Dave Excell, grundare av Featurespace – Intervju-serien

Dave Excell är grundare av Featurespace, Dave grundade Featurespace efter att han uppfunnit Adaptive Behavioral Analytics, som använder förklarlig AI för att hjälpa banker att känna igen och flagga misstänkt konsumentbeteende. Även i senare tider, när konsumentbeteendet förändras, har denna avancerade AI kunnat förhindra bedrägeri och hjälpa myndigheter att bekämpa penningtvätt och annan organiserad ekonomisk brottslighet, samtidigt som den återställer förtroendet för fintech.

Kunde du dela med oss historien om hur du i samarbete med professor Bill Fitzgerald kom på konceptet Adaptive Behavioral Analytics?

Under min doktorsexamen arbetade jag med professor Bill Fitzgerald vid University of Cambridge för att tillämpa maskinlärning och statistiska tekniker för att förstå mänskligt beteende. Under min tid där kom organisationer till oss för att söka nya lösningar på olika utmaningar de hade med att automatisera effektivt beslutsfattande från data de samlat in eller för att förbättra effektiviteten i manuella processer. Jag började lägga märke till ett mönster: organisationer över olika branscher kämpade med att förstå det underliggande beteendet eller “avsikten” bakom de data de samlade in, särskilt när de försökte identifiera dåliga aktörer. Till exempel, med en organisation modellerade vi beslutsfattandet av spelare i ett datorspel för att förstå om de var äkta spelare eller robotar som lurade systemet. Ju fler projekt vi gjorde, desto mer såg jag behovet av maskinlärning som kunde anpassa sig till beteendet (och data) bakom resultatet (t.ex. bedrägeri eller bedrägeriaktivitet) som förändrades för att undvika upptäckt. Det var faktiskt så jag först kom på konceptet Adaptive Behavioral Analytics, som senare blev den första grundläggande tekniken inom Featurespace.

Kunde du dela med oss berättelsen om hur detta koncept sedan ledde till lanseringen av Featurespace?

Även om jag tycker om att forska och hitta lösningar, tycker jag inte om att forska bara för forskningens skull. Jag är motiverad av att tillämpa teknologi på praktiska problem, sedan hitta sätt att leverera kommersiellt värde och distribuera teknologin för att ha en positiv inverkan på världen vi lever i. Det är så jag hamnade med att grunda Featurespace och vi har varit på en mission sedan dess att göra världen till en säkrare plats att transaktionshandla.

Kunde du diskutera de befintliga teknikerna som används för att förhindra bedrägeri och ekonomisk brottslighet, och varför dessa tekniker brister?

Det har funnits olika tekniska tillämpningar inom området under en längre tid – faktum är att de första användningarna av AI för att bekämpa finansiellt bedrägeri går tillbaka till början av 1990-talet. Men den primitiva versionen av AI antog att bedrägeribeteenden skulle förbli desamma. Algoritmerna byggdes för att känna igen samma bedrägeribeteende om och om igen. Denna teori tillämpas fortfarande i stor utsträckning i anti-bedrägeriteknologi idag. Men bedrägeri är inte statiskt. Bedragare anpassar sig ständigt till sina metoder för att ligga före anti-bedrägeriteknologi. Det är därför vi på Featurespace skapade världens första adaptiva AI-modell för att bekämpa bedrägeri. Vi ligger tre steg före bedragare utan att kräva något mänskligt ingripande.

Varför är Adaptive Behavioral Analytics så betydelsefull jämfört med dessa äldre bedrägeriförebyggande tekniker?

Vår egenutvecklade Adaptive Behavioral Analytics är så betydelsefull jämfört med äldre bedrägeriförebyggande tekniker eftersom de äldre aktörerna förlitar sig på statiska bedrägerimönster – men bedrägeri är aldrig statiskt. De äldre aktörerna lär sig vad olika typer av kända dåliga beteenden ser ut, sedan försöker de upptäcka dessa dåliga beteenden bland miljontals transaktioner. Problemet är att dessa modeller bara kan ta hänsyn till dåliga beteenden som har setts tidigare, och bedragare anpassar sig ständigt till sina metoder för att ligga före bedrägeriförebyggande teknologi. Istället lär sig vår Adaptive Behavioral Analytics-modell vad gott beteende ser ut, sedan upptäcker den förändringar mot dessa goda beteenden. Det finns mycket mer gott beteende som utförs i världen än dåligt, vilket ger oss mer att lära av gott beteende. Det finns en mycket mindre uppsättning bedrägeribeteenden, och de förändras ständigt. Att försöka upptäcka endast kända bedrägeribeteenden är en förlorande match.

