurespace Research utviklet Automated Deep Behavioral Networks for å automatisere funksjonsoppdagelse og introdusere minnehessel med naturlig forståelse av betydningen av tid i transaksjonsstrømmer, og forbedre markedets ledende ytelse av våre eksisterende Adaptive Behavioral Analytics.

Hvor adaptive er modellene til å lære nye forbrukeratferd og optimalisere kundeprofiler?

Våre Adaptive Behavioral Analytics-modeller er like adaptive som de trenger å være – selv i møte med utenkelig endring. For eksempel, under de innledende COVID-19-låsningene i 2020, endret forbrukeratferden seg bokstavelig talt over natten. Den 29. april 2020 så Mastercard en økning på 40 % i kontaktløse betalinger. Ikke-adaptive bedrageri-forebyggende AI-modeller ble kastet ut av løpet, og blokkerte legitime betalinger som ble gjort av mennesker som var beordret til å holde seg hjemme. Våre modeller tilpasset seg automatisk, uten menneskelig inngripen. Dette er mest tydelig gjennom TSYS Foresight Score, et bedrageri- og risikostyring beslutningsverktøy for betalingsutstedere, bygget av TSYS og Featurespace. Fra januar til juni 2020, leverte TSYS Foresight Score med Featurespace konsistent stabile poengfordelinger ukentlig, og ermöglet forbrukerne som var beordret til å holde seg hjemme, å fortsette å kjøpe matvarer og andre nødvendigheter uten avbrytelse.

Hva er de største bruksområdene for denne teknologien?

Denne teknologien er spesifikt rettet mot banker, finansielle institusjoner og betalingsbehandlere. For eksempel, ble betalingsbehandlingselskapet Worldpay nylig anerkjent for sitt FraudSight-produkt, som er drevet av Featurespace, for sin evne til å forebygge bedrageri samtidig som det øker godkjenningssatsen for handlende og beskytter forbrukerne.

Er det noe annet du ville like å dele om Featurespace?

Svindel er en av de raskest voksende bedragerikategoriene i verden. Regulatorer anerkjenner dette og prøver å sette beskyttelse i plass. For eksempel, lanserte den britiske regjeringen en reform av den online-sikkerhetsloven i mars 2022 i et forsøk på å forebygge svindel og øke forbrukertilliten til online-transaksjoner. Tilsvarende i USA, vurderte Forbrukerbeskyttelsesbyrået (CFPB) å iverksette tiltak for å beskytte forbrukerne mot svindel ved å legge mer ansvar på banker og kredittforeninger. Ved å forebygge svindel før det skjer, kan Featurespace spare banker penger og holde kundene trygge, automatisk uten menneskelig inngripen.

Et eksempel på dette er NatWest, den fjerde største britiske banken målt etter totalt egenkapital, med rundt 19 millioner kunder. NatWest så en økning i verdi av bedrageri og svindel som ble oppdaget, inkludert en umiddelbar nedgang i feilpositive rater (ekte kundeatferd ble avvist), bare 24 timer etter at de hadde deployert Featurespace sin ARIC Risk Hub. Som et resultat av vårt samarbeid, har de sitert Featurespace som en “sterk partner” til deres investorer.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Featurespace.