Dr. Mark Goldspink, CEO av The ai Corporation (ai) – Intervju-serie

Dr. Mark Goldspink er administrerende direktør i The ai Corporation (ai), som tilbyr unike selvbetjente løsninger for svindeloppsporing som mange bransjeledere regner som de beste i verden. Løsningene, inkludert en ny “state of the art”-maskinlæringsløsning for å beskytte og berike betalingsopplevelser for over 100 banker, mer enn tre millioner flerkanalsforhandlere og over 300 millioner forbrukerkortinnehavere. De overvåker også over 25 milliarder transaksjoner og autorisasjoner hvert år.

Hva var det som først tiltalte deg til maskinlæring og AI?

AI er den eneste måten å utføre bedriftsbeslutninger med store datasamlinger på en effektiv måte.

Min første bruk av maskinlæring (1992) var å se på priselasticitet i drivstoffsektoren. Hver servicestasjon og produkt har sin egen elasticitetsindeks. Vi brukte AI til å lage et prediksjonspristverktøy for å hjelpe oss å forstå forholdet mellom pris og etterspørsel. Det verktøyet brukes fortsatt verden over i dag.

Kunne du kort forklare hva The ai Corporation (ai) er?

ai muliggjør digitalisering av betalingsløsninger ved å tilby bedriftscloudprodukter og -tjenester. Enkelt sagt ønsker vi å fremtidssikre våre kunders betalingsteknologi for å sikre at de holder tritt med det stadig endrende digitale markedet. Vi tror at betalinger bør bli usynlige, så bedrifter kan fokusere mer på å håndtere kundene sine og mindre på å bekymre seg for hvordan de skal håndtere betalinger.

Hva er noen av maskinlærings-teknologiene som brukes til å flagge potensielle trusler og svindel?

Det finnes mange forskjellige metoder og tekniker som brukes over hele svindel- og trussellandskapet. Tidlige eksempler inkluderer Bayesian logikk og beslutningstre. Senere innovasjon ledet til en vid utbredelse av neurale nettverk, som fortsatt brukes i stor utstrekning i dag. Den raske utbredelsen av maskinlæring (ML) over andre industrier har oppmuntret til videre utbredelse av flere andre metoder, som usuperviserte tekniker, XGBoost og andre. De fleste bedriftene velger å utvikle sine egne metoder, som vanligvis er basert på eksisterende metoder for å forbedre oppdagelseprestasjonen.

I øyeblikket, selv med maskinlæring som gjør mesteparten av ” tungt arbeid”, er det fortsatt en stor mengde overvåking som kreves for å holde på toppen av svindel. Hvordan kan automatisering av svindelhåndteringsprosessen ved hjelp av modell-koordinering løse dette problemet?

De fleste svindelsystemer bruker flere modeller for å oppdage en optimal mengde svindel samtidig som de reduserer “insult”-raten for å avvise legitime betalinger. Men det største problemet med disse systemene er den enorme mengde ekstra styring som kreves for å håndtere disse modellene. Den styringen og håndteringsarbeidet er vanligvis manuelt, og jo flere modeller som brukes, jo mer manuelt arbeid kreves det for å sikre at modellene fortsetter å fungere godt.

Modell-koordinering revolusjonerer måten vi håndterer svindelsystemer på. Med koordinering håndterer maskinen effektivt seg selv. Når modeller erkennes som ikke fungere godt, erstattes de med en ny modell eller gjenopprettes med den siste dataen. Denne prosessen bruker automatiserte prosesser for å hente ytelsesstatistikk for live-modellene, samt de samme statistikkene for offline auto-ml-produserte modeller. Når offline-modeller fungerer godt, fremmes de til produksjon. Dette danner en lukket løkke, automatisert system for optimal svindeloppdaging og bedriftsprosesser.

Kunne du gi noen eksempler på cybersecurity- eller fintech-trusler som tidligere er blitt oppdaget av maskinlæring?

Her i ai, forhinder vi stadig svindel ved hjelp av vår maskinlæringsløsning AutoPilotML, som holder på toppen av svindeltrender ved å automatisk optimalisere hele svindelstrategien (bestående av både ML og manuelt produserte regler). Våre optimerte løsninger har oppdaget konto- overtakelse og konto-hacking-skjemaer i TELCO-området, for eksempel, og spart operatørene tusenvis av pund. Faktisk har vi oppdaget nære $10 000 000 verdi av mistenkelige transaksjoner per år.

Utenfor svindelområdet, hindres store angrep av maskinlæring hver dag. For eksempel, har Microsoft (MSFT ) oppdaget og umiddelbart hindret cyberangrep som stammer fra botneter i årevis. I februar 2018 hindret de et stort Emotet-botnettangrep nesten umiddelbart), ved hjelp av det de kalte “lagdelt maskinlæring”, bestående av både klient- og serverside maskinlæringsmodeller.

Cybersecurity-trusler oppstår ofte fra det mørke nettet, kunne du diskutere noen av de mørke nett-tjenestene som tilbys i dag?

ai tilbyr en mørk nett-overvåkingstjeneste, drevet gjennom Skurio’s SaaS-applikasjon, for å informere og beskytte kunder som er kompromittert så snart deres data blir eksponert på det mørke nettet. Vi tror at dette partnerskapet er unikt og gir våre brukere verdensledende cyber-intelligens, som automatisk skanner nettsider, markedsplasser og forum for å oppdage hendelser der en kundes data vises på det mørke nettet.

Er det noe annet du ønsker å dele om The ai Corporation (ai)?

Å bygge flotte produkter kombinert med riktige prosesser kan bare oppnås ved å ha et verdensklasse-lag. Jeg er ekstremt stolt av laget ai, og det er det samarbeidet som hjelper oss å være innovative.

Det er også det samarbeidet som gjør at å arbeide i ai er behagelig og motivasjonsgivende for meg. Det er den mest belønnende delen av å være leder. Å hjelpe mennesker å utvikle seg og vokse.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke The ai Corporation (ai).