Vilka är de olika typerna av maskinlärningsalgoritmer som används?

Featurespaces Adaptive Behavioral Analytics använder en kombination av oövervakade och övervakade maskinlärningstekniker. Oövervakade tekniker används för att identifiera förändringar i beteende för att indikera trolig risk. Övervakade tekniker används sedan för att optimera noggrannheten i våra modeller för att förhindra och upptäcka bedrägeri och ekonomisk brottslighet. Förra året lanserade Featurespace Automated Deep Behavioral Network-modeller som använder en ny arkitektur för återkommande neuronnät. Featurespace Research utvecklade Automated Deep Behavioral Networks för att automatisera funktionssökning och införa minnesceller med naturlig förståelse för betydelsen av tid i transaktionsflöden, vilket förbättrar den marknadsledande prestandan i vår befintliga Adaptive Behavioral Analytics.

Hur anpassningsbara är modellerna för att lära sig nytt konsumentbeteende och optimera kundprofiler?

Våra Adaptive Behavioral Analytics-modeller är exakt så anpassningsbara som de behöver vara – även i ansiktet av utanför den vanliga förändringen. Till exempel, under de första COVID-19-låsningarna 2020, förändrades konsumenternas köpbeteende nästan över en natt. Den 29 april 2020 såg Mastercard (MA ) en 40-procentig ökning av kontaktlösa betalningar. Icke-adaptiva bedrägeriförebyggande AI-modeller kastades för en loop, blockerande legitima betalningar som gjordes av människor som beordrades att stanna hemma. Våra modeller anpassade sig automatiskt, utan mänskligt ingripande. Detta är mest tydligt genom TSYS Foresight Score, ett bedrägeri- och riskhanteringsbeslutsverktyg för betalningsutgivare, byggt av TSYS och Featurespace. Från januari till juni 2020 levererade TSYS Foresight Score med Featurespace konsekvent stabila poängfördelningar varje vecka, vilket möjliggjorde för konsumenter som beordrades att stanna hemma att fortsätta köpa livsmedel och andra grundläggande varor utan avbrott.

Vilka är de största användningsområdena för denna teknik?

Denna teknik är specifikt inriktad mot banker, finansiella institutioner och betalningsprocessorer. Till exempel var betalningsprocessföretaget Worldpay nyligen erkänt för sitt FraudSight-produkt som drivs av Featurespace för dess förmåga att minska bedrägeri samtidigt som det ökar handlarnas godkännandegrad och skyddar konsumenter.

Finns det något annat du vill dela om Featurespace?

Bedrägeri är en av de snabbast växande bedrägerikategorierna i världen. Regulatorer erkänner detta och försöker införa skydd. Till exempel lanserade den brittiska regeringen en reform av den online-säkerhetslagen i mars 2022 i ett försök att förhindra bedrägeri och öka konsumentförtroendet för online-transaktioner. Likaså i USA överväger Consumer Financial Protection Bureau (CFPB) att vidta åtgärder för att skydda konsumenter mot bedrägeri genom att lägga mer ansvar på banker och kreditföreningar. Genom att förhindra bedrägeri innan det händer kan Featurespace spara banker pengar och hålla deras kunder säkra, automatiskt utan mänskligt ingripande.

Ett exempel på detta är NatWest (NWG ), den fjärde största brittiska banken i termer av totala tillgångar, med cirka 19 miljoner kunder. NatWest såg en ökning av värdet på bedrägeri och bedrägeri som upptäcktes, inklusive en omedelbar minskning av falska positiva rater (äkta kundaktivitet minskade), inom bara 24 timmar efter att ha distribuerat Featurespaces ARIC Risk Hub. Som ett resultat av vårt partnerskap har de citerat Featurespace som en “stark partner” till sina investerare.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Featurespace.