Dave Excell, Założyciel Featurespace – Seria Wywiadów

Dave Excell jest założycielem Featurespace, Dave założył Featurespace po wynalezieniu Adaptive Behavioral Analytics, które wykorzystują wyjaśnialny AI do pomocy bankom w rozpoznawaniu i flagowaniu podejrzanych zachowań konsumentów. Nawet w ostatnich czasach, gdy zachowania konsumentów ulegają zmianie, ten zaawansowany AI jest w stanie ograniczyć oszustwa i pomóc władzom w zwalczaniu prania brudnych pieniędzy i innych zorganizowanych przestępstw finansowych, przywracając zaufanie do fintech.

Czy mógłbyś podzielić się z nami historią, jak wraz z profesorem Billem Fitzgeraldem stworzyłeś koncepcję Adaptive Behavioral Analytics?

Prowadząc swoje studia doktoranckie, pracowałem z profesorem Billem Fitzgeraldem na Uniwersytecie w Cambridge, aby zastosować techniki machine learning i statystyczne do zrozumienia ludzkiego zachowania. Podczas mojego pobytu tam, organizacje przychodziły do nas w poszukiwaniu nowych rozwiązań dla różnych wyzwań, z którymi się zmagali, automatyzując skuteczne podejmowanie decyzji z danych, które zbierali, lub poprawiając wydajność ręcznych procesów. Zacząłem dostrzegać wzór: organizacje z różnych branż miały trudności z zrozumieniem podstawowego zachowania lub “zamierzeń” za danymi, które zbierali, szczególnie gdy próbowali identyfikować złe zachowania. Na przykład, z jedną organizacją modelowaliśmy decyzje graczy w grze komputerowej, aby zrozumieć, czy są to prawdziwi gracze, czy roboty oszukujące system. Im więcej projektów robiliśmy, tym bardziej widziałem potrzebę machine learning, które dostosowują się do zmian zachowania (i danych) za wynikiem (np. oszustwa lub przestępstwa finansowego), aby uniknąć wykrycia. To jest właśnie jak po raz pierwszy wymyśliłem koncepcję Adaptive Behavioral Analytics, która później stała się pierwszą podstawową technologią w Featurespace.

Czy mógłbyś podzielić się z nami historią, jak ta koncepcja doprowadziła do uruchomienia Featurespace?

Chociaż lubię prowadzić badania i szukać rozwiązań, nie lubię badań dla samego badania. Jestem motywowany przez stosowanie technologii do praktycznych problemów, a następnie znajdowanie sposobów na dostarczanie komercyjnej wartości i wdrażanie technologii, aby mieć pozytywny wpływ na świat, w którym żyjemy. To jest właśnie jak założyłem Featurespace, i od tego czasu jesteśmy na misji, aby uczynić świat bezpieczniejszym miejscem do transakcji.

Czy mógłbyś omówić istniejące techniki stosowane w celu zapobiegania oszustwom i przestępstwom finansowym, oraz dlaczego te techniki nie są wystarczające?

Istnieją różne aplikacje technologiczne w tej dziedzinie od dawna – w rzeczywistości, pierwsze zastosowania AI do walki z oszustwami finansowymi sięgają wczesnych lat 90. Jednak ten prymitywny AI zakładał, że zachowania oszustów pozostaną takie same. Algorytmy zostały zbudowane, aby rozpoznać te same oszustwa ponownie i ponownie. Ta sama teoria jest stosowana w technologii antyoszustw do dziś. Ale oszustwa nie są statyczne. Oszustnicy ciągle dostosowują swoje metody, aby pozostać przed technologią antyoszustw. Dlatego w Featurespace stworzyliśmy pierwszy adaptacyjny model AI do walki z oszustwami. Pozostajemy trzy kroki przed oszustami bez potrzeby interwencji ludzkiej.

Dlaczego Adaptive Behavioral Analytics są tak wpływowe w porównaniu z tymi tradycyjnymi technikami zapobiegania oszustwom?

Nasze własne Adaptive Behavioral Analytics są tak wpływowe w porównaniu z tradycyjnymi technikami zapobiegania oszustwom, ponieważ tradycyjni gracze polegają na statycznych wzorach oszustw – ale oszustwa nigdy nie są statyczne. Tradycyjni gracze uczą się, jak wyglądają różne rodzaje złych zachowań, a następnie próbują wykryć te złe zachowania wśród milionów transakcji. Problem polega na tym, że te modele mogą uwzględniać tylko złe zachowania, które zostały wcześniej widziane, a oszustnicy ciągle dostosowują swoje metody, aby pozostać przed technologią antyoszustw. Zamiast tego, nasz model Adaptive Behavioral Analytics uczy się, jak wygląda “dobre” zachowanie, a następnie wykrywa zmiany w stosunku do tych dobrych zachowań. Istnieje znacznie więcej dobrych zachowań na świecie niż złych, co daje nam więcej do nauki z dobrych zachowań. Istnieje znacznie mniejszy zestaw oszustw, a one ciągle się zmieniają. Próba wykrycia tylko znanych oszustw jest przegraną grą.

