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 begrense svindel og hjelpe myndighetene med å bekjempe hvitvasking og andre organiserte finansielle kriminalitet, samtidig som de bringer tillit tilbake til finansteknologi.

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

Mens jeg arbeidet med min doktorgrad, jobbet jeg med professor Bill Fitzgerald ved University of Cambridge for å bruke maskinlæring og statistiske teknikker 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 effektive beslutninger fra data de samlet inn eller for å forbedre effektiviteten i manuelle prosesser. Jeg begynte å merke en mønster: organisasjoner over hele industrien hadde vanskeligheter med å forstå den underliggende atferden eller “intensjonen” bak dataene de samlet inn, spesielt når de prøvde å identifisere dårlige aktører. For eksempel, med en organisasjon modellerte vi beslutningsprosessen til spillere i et dataspill for å se om de var ekte spillere eller roboter som svindlet systemet. Jo flere prosjekter vi gjorde, jo mer så jeg dette behovet for maskinlæring som ville tilpasse seg atferden (og dataene) bak resultatet (for eksempel svindel eller finansiell kriminalitet) ville endre seg for å unngå å bli oppdaget. Dette er faktisk hvordan jeg først kom opp med konseptet Adaptive Behavioral Analytics, som senere ble den første grunnleggende teknologien i Featurespace.

Kunne du dele historien om hvordan dette konseptet 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 finne måter å levere kommersiell verdi og deployere 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 en tryggere plass å transaksjoner.

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

Det har vært flere tekniske anvendelser i dette området i en stund – faktisk, de første bruken av AI til å bekjempe finansiell svindel daterer tilbake til begynnelsen av 1990-årene. Imidlertid antok denne primitive versjonen av AI at svindelatferd ville forbli den samme. Algoritmene ble bygget for å gjenkjenne den samme svindelatferden gang på gang. Denne samme teorien blir brukt i dag i anti-svindel-teknologi. Men svindel er ikke statisk. Svindlere tilpasser seg stadig sine metoder for å holde seg foran anti-svindel-teknologien. Det er derfor vi i Featurespace skapte verdens første adaptive AI-modell til å bekjempe svindel. Vi holder tre skritt foran svindlere uten å kreve noen menneskelig inngripen.

Hvorfor er Adaptive Behavioral Analytics så effektive sammenlignet med disse legacy-svindel-forebyggings-teknikkene?

Våre proprietære Adaptive Behavioral Analytics er så effektive sammenlignet med legacy-svindel-forebyggings-teknikkene fordi legacy-aktører avhenger av statiske svindelmønster – men svindel er aldri statisk. Legacy-aktører lærer hva ulike typer kjent dårlig atferd ligner, og deretter setter de ut til å detektere disse dårlige atferdene blant millioner av transaksjoner. Problemet er at disse modellene bare kan ta hensyn til dårlig atferd som har blitt sett før, og svindlere tilpasser seg stadig sine metoder for å holde seg foran svindel-forebyggings-teknologien. 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 blir gjort i verden enn dårlig, og det gir oss mer å lære fra god atferd. Det er en mye mindre mengde svindelatferd, og de endrer seg stadig. Å prøve å detektere bare kjent svindelatferd er et tapende spill.

Hva er de ulike typene maskinlæringsalgoritmer som brukes?

Featurespace’s Adaptive Behavioral Analytics bruker en kombinasjon av uovervåket og overvåket maskinlærings-teknikker. 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 forhindre og detektere svindel 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 minne-celler med naturlig forståelse av betydningen av tid i transaksjonsstrømmer, og forbedre markedets ledende ytelse av våre eksisterende Adaptive Behavioral Analytics.

Hvor tilpasningsdyktige er modellene til å lære nye forbruker-atferd og optimalisere kunde-profiler?

Våre Adaptive Behavioral Analytics-modeller er like tilpasningsdyktige som de trenger å være – selv i møte med utenkelig endring. For eksempel, under de innledende COVID-19-låsningene i 2020, endret forbruker-kjøpsatferd seg bokstavelig talt over natten. Den 29. april 2020 så Mastercard (MA ) en økning på 40% i kontaktløse betalinger. Ikke-tilpasningsdyktige svindel-forebyggings-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 svindel- og risikostyrings-vurderingssystem for betalings-utstedere, bygget av TSYS og Featurespace. Fra januar til juni 2020, leverte TSYS Foresight Score med Featurespace stabile poengfordelinger hver uke, og gjorde det mulig for forbrukerne som var beordret til å holde seg hjemme, å fortsette å kjøpe varer 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 betalingsbehandlings-selskapet Worldpay nylig anerkjent for sitt FraudSight-produkt, som er drevet av Featurespace, for sin evne til å begrense svindel 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 svindel-kategoriene i verden. Regulatorer anerkjenner dette og prøver å sette beskyttelser på plass. For eksempel, lanserte den britiske regjeringen en reform av den online-sikkerhetsloven i mars 2022 i et forsøk på å forhindre svindel og øke forbrukertillit i online-transaksjoner. Liknende i USA, vurderer Forbrukerfinansiert beskyttelsesbyrå (CFPB) å iverksette tiltak for å beskytte forbrukerne mot svindel ved å legge mer ansvar på banker og kreditforeninger. Ved å forhindre svindel før det skjer, kan Featurespace spare banker penger og holde kundene trygge, automatisk uten menneskelig inngripen.

Et eksempel på dette er NatWest (NWG ), den fjerde største britiske banken i størrelse, med rundt 19 millioner kunder. NatWest så en økning i verdi av svindel og svindel som ble oppdaget, inkludert en umiddelbar nedgang i feil-positive rater (ekte kunde-aktivitet gikk ned), innen bare 24 timer etter å ha deployert Featurespace’s 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.