Kris Nagel, VD för Sift – Intervjuserie

Kris är VD för Sift. Han har mer än 30 års erfarenhet av ledande befattningar i venturebackade och offentliga SaaS-företag, inklusive Ping Identity. Sift erbjuder ett sätt för företag att stoppa betalningsbedrägeri, byggt med en enda, intuitiv konsol, Sifts slut-till-slut-lösning eliminerar behovet av frånkopplade verktyg, enskilda-syfte programvara och ofullständiga insikter som dränerar operativa resurser.

I din tidigare roll var du Chief Operating Officer på identitetssäkerhetsplattformen Ping Identity, där du spelade en avgörande roll i att ta företaget publikt 2019, vad var några av dina viktigaste erfarenheter från denna upplevelse?

Att ta ett företag publikt är en stor uppgift, och jag lärde mig mycket genom processen. Att utveckla produkter och skala företaget både före och efter denna milstolpe lärde mig om vad som krävs för att lösa komplexa organisatoriska utmaningar, för att fortsätta att innovativa och ompröva användarupplevelsen, och för att växa team och ge dem möjlighet att göra sitt bästa arbete. Jag har lärt mig genom hela min karriär att alla framgångar i alla roller måste börja med en djup förståelse för kunder, partners och de människor som arbetar i ditt team.

Du gick med i Sift som VD i januari 2023. Vad lockade dig till denna nya utmaning?

Bedrägeri är ett växande och föränderligt problem, och insatserna är tydliga. Den globala e-handelsförlusten på grund av bedrägeri beräknas nå $48 miljarder i slutet av 2023 (en ökning med 16% jämfört med 2022), och företag globalt spenderar i genomsnitt 10% av sin omsättning på att hantera bedrägeri. Men om ett företag inte hanterar bedrägeri effektivt kan det förlora intäkter genom att utesluta eller “förolämpa” legitima kunder.

Sift har en försteflygarens fördel i att lösa detta problem med maskinlärande, och dess kärnteknologi och globala datanätverk har satt det apart i bedrägeriförebyggandet. Mer än 34 000 webbplatser och appar, inklusive Twitter, DoorDash (DASH ), Poshmark och Uphold, förlitar sig på Sift. Den här differentieringen, tillsammans med det starka fokuset på långsiktiga kundpartnerskap, gjorde det lätt för mig att fatta beslutet att gå med.

Varför är generativ AI en så stor säkerhetsrisk för företag och konsumenter?

Generativ AI visar tidiga tecken på att vara en spelväxlare för bedragare. Bedrägerier var tidigare fulla av grammatiska och stavfel, så de var lättare att skilja från legitima meddelanden. Med generativ AI kan illvilliga aktörer mer effektivt imitera legitima företag och lura konsumenter att lämna ut känsliga inloggnings- eller finansiella uppgifter genom phishingförsök.

Generativa AI-plattformar kan till och med föreslå textvarianter som gör det möjligt för en bedragare att skapa flera distinkta konton på en enda plattform. Till exempel kan de skapa 100 nya fejkade dejtingprofiler för att begå krypteringsromansbedrägeri, med var och en har ett unikt AI-genererat ansikte och bio. På det sättet möjliggör generativ AI demokratiseringen av bedrägeri, eftersom det är lättare för vem som helst, oavsett teknisk kompetens, att bedra någon med stulna autentiseringsuppgifter eller betalningsinformation.

Sift släppte nyligen en rapport med titeln: “I skuggan av AI-renässansen, konsumenter och företag drabbas av bedrägeri”, vad var några av de största överraskningarna för dig i denna rapport?

Vi visste att AI och automation skulle förändra bedrägerilandskapet, men hastigheten och omfattningen av denna förändring är verkligen anmärkningsvärda. Mer än två tredjedelar (68%) av amerikanska konsumenter har rapporterat en ökning av skräppost och bedrägeri sedan november, strax efter att generativa AI-verktyg började vinna mark, och vi tror att dessa två trender är starkt korrelerade. Likaså har vi observerat en ökning av attacker mot konton, med en ökning på 427% under det första kvartalet 2023 jämfört med hela 2022. Det är uppenbart att dessa händelser är relaterade, eftersom generativ AI tillåter bedragare att skapa mer övertygande och skalbara bedrägeri, vilket leder till en våg av attacker mot konton.

Rapporten visar också några av de sätt som “bedrägeri som en tjänst” utvecklas. Öppna forum som de på Telegram sänker tröskeln för vem som helst som vill begå olika typer av missbruk – det är vad vi kallar demokratiseringen av bedrägeri. Vårt team har sett en spridning av bedrägerigrupper som nu erbjuder botattacker som en tjänst, och vi har belyst hur ett verktyg används för att lura konsumenter att lämna ut engångskoder för sina finansiella konton. Och bedragare gör dessa verktyg lätt tillgängliga och tillgängliga för andra för en relativt låg avgift.

Kan du diskutera vad “Sift Digital Trust & Safety Platform” är?

Med Sift kan företag bygga och distribuera med tillförsikt, veta att de har verktygen för att skydda sina företag från bedrägeri. Det handlar om att hålla borta de illvilliga aktörerna samtidigt som man ger kunderna en sömlös upplevelse – minska friktion och öka intäkter.

Vår mission är att hjälpa alla att lita på internet, och vår plattform använder maskinlärande och ett stort datanätverk för att skydda företag från alla typer av bedrägeri och missbruk. Vi var ett av de första företagen som tillämpade maskinlärande på onlinebedrägeri, så vi har samlat på oss en otrolig mängd insikt som återspeglas i våra globala maskinlärande modeller, som bearbetar över 1 biljon händelser per år. Skönheten i plattformen är att ju fler kunder vi har, desto smartare blir våra modeller, så att vi alltid kan optimera för att stoppa bedrägeri samtidigt som vi minskar friktion för riktiga användare och kunder.

Inom plattformen har vi Payment Protection, som skyddar mot betalningsbedrägeri; Account Defense, som förhindrar attacker mot konton; Content Integrity, som blockerar skräppost och bedrägeri från att publiceras i användargenererat innehåll; och Dispute Management som skyddar mot återbetalningar och vänliga bedrägeri.

Hur skiljer sig denna plattform från andra bedrägeriverktyg?

Det finns inget underskott på bedrägeriförebyggande leverantörer på marknaden, men de flesta faller inom två kategorier: punktlösningar eller besluts-tjänster. Punktlösningar tenderar att ha en smal omfattning och är utformade för att hantera en enda användningsfall, som bot-detektion. Besluts-tjänster är mer omfattande men saknar många bedrägerihanteringsfunktioner och agerar som en “svart låda” om sin beslutslogik.

En av Sifts mest utmärkande egenskaper är att vi erbjuder en lösning för att bekämpa flera typer av bedrägeri över alla branscher. Bedrägeri är en bransch-agnostisk utmaning, och vi har unik insikt i hur ett företags bedrägeriproblem kan bli ett annat företags. Över alla våra funktioner – beslutsmodeller, ärendehantering, orkestrering, rapportering och simulering – prioriterar vi också att ge kontroll till våra kunder. Varje företag är unikt, och denna möjlighet till anpassning innebär att logiken kan modifieras med anpassade regler och att simuleringar kan justeras inom plattformen. Vi tror också att den bästa sättet att förhindra bedrägeri är att vara transparent om det. Vår beslutsmodell tillhandahåller förklaringar för analytiker så att de förstår varför en transaktion godkändes, utmanades eller nekades. Vi erbjuder också rapporter så att du kan mäta modellens prestanda för att förstå om den behöver justeras.

Kan du diskutera vad “Sift Score” är, och hur det möjliggör kontinuerlig självförbättring av maskinlärandet som används?

Sift-kunder använder våra maskinlärande algoritmer för att upptäcka bedrägerimönster och förhindra attacker på en webbplats eller app. Sift Score är ett nummer, från 0-100, som ges av algoritmen till varje händelse (eller aktivitet) för att ange sannolikheten att beteendet är bedrägeri.

Medan var och en av våra produkter stöds av sin egen uppsättning maskinlärande modeller, erbjuder vi också anpassade algoritmer som är utformade för Sifts kunder. Bedrägerisignalerna för varje bransch kan skilja sig åt om du säljer försäkringar, livsmedel eller kläder, till exempel. Sift kör tusentals signaler, som dras från vårt stora globala nätverk, genom varje anpassad modell, som analyserar detaljer som tid på dagen, egenskaper hos e-postadresser och antalet försök att logga in. Dessa signaler kombinerade utgör en poäng för en viss händelse som en inloggning eller transaktion. Sift-poäng delas aldrig över kunder eftersom varje kunds maskinlärande modell är annorlunda.

En intressant produkt som utvecklats på Sift för att bekämpa bedrägeri och skräppost är kallad Text Clustering, vad är detta specifikt?