Jakie są różne typy algorytmów machine learning, które są stosowane?

Adaptive Behavioral Analytics Featurespace wykorzystuje kombinację nienadzorowanych i nadzorowanych technik machine learning. Techniki nienadzorowane są stosowane w celu identyfikacji zmian w zachowaniu, wskazujących na prawdopodobne ryzyko. Techniki nadzorowane są następnie stosowane w celu optymalizacji dokładności naszych modeli w celu zapobiegania i wykrywania oszustw i przestępstw finansowych. W zeszłym roku Featurespace uruchomił Automated Deep Behavioral Network modele, które wykorzystują nową architekturę Recurrent Neural Network. Featurespace Research opracował Automated Deep Behavioral Networks, aby zautomatyzować odkrywanie funkcji i wprowadzić komórki pamięci z rodzimym zrozumieniem znaczenia czasu w przepływach transakcji, poprawiając w ten sposób wiodącą na rynku wydajność naszych istniejących Adaptive Behavioral Analytics.

Jak adaptacyjne są modele do uczenia nowych zachowań konsumentów i optymalizacji profili klientów?

Nasze modele Adaptive Behavioral Analytics są tak adaptacyjne, jak potrzebne – nawet w obliczu bezprecedensowych zmian. Na przykład, podczas początkowych lockdownów COVID-19 w 2020 roku, zachowania konsumentów uległy zmianie literalnie za jedną noc. Do 29 kwietnia 2020 roku Mastercard (MA ) odnotował 40% wzrost płatności bezkontaktowych. Niedostosowujące się do zmian modele AI do zapobiegania oszustwom były zaskoczone, blokując prawdziwe płatności dokonywane przez ludzi, którzy zostali zmuszeni do pozostania w domu. Nasze modele dostosowały się automatycznie, bez interwencji ludzkiej. Jest to szczególnie widoczne w TSYS Foresight Score, narzędziu do oceny ryzyka i podejmowania decyzji w zakresie zapobiegania oszustwom i przestępstwom finansowym dla emitentów płatności, opracowanym przez TSYS i Featurespace. Od stycznia do czerwca 2020 roku TSYS Foresight Score z Featurespace konsekwentnie dostarczał stabilne rozkłady wyników na tydzień, umożliwiając konsumentom, którzy zostali zmuszeni do pozostania w domu, kontynuowanie zakupów i innych niezbędnych rzeczy bez przerwy.

Jakie są największe przypadki użycia tej technologii?

Technologia ta jest przeznaczona specjalnie dla banków, instytucji finansowych i procesorów płatności. Na przykład, firma zajmująca się przetwarzaniem płatności Worldpay została niedawno uhonorowana za swój produkt FraudSight, napędzany przez Featurespace, za jego zdolność do ograniczania oszustw, jednocześnie zwiększając wskaźniki zatwierdzania transakcji i chroniąc konsumentów.

Czy jest coś jeszcze, co chciałbyś podzielić się o Featurespace?

Oszustwa są jedną z najszybciej rosnących kategorii oszustw na świecie. Regulatorzy uznają to i próbują wprowadzić ochronę. Na przykład, rząd brytyjski uruchomił reformę ustawy o bezpieczeństwie online w marcu 2022 roku w celu zapobiegania oszustwom i zwiększania zaufania konsumentów do transakcji online. Podobnie w Stanach Zjednoczonych, Biuro Ochrony Konsumentów (CFPB) rozważa podjęcie działań w celu ochrony konsumentów przed oszustwami, nakładając większą odpowiedzialność na banki i związki kredytowe. Poprzez zapobieganie oszustwom przed ich wystąpieniem, Featurespace może zaoszczędzić bankom pieniądze i utrzymać ich klientów w bezpieczeństwie, automatycznie i bez interwencji ludzkiej.

Przykładem tego jest NatWest (NWG ), czwarty co do wielkości bank w Wielkiej Brytanii pod względem aktywów, z około 19 milionami klientów. NatWest odnotował wzrost wartości oszustw i przestępstw wykrytych, w tym natychmiastowy spadek fałszywych pozytywów (prawdziwa aktywność klienta spadła), w ciągu zaledwie 24 godzin od wdrożenia ARIC Risk Hub Featurespace. W wyniku naszego partnerstwa, wymienili Featurespace jako “silnego partnera” wobec swoich inwestorów.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Featurespace.