Дэйв Экселл, Основатель Featurespace – Интервью Серия

Дэйв Экселл является Основателем Featurespace, Дэйв основал Featurespace после изобретения Адаптивной Поведенческой Аналитики, которая использует объяснимый ИИ для помощи банкам в распознавании и флагировании подозрительного потребительского поведения. Даже в последние времена, когда потребительское поведение меняется, эта продвинутая ИИ смогла предотвратить мошенничество и помочь властям бороться с отмыванием денег и другими организованными финансовыми преступлениями, а также вернуть доверие к финтех.

Не могли бы вы поделиться с нами историей того, как в сотрудничестве с профессором Биллом Фицджеральдом вы придумали концепцию Адаптивной Поведенческой Аналитики?

Пока я проходил свой PhD, я работал с профессором Биллом Фицджеральдом в Университете Кембриджа, чтобы применить машинное обучение и статистические методы для понимания человеческого поведения. Во время моего пребывания там, организации приходили к нам в поисках новых решений различных задач, которые они имели при автоматизации эффективного принятия решений из данных, которые они захватывали, или для улучшения эффективности ручных процессов. Я начал замечать закономерность: организации из различных отраслей сталкивались с трудностями при понимании основного поведения или “намерения” за данными, которые они захватывали, особенно при попытке выявить плохих акторов. Например, с одной организацией мы моделировали принятие решений игроков внутри компьютерной игры, чтобы понять, являются ли они настоящими игроками или роботами, обманывающими систему. Чем больше проектов мы делали, тем больше я видел эту потребность в машинном обучении, которое адаптировалось бы, поскольку поведение (и данные) за результатом (например, обманом или мошеннической деятельностью) менялись, чтобы избежать обнаружения. Это фактически то, как я впервые придумал концепцию Адаптивной Поведенческой Аналитики, которая позже стала первой фундаментальной технологией внутри Featurespace.

Не могли бы вы поделиться историей того, как эта концепция затем привела к запуску Featurespace?

Хотя я и наслаждаюсь исследованием и поиском решений, я не наслаждаюсь исследованием ради самого исследования. Я мотивирован применением технологий к практическим проблемам, а затем поиском способов доставить коммерческую ценность и развертывания технологии, чтобы сделать положительное влияние на мир, в котором мы живем. Это то, как я в конечном итоге основал Featurespace, и мы были на миссии с тех пор, чтобы сделать мир более безопасным для транзакций.

Не могли бы вы обсудить существующие методы, которые применяются для предотвращения мошенничества и финансовых преступлений, и почему эти методы не оправдывают ожиданий?

Были различные технологические применения в этой области уже некоторое время – фактически, первые использования ИИ для борьбы с финансовым мошенничеством восходят к началу 1990-х годов. Однако эта первая версия ИИ предполагала, что поведение мошенников останется неизменным. Алгоритмы были построены для распознавания одного и того же мошеннического поведения снова и снова. Эта же теория применяется в технологии против мошенничества до сих пор. Но мошенничество не статично. Мошенники постоянно адаптируют свои методы, чтобы оставаться впереди технологии против мошенничества. Это то, почему в Featurespace мы создали первый адаптивный ИИ-модель для борьбы с мошенничеством. Мы остаемся на три шага впереди мошенников без необходимости какого-либо человеческого вмешательства.

Почему Адаптивная Поведенческая Аналитика так эффективна по сравнению с этими устаревшими методами предотвращения мошенничества?

Наша проприетарная Адаптивная Поведенческая Аналитика так эффективна по сравнению с устаревшими методами предотвращения мошенничества, потому что устаревшие игроки полагаются на статические закономерности мошенничества – но мошенничество никогда не статично. Устаревшие игроки учатся, как выглядит разное плохое поведение, а затем обнаруживают это плохое поведение среди миллионов транзакций. Проблема в том, что эти модели могут учитывать только плохое поведение, которое было visto раньше, и мошенники постоянно адаптируют свои методы, чтобы оставаться впереди технологии против мошенничества. Вместо этого наша Адаптивная Поведенческая Аналитика учится, как выглядит “хорошее” поведение, а затем обнаруживает изменения против этого хорошего поведения. Есть гораздо больше хорошего поведения в мире, чем плохого, что дает нам больше возможностей для обучения на хорошем поведении. Есть гораздо меньше набор мошеннического поведения, и оно постоянно меняется. Попытка обнаружить только известное мошенническое поведение – это проигрышная игра.

