Dave Excell, Fondatorul Featurespace – Seria de interviuri

Dave Excell este fondatorul Featurespace, Dave a fondat Featurespace după ce a inventat Adaptive Behavioral Analytics, care utilizează inteligența artificială explicabilă pentru a ajuta băncile să recunoască și să semnaleze comportamentul suspect al consumatorilor. Chiar și în ultimul timp, pe măsură ce comportamentul consumatorilor se schimbă, această tehnologie avansată de inteligență artificială a fost capabilă să prevină frauda și să ajute autoritățile să combată spălarea banilor și alte infracțiuni financiare organizate, restabilind încrederea în fintech.

Ne puteți împărtăși povestea despre cum, în colaborare cu profesorul Bill Fitzgerald, ați conceput conceptul de Adaptive Behavioral Analytics?

În timp ce urmam doctoratul, am lucrat cu profesorul Bill Fitzgerald la Universitatea Cambridge pentru a aplica tehnici de învățare automată și statistice pentru a înțelege comportamentul uman. În timpul șederii mele acolo, organizațiile veneau la noi în căutarea unor soluții inovatoare pentru diversele provocări cu care se confruntau la automatizarea deciziilor eficiente din datele pe care le capturau sau pentru a îmbunătăți eficiența proceselor manuale. Am început să observ o tendință: organizațiile din diverse industrii se confruntau cu dificultăți în înțelegerea comportamentului sau “intenției” subiacente din datele pe care le capturau, mai ales atunci când încercau să identifice actori răi. De exemplu, cu una dintre organizațiile am modelat procesul de luare a deciziilor jucătorilor dintr-un joc pe computer pentru a înțelege dacă erau jucători reali sau roboți care înșelau sistemul. Cu cât am făcut mai multe proiecte, cu atât am văzut mai mult nevoia de inteligență artificială care să se adapteze pe măsură ce comportamentul (și datele) din spatele rezultatului (de exemplu, înșelăciune sau activitate frauduloasă) se schimbă pentru a evita detectarea. Acesta este, de fapt, modul în care am conceput pentru prima dată conceptul de Adaptive Behavioral Analytics, care a devenit ulterior prima tehnologie fundamentală din Featurespace.

Ne puteți împărtăși povestea despre cum acest concept a condus la lansarea Featurespace?

Deși îmi place să cercetez și să găsesc soluții, nu îmi place să fac cercetare doar pentru cercetare. Sunt motivat de aplicarea tehnologiei la probleme practice, apoi de a găsi modalități de a livra valoare comercială și de a implementa tehnologia pentru a avea un impact pozitiv asupra lumii în care trăim. Acesta este modul în care am ajuns să fondăm Featurespace și de atunci suntem pe o misiune de a face lumea un loc mai sigur pentru tranzacții.

Ne puteți discuta despre tehnicile existente care sunt aplicate pentru prevenirea fraudei și a infracțiunilor financiare și de ce aceste tehnici nu sunt suficiente?

Au existat diverse aplicații tehnologice în acest domeniu de ceva timp – de fapt, primele utilizări ale inteligenței artificiale pentru combaterea fraudei financiare datează din anii 1990. Cu toate acestea, acea versiune primitivă de inteligență artificială presupunea că comportamentul fraudulos va rămâne același. Algoritmii au fost creați pentru a recunoaște același comportament fraudulos de mai multe ori. Această teorie este aplicată în mare măsură în tehnologia anti-fraudă și astăzi. Dar frauda nu este statică. Fraudele se adaptează constant metodele pentru a rămâne înaintea tehnologiei anti-fraudă. De aceea, la Featurespace, am creat primul model de inteligență artificială adaptivă pentru a combate frauda. Rămânem cu trei pași înaintea fraudelelor fără a necesita intervenție umană.

De ce este Adaptive Behavioral Analytics atât de impactant în comparație cu tehnicile de prevenire a fraudei legacy?

Analitica noastră comportamentală adaptivă este atât de impactantă în comparație cu tehnicile de prevenire a fraudei legacy pentru că jucătorii legacy se bazează pe modele statice de fraudă – dar frauda nu este niciodată statică. Jucătorii legacy învață ce arată diferitele tipuri de comportament rău cunoscut, apoi detectează acele comportamente rele printre milioane de tranzacții. Problema este că aceste modele pot lua în considerare doar comportamentele rele care au fost văzute anterior, iar fraudele se adaptează constant metodele pentru a rămâne înaintea tehnologiei de prevenire a fraudei. În schimb, modelul nostru de Analitică Comportamentală Adaptivă învață ce arată un bun comportament, apoi detectează schimbări împotriva acelor comportamente bune. Există mult mai multe comportamente bune care se desfășoară în lume decât comportamente rele, ceea ce ne oferă mai multe de învățat din comportamentele bune. Există un set mult mai mic de comportamente frauduloase, care se schimbă constant. Încercarea de a detecta doar comportamentele frauduloase cunoscute este un joc pierdut.

Care sunt diferitele tipuri de algoritmi de învățare automată care sunt utilizați?

Analitica Comportamentală Adaptivă a Featurespace utilizează o combinație de tehnici de învățare automată supravegheată și nesupravegheată. Tehnicile nesupravegheate sunt utilizate pentru a identifica schimbări în comportament care indică probabil un risc. Tehnicile supravegheate sunt utilizate ulterior pentru a optimiza acuratețea modelelor noastre pentru a preveni și detecta frauda și infracțiunile financiare. Anul trecut, Featurespace a lansat Rețele Comportamentale Profunde Automate care utilizează o arhitectură de rețea neuronală recurentă inovatoare. Echipa de cercetare a Featurespace a dezvoltat Rețele Comportamentale Profunde Automate pentru a automatiza descoperirea de caracteristici și a introduce celule cu memorie cu o înțelegere nativă a importanței timpului în fluxurile de tranzacții, îmbunătățind performanța de piață a Analiticii Comportamentale Adaptive existente.

Cât de adaptabile sunt modelele pentru a învăța noi comportamente ale consumatorilor și a optimiza profilurile clienților?

Modelele noastre de Analitică Comportamentală Adaptivă sunt la fel de adaptabile pe cât este nevoie – chiar și în fața schimbărilor fără precedent. De exemplu, în timpul blocajelor inițiale de COVID-19 din 2020, comportamentul de cumpărare al consumatorilor s-a schimbat literalmente peste noapte. Până la 29 aprilie 2020, Mastercard (MA ) a înregistrat o creștere de 40% a plăților contactless. Modelele de prevenire a fraudei neadaptate de inteligență artificială au fost luate prin surprindere, blocând plățile legitime efectuate de oameni care au fost ordonați să rămână acasă. Modelele noastre s-au adaptat automat, fără intervenție umană. Acest lucru este cel mai evident prin TSYS Foresight Score, un instrument de decizie de gestionare a riscului și a fraudei pentru emitentii de plăți, creat de TSYS și Featurespace. De la ianuarie până în iunie 2020, TSYS Foresight Score cu Featurespace a livrat în mod constant distribuții de scoruri stabile pe o bază săptămânală, permițând consumatorilor să continue să cumpere produse alimentare și alte esențiale fără întrerupere.

Care sunt cele mai mari cazuri de utilizare a acestei tehnologii?

Această tehnologie este destinată în special băncilor, instituțiilor financiare și procesatorilor de plăți. De exemplu, compania de procesare a plăților Worldpay a fost recent recunoscută pentru produsul său FraudSight, alimentat de Featurespace, pentru capacitatea sa de a preveni frauda și de a crește ratele de aprobare a comercianților și de a proteja consumatorii.

Există altceva pe care ați dori să îl împărtășiți despre Featurespace?

Înșelăciunile sunt una dintre cele mai rapide categorii de fraudă în lume. Regulatorii recunosc acest lucru și încearcă să pună în aplicare protecții. De exemplu, guvernul britanic a lansat o reformă a Legii securității online în martie 2022 într-un efort de a preveni înșelăciunile și de a crește încrederea consumatorilor în tranzacțiile online. Similar, în Statele Unite, Biroul de Protecție a Consumatorilor Financiari (CFPB) ia în considerare să ia măsuri pentru a proteja consumatorii împotriva înșelăciunilor, punând mai multă responsabilitate pe bănci și uniuni de credit. Prin prevenirea înșelăciunilor înainte de a se întâmpla, Featurespace poate salva băncile de bani și proteja clienții, automat și fără intervenție umană.

Un exemplu în acest sens este NatWest (NWG ), a patra cea mai mare bancă din Regatul Unit în ceea ce privește activele totale, cu aproximativ 19 milioane de clienți. NatWest a înregistrat o creștere a valorii fraudei și a înșelăciunilor detectate, inclusiv o scădere imediată a ratelor de fals pozitiv (activitatea reală a clienților a scăzut), în decurs de 24 de ore de la implementarea hub-ului de risc ARIC al Featurespace. Ca urmare a parteneriatului nostru, ei ne-au citat pe Featurespace ca “partener puternic” în fața investitorilor lor.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe despre Featurespace ar trebui să viziteze Featurespace.