Dr Mark Goldspink, VD för The ai Corporation (ai) – Intervjuer

Dr Mark Goldspink är VD för The ai Corporation (ai), som erbjuder unika självbetjäningslösningar för bedrägeridetektering som anses av många branschledare vara de bästa i världen. Lösningarna, inklusive en ny “state of the art”-maskinlärningslösning som skyddar och berikar betalningsupplevelser för mer än 100 banker, över tre miljoner flerkanalsåterförsäljare och över 300 miljoner konsumentkortinnehavare. De övervakar också över 25 miljarder transaktioner och auktorisationer varje år.

Vad var det som initialt drog dig till maskinlärning och AI?

AI är det enda sättet att genomföra affärsbeslut med stora datasamlingar på ett effektivt sätt.

Min första användning av maskinlärning (1992) var att undersöka priselasticitet i bränslesektorn. Varje servicestation och produkt har sin egen elasticitetsindex. Vi använde AI för att skapa ett prediktivt prissättningsverktyg för att hjälpa oss att förstå relationen mellan pris och efterfrågan. Det verktyget används fortfarande över hela världen idag.

Kan du kort beskriva vad The ai Corporation (ai) är?

ai underlättar digitaliseringen av betalningslösningar genom att erbjuda företagsmolntjänster och -produkter. Enkelt uttryckt syftar vi till att framtidsäkra våra kunders betalningsteknologi för att säkerställa att de förblir anpassade till den bredare, ständigt föränderliga digitala marknaden. Vi tror att betalningar bör bli osynliga, så att företag kan fokusera mer på att hantera sina kunder och mindre tid på att oroa sig för hur de ska ta betalt.

Vilka är några av de maskinlärningstekniker som används för att flagga potentiella hot och bedrägerier?

Det finns många olika metoder och tekniker som används inom bedrägeri- och hotdetekteringslandskapet. Tidiga exempel inkluderar Bayesian logik och beslutsTräd. Senare innovation ledde till en bred antagande av neuronnät, som fortfarande används i stor utsträckning idag. Den snabba antagandet av maskinlärning (ML) inom andra branscher har uppmuntrat till en ytterligare antagande av flera andra metoder, såsom oövervakade tekniker, XGBoost och andra. De flesta företag väljer att utveckla sina egna metoder, som vanligtvis bygger på befintliga metoder för att förbättra detekteringsprestandan.

För närvarande, även med maskinlärning som gör det mesta av “det tunga lyftet”, krävs fortfarande en stor mängd övervakning för att hålla koll på bedrägerier. Hur kan automatisering av bedrägerihanteringsprocessen med modellorkestrering lösa detta problem?

De flesta bedrägerisystem använder flera modeller för att upptäcka en optimal mängd bedrägeri samtidigt som de minskar “förolämpnings”-frekvensen av att avvisa legitima betalningar. Men det största problemet med dessa system är den enorma mängd extra styrning som krävs för att hantera dessa modeller. Den styrningen och hanteringsarbetet är vanligtvis manuellt, och ju fler modeller som används, desto mer manuellt arbete krävs för att säkerställa att modellerna fortsätter att fungera bra.

Modellorkestrering revolutionerar sättet vi hanterar bedrägerisystem. Med orkestrering hanterar maskinen effektivt sig själv. När modeller identifieras som inte fungerar bra, ersätts de med en ny modell eller omtränas med den senaste datan. Denna process använder automatiserade processer för att hämta prestandastatistik för de aktiva modellerna, samt samma statistik för eventuella offline-auto-ml-producerade modeller. När offline-modeller fungerar bra, främjas de till produktion. Detta bildar en sluten loop, automatiserad system för optimal bedrägeridetektering och affärsprocesser.

Kan du ge några exempel på cybersäkerhets- eller fintekhot som tidigare har upptäckts av maskinlärning?

Här på ai förhindrar vi ständigt bedrägeri med vår maskinlärningslösning AutoPilotML, som håller koll på bedrägeritrender genom att automatiskt optimera hela bedrägeristrategin (bestående av både ML och manuellt producerade regler). Våra optimerade lösningar har upptäckt kontouppstagande och kontohackningsplaner i TELCO-området, till exempel, och har sparat operatörerna tusentals pund. Faktum är att vi har upptäckt nästan 10 000 000 dollar värda misstänkta transaktioner per år.

Utöver bedrägeriområdet förhindras storskaliga attacker dagligen av maskinlärning. Till exempel har Microsoft (MSFT ) upptäckt och omedelbart förhindrat cyberattacker som härrör från botnät i flera år. I februari 2018 förhindrade de en stor Emotet-botnätattack nästan omedelbart, med hjälp av vad de kallade “lagerad maskinlärning”, som bestod av både klient- och serversidiga maskinlärningsmodeller.

Cybersäkerhetshot uppstår ofta från den mörka webben, kan du diskutera några av de Dark Web-hanterade tjänster som för närvarande erbjuds?

ai erbjuder en dark web-övervakningstjänst, som drivs via Skurios SaaS-applikation, för att informera och skydda utsatta kunder så snart deras data exponeras på den mörka webben. Vi tror att samarbetet är unikt och ger våra användare världsledande cybersäkerhetsunderrättelser, som automatiskt skannar webbplatser, marknader och forum för att upptäcka fall där en kunds data visas på den mörka webben.

Finns det något annat du vill dela om The ai Corporation (ai)?

Att bygga fantastiska produkter tillsammans med rätt processer kan endast uppnås genom att ha ett världsklasslag. Jag är extremt stolt över team ai och det är det lagarbetet som hjälper oss att vara innovativa.

Det är också lagarbetet som gör att arbetet på ai är roligt och motiverande för mig. Det är den mest givande delen av att vara ledare. Att hjälpa människor att utvecklas och växa.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka The ai Corporation (ai).