Dave Excell, grundare av Featurespace – Intervjuserien

Dave Excell är grundare av Funktionsutrymme, Dave grundade Featurespace efter hans uppfinning av Adaptiv beteendeanalys, som använder förklarande AI för att hjälpa banker att känna igen och flagga misstänkt konsumentbeteende. Även på senare tid när konsumentbeteendet förändras har denna avancerade AI kunnat stävja bedrägerier och hjälpa myndigheter att ta itu med penningtvätt och annan organiserad ekonomisk brottslighet samtidigt som förtroendet återförts till fintech.

Skulle du kunna dela med dig av historien om hur du i samarbete med professor Bill Fitzgerald kom fram till konceptet Adaptive Behavioral Analytics?

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

Kan du dela med dig av ursprungsberättelsen om hur detta koncept sedan ledde till lanseringen av Featurespace?

Även om jag tycker om att forska och hitta lösningar, tycker jag inte om forskning bara för forskningens skull. Jag motiveras av att tillämpa teknik på praktiska problem, sedan hitta sätt att leverera kommersiellt värde och implementera tekniken för att ha en positiv inverkan på världen vi lever i. Det var så det slutade med att jag grundade Featurespace och vi har varit på en uppdrag sedan att göra världen till en säkrare plats att handla på.

Skulle du kunna diskutera de befintliga tekniker som används för att förebygga bedrägerier och ekonomisk brottslighet, och varför dessa tekniker misslyckas?

Det har funnits olika tekniska applikationer i utrymmet ett tag - faktiskt, de första användningarna av AI för att bekämpa ekonomiskt bedrägeri går tillbaka till början av 1990-talet. Den primitiva versionen av AI antog dock att bedrägeribeteenden skulle förbli oförändrad. Algoritmerna byggdes för att känna igen samma bedrägliga beteende om och om igen. Samma teori tillämpas brett inom antibedrägeriteknik än i dag. Men bedrägeri är inte statiskt. Bedragare anpassar ständigt sina metoder för att ligga steget före antibedrägeritekniken. Det är därför vi på Featurespace skapade världens första adaptiva AI-modell för att bekämpa bedrägerier. Vi ligger tre steg före bedragare utan att behöva någon mänsklig inblandning.

Varför är Adaptive Behavioral Analytics så effektiv jämfört med dessa äldre metoder för att förebygga bedrägeri?

Vår egenutvecklade Adaptive Behavioral Analytics är så effektfull jämfört med äldre metoder för att förebygga bedrägerier eftersom äldre spelare förlitar sig på statiska bedrägerimönster – men bedrägeri är aldrig statiskt. Äldre spelare lär sig hur olika typer av känt dåligt beteende ser ut och ger sig sedan av för att upptäcka dessa dåliga beteenden bland miljontals transaktioner. Problemet är att de modellerna bara kan ta hänsyn till dåliga beteenden som har setts tidigare, och bedragare anpassar ständigt sina metoder för att ligga steget före vad gäller bedrägeriförebyggande. Istället lär vår modell för Adaptive Behaviour Analytics vad god beteende ser ut, upptäcker sedan förändringar mot dessa goda beteenden. Det finns mycket mer bra beteende i världen än dåligt, vilket ger oss mer att lära av bra beteende. Det finns en mycket mindre uppsättning av bedrägliga beteenden, och de förändras ständigt. Att försöka upptäcka endast kända bedrägliga beteenden är ett förlorande spel.

Vilka olika typer av maskininlärningsalgoritmer används?

Featurespaces Adaptive Behavioral Analytics använder en kombination av oövervakade och övervakade maskininlärningstekniker. Oövervakade tekniker används för att identifiera förändringar i beteende för att indikera sannolika risker. Övervakade tekniker används därefter för att optimera noggrannheten i våra modeller för att förebygga och upptäcka bedrägerier och ekonomisk brottslighet. Förra året lanserades Featurespace Automatiserat Deep Behavioral Network modeller som använder en ny arkitektur för återkommande neurala nätverk. Featurespace Research utvecklade Automated Deep Behavioral Networks för att automatisera funktionsupptäckt och introducera minnesceller med inbyggd förståelse av tidens betydelse i transaktionsflöden, vilket förbättrar den marknadsledande prestandan hos vår befintliga Adaptive Behavioral Analytics.

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

Våra modeller för Adaptive Behavioural Analytics är exakt så anpassningsbara som de behöver vara – även inför en aldrig tidigare skådad förändring. Till exempel, under de första covid-19-låsningarna 2020, förändrades konsumenternas köpbeteende bokstavligen över en natt. Senast den 29 april 2020 såg Mastercard en ökning med 40 % av kontaktlösa betalningar. Icke-adaptivt förebyggande av bedrägeri AI-modeller kastades i en slinga, vilket blockerade legitima betalningar som gjordes av personer som beordrades att stanna hemma. Våra modeller anpassade sig automatiskt, utan mänsklig inblandning. Detta är tydligast genom TSYS Framsynsresultat, ett poängverktyg för bedrägeri- och riskhanteringsbeslut för betalningsutgivare, byggt av TSYS och Featurespace. Från januari-juni 2020 levererade TSYS Foresight Score med Featurespace konsekvent stabila poängfördelningar på veckobasis, vilket gjorde det möjligt för konsumenter som beordrades att stanna hemma för att fortsätta handla matvaror och andra nödvändigheter utan avbrott.

Vilka är de största användningsfallen för denna teknik?

Denna teknik är speciellt inriktad på banker, finansinstitut och betalningsprocessorer. Till exempel, betalningshanteringsföretaget Worldpay uppmärksammades nyligen för sin FraudSight-produkt som drivs av Featurespace för sin förmåga att mildra bedrägerier samtidigt som handlarnas godkännanden ökar och konsumenterna skyddas.

Finns det något mer du vill dela med dig av om Featurespace?

Bedrägerier är en av de snabbast växande bedrägerikategorierna i världen. Tillsynsmyndigheter inser detta och försöker sätta skydd på plats. Till exempel lanserade den brittiska regeringen en reform av lagförslaget om onlinesäkerhet i mars 2022 i ett försök att förhindra bedrägerier och öka konsumenternas förtroende för onlinetransaktioner. På liknande sätt i USA överväger Consumer Financial Protection Bureau (CFPB) att vidta åtgärder för att skydda konsumenter mot bedrägerier genom att lägga mer ansvar på banker och kreditföreningar. Genom att förhindra bedrägerier innan de inträffar kan Featurespace spara banker pengar och hålla sina kunder säkra, automatiskt utan mänsklig inblandning.

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

Tack för den fina intervjun, läsare som vill veta mer bör besöka Funktionsutrymme.