Какие разные типы алгоритмов машинного обучения используются?

Адаптивная Поведенческая Аналитика Featurespace использует комбинацию ненадзорных и надзорных методов машинного обучения. Ненадзорные методы используются для выявления изменений в поведении, чтобы указать на вероятный риск. Надзорные методы затем используются для оптимизации точности наших моделей для предотвращения и обнаружения мошенничества и финансовых преступлений. В прошлом году Featurespace запустила Автоматические Глубокие Поведенческие Сети модели, которые используют новую архитектуру рекуррентной нейронной сети. Исследовательский центр Featurespace разработал Автоматические Глубокие Поведенческие Сети, чтобы автоматизировать открытие функций и ввести ячейки памяти с родным пониманием значимости времени в потоках транзакций, улучшая рыночную производительность нашей существующей Адаптивной Поведенческой Аналитики.

Насколько адаптивны модели к обучению новому потребительскому поведению и оптимизации профилей клиентов?

Наша Адаптивная Поведенческая Аналитика модель является точно такой адаптивной, как и необходимо – даже в условиях беспрецедентных изменений. Например, во время первых карантинных ограничений COVID-19 в 2020 году потребительское поведение при покупках изменилось буквально за одну ночь. К 29 апреля 2020 года Mastercard (MA ) увидел увеличение на 40% контактных платежей. Неадаптивные модели предотвращения мошенничества ИИ были сбиты с толку, блокируя легитимные платежи, сделанные людьми, которым было приказано оставаться дома. Наши модели адаптировались автоматически, без человеческого вмешательства. Это наиболее очевидно через TSYS Foresight Score, инструмент оценки мошенничества и управления рисками для эмитентов платежей, построенный TSYS и Featurespace. С января по июнь 2020 года TSYS Foresight Score с Featurespace последовательно обеспечивал стабильное распределение баллов на еженедельной основе, позволяя потребителям, которым было приказано оставаться дома, продолжать покупать продукты и другие необходимые вещи без перерыва.

Каковы наиболее значимые случаи использования этой технологии?

Эта технология специально предназначена для банков, финансовых учреждений и платежных процессоров. Например, компания по обработке платежей Worldpay была недавно признана за свою продукцию FraudSight, работающую на основе Featurespace, за ее способность смягчить мошенничество, увеличивая при этом уровень одобрения транзакций для торговцев и защиту потребителей.

Есть ли что-то еще, что вы хотели бы поделиться о Featurespace?

Мошенничества являются одной из самых быстро растущих категорий мошенничества в мире. Регуляторы признают это и пытаются ввести защитные меры. Например, правительство Великобритании запустило реформу Закона об онлайн-безопасности в марте 2022 года в попытке предотвратить мошенничество и увеличить доверие потребителей к онлайн-транзакциям. Аналогично в США, Бюро по защите потребителей в финансовой сфере (CFPB) рассматривает возможность принятия мер для защиты потребителей от мошенничества, возлагая больше ответственности на банки и кредитные союзы. Предотвращая мошенничество до того, как оно произойдет, Featurespace может сэкономить банкам деньги и сохранить безопасность их клиентов, автоматически, без человеческого вмешательства.

Примером этого является NatWest (NWG ), четвертый по величине банк Великобритании по общей сумме активов, с примерно 19 миллионами клиентов. NatWest увидел увеличение стоимости обнаруженного мошенничества и афер, включая немедленное уменьшение уровня ложных срабатываний (настоящая деятельность клиентов уменьшилась), в течение 24 часов после развертывания Featurespace ARIC Risk Hub. В результате нашего партнерства они назвали Featurespace “сильным партнером” для своих инвесторов.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Featurespace.