Dave Excell, Themeluesi i Featurespace – Seria e Intervistave

Dave Excell është Themeluesi i Hapësira e veçorive, Dave themeloi Featurespace pas shpikjes së tij të Analiza adaptive e sjelljes, e cila përdor AI të shpjegueshme për të ndihmuar bankat të njohin dhe të tregojnë sjelljen e dyshimtë të konsumatorëve. Edhe në kohët e fundit me ndryshimin e sjelljes së konsumatorit, kjo AI e avancuar ka qenë në gjendje të frenojë mashtrimin dhe të ndihmojë autoritetet të trajtojnë pastrimin e parave dhe krimet e tjera të organizuara financiare, duke rikthyer besimin tek fintech.

A mund të ndani me ne historinë se si në bashkëpunim me Profesor Bill Fitzgerald dolët me konceptin e Analitikës Përshtatëse të Sjelljes?

Ndërsa vazhdoja doktoraturën time, punova me profesorin Bill Fitzgerald në Universitetin e Kembrixhit për të aplikuar mësimin e makinerive dhe teknikat statistikore për të kuptuar sjelljen njerëzore. Gjatë kohës sime atje, organizatat do të vinin tek ne duke kërkuar zgjidhje të reja për sfidat e ndryshme që kishin, duke automatizuar vendimmarrjen efektive nga të dhënat që ata kapën ose për të përmirësuar efikasitetin në proceset manuale. Fillova të vëreja një model: organizatat në të gjithë industritë luftuan me të kuptuarit e sjelljes ose 'qëllimit' që qëndron pas të dhënave që ata kapën, veçanërisht kur përpiqeshin të identifikonin aktorët e këqij. Për shembull, me një organizatë ne modeluam vendimmarrjen e lojtarëve brenda një loje kompjuterike për të kuptuar nëse ata ishin lojtarë të vërtetë apo robotë që mashtronin sistemin. Sa më shumë projekte që bënim, aq më shumë e pashë këtë nevojë për mësimin e makinerive që do të përshtatej pasi sjellja (dhe të dhënat) pas rezultatit (p.sh. mashtrimi ose aktiviteti mashtrues) do të ndryshonin për të shmangur zbulimin. Kjo është në të vërtetë mënyra se si kam ardhur për herë të parë me konceptin Adaptive Behavioral Analytics, i cili më vonë u bë teknologjia e parë themelore brenda Featurespace.

A mund të ndani historinë e gjenezës se si ky koncept më pas çoi në lëshimin e Featurespace?

Megjithëse më pëlqen të hulumtoj dhe të gjej zgjidhje, nuk më pëlqen kërkimi vetëm për hir të kërkimit. Unë jam i motivuar duke aplikuar teknologjinë në problemet praktike, më pas duke gjetur mënyra për të ofruar vlerë komerciale dhe duke përdorur teknologjinë për të bërë një ndikim pozitiv në botën ku jetojmë. Kështu përfundova duke themeluar Featurespace dhe ne kemi qenë në një mision që nga ajo kohë për ta bërë botën një vend më të sigurt për të bërë transaksione.

A mund të diskutoni mbi teknikat ekzistuese që aplikohen në drejtim të parandalimit të mashtrimit dhe krimit financiar dhe pse këto teknika janë të mangëta?

Ka pasur aplikime të ndryshme teknologjike në hapësirë ​​për një kohë - në fakt, përdorimet e para të AI për të luftuar mashtrimin financiar datojnë që në fillim të viteve 1990. Sidoqoftë, ai version primitiv i AI supozoi se sjelljet e mashtrimit do të mbeten të njëjta. Algoritmet u ndërtuan për të njohur të njëjtën sjellje mashtruese pa pushim. E njëjta teori zbatohet gjerësisht në teknologjinë kundër mashtrimit edhe sot e kësaj dite. Por mashtrimi nuk është statik. Mashtruesit po përshtatin vazhdimisht metodat e tyre për të qëndruar përpara teknologjisë kundër mashtrimit. Kjo është arsyeja pse në Featurespace, ne krijuam modelin e parë adaptiv të AI në botë për të luftuar mashtrimin. Ne qëndrojmë tre hapa përpara mashtruesve pa kërkuar asnjë ndërhyrje njerëzore.

Pse është "Adaptive Behavioral Analytics" kaq ndikues në krahasim me këto teknika të parandalimit të mashtrimit të trashëgimisë?

Analizat tona të zotëruara të sjelljes adaptive janë kaq ndikuese në krahasim me teknikat e parandalimit të mashtrimit të vjetër, sepse lojtarët e vjetër mbështeten në modelet e mashtrimit statik – por mashtrimi nuk është kurrë statik. Lojtarët e vjetër mësojnë se si duken lloje të ndryshme të sjelljeve të këqija të njohura, më pas nisin të zbulojnë ato sjellje të këqija midis miliona transaksioneve. Problemi është se ato modele mund të marrin parasysh vetëm sjelljet e këqija që janë parë më parë, dhe mashtruesit po i përshtatin vazhdimisht metodat e tyre për të qëndruar përpara parandalimit të mashtrimit. Përkundrazi, çfarë mëson modeli ynë i Analizës së Sjelljes Përshtatëse mirë sjellja duket si, pastaj zbulon ndryshime kundrejt atyre sjelljeve të mira. Në botë po bëhet shumë më tepër sjellje e mirë sesa e keqe, duke na dhënë më shumë të mësojmë nga sjellja e mirë. Ekziston një grup shumë më i vogël i sjelljeve mashtruese dhe ato po ndryshojnë vazhdimisht. Përpjekja për të zbuluar vetëm sjelljet e njohura mashtruese është një lojë e humbur.

Cilat janë llojet e ndryshme të algoritmeve të mësimit të makinerive që përdoren?

Analiza adaptive e sjelljes e Featurespace përdor një kombinim të teknikave të mësimit të makinerive të pambikëqyrura dhe të mbikëqyrura. Teknikat e pambikëqyrura përdoren për të identifikuar ndryshimet në sjellje për të treguar rrezikun e mundshëm. Teknikat e mbikëqyrura përdoren më pas për të optimizuar saktësinë e modeleve tona për të parandaluar dhe zbuluar mashtrimin dhe krimin financiar. Vitin e kaluar u lançua Featurespace Rrjeti i automatizuar i sjelljes së thellë modele që përdorin një arkitekturë të re të Rrjetit Neural Recurrent. Kërkimi i hapësirës së veçorive zhvilloi Rrjetet e Automatizuara të Sjelljes së Thellë për të automatizuar zbulimin e veçorive dhe për të prezantuar qelizat e memories me kuptimin vendas të rëndësisë së kohës në rrjedhat e transaksioneve, duke përmirësuar performancën udhëheqëse të tregut të analitikës sonë ekzistuese Adaptive të Sjelljes.

Sa përshtatëse janë modelet për të mësuar sjelljen e re të konsumatorëve dhe për të optimizuar profilet e klientëve?

Modelet tona të Analizës së Sjelljes Përshtatëse janë po aq të adaptueshme sa duhet të jenë – edhe përballë ndryshimeve të paprecedentë. Për shembull, gjatë bllokimeve fillestare të COVID-19 në 2020, sjellja blerëse e konsumatorëve ndryshoi fjalë për fjalë brenda natës. Deri më 29 prill 2020, Mastercard pa një rritje prej 40% në pagesat pa kontakt. Modelet e inteligjencës artificiale për parandalimin e mashtrimit jo-përshtatës u hodhën në një lak, duke bllokuar pagesat legjitime që bëheshin nga njerëzit e urdhëruar të qëndronin në shtëpi. Modelet tona përshtaten automatikisht, pa ndërhyrje njerëzore. Kjo është më e dukshme përmes Rezultati i Parashikimit TSYS, një mjet për vlerësimin e vendimeve për menaxhimin e mashtrimit dhe rrezikut për lëshuesit e pagesave, i krijuar nga TSYS dhe Featurespace. Nga janari-qershor 2020, TSYS Foresight Score with Featurespace ofroi vazhdimisht shpërndarje të qëndrueshme të rezultateve në baza javore, duke u mundësuar konsumatorëve të urdhëruar të qëndrojnë në shtëpi për të vazhduar blerjen e sendeve ushqimore dhe gjërave të tjera thelbësore pa ndërprerje.

Cilat janë rastet më të mëdha të përdorimit të kësaj teknologjie?

Kjo teknologji është e drejtuar në mënyrë specifike për bankat, institucionet financiare dhe përpunuesit e pagesave. Për shembull, kompania e përpunimit të pagesave Worldpay u njoh kohët e fundit për produktin e saj FraudSight të mundësuar nga Featurespace për aftësinë e saj për të zbutur mashtrimin duke rritur normat e miratimit të tregtarëve dhe duke mbrojtur konsumatorët.

A ka ndonjë gjë tjetër që dëshironi të ndani në lidhje me Featurespace?

Mashtrimet janë një nga kategoritë e mashtrimeve me rritje më të shpejtë në botë. Rregullatorët po e njohin këtë dhe po përpiqen të vendosin mbrojtje. Për shembull, qeveria e Mbretërisë së Bashkuar filloi një reformë të Projektligjit të Sigurisë në internet në mars 2022 në një përpjekje për të parandaluar mashtrimet dhe për të rritur besimin e konsumatorëve në transaksionet në internet. Në mënyrë të ngjashme në SHBA, Byroja për Mbrojtjen Financiare të Konsumatorit (CFPB) po shqyrton marrjen e masave për të mbrojtur konsumatorët nga mashtrimet duke vendosur më shumë përgjegjësi mbi bankat dhe unionet e kreditit. Duke parandaluar mashtrimet përpara se të ndodhin, Featurespace mund të kursejë paratë e bankave dhe t'i mbajë klientët e tyre të sigurt, automatikisht pa ndërhyrjen njerëzore.

Një shembull i kësaj është NatWest, banka e katërt më e madhe në Mbretërinë e Bashkuar për sa i përket totalit të aktiveve, me rreth 19 milionë klientë. NatWest pa një rritje në vlerën e mashtrimeve dhe mashtrimeve të zbuluara, duke përfshirë një ulje të menjëhershme të normave false pozitive (aktiviteti i vërtetë i klientit ra), brenda vetëm 24 orëve nga vendosja e ARIC Risk Hub të Featurespace. Si rezultat i partneritetit tonë, ata e kanë përmendur Featurespace si një "partner të fortë" për investitorët e tyre.

Faleminderit për intervistën e mrekullueshme, lexuesit që dëshirojnë të mësojnë më shumë duhet ta vizitojnë Hapësira e veçorive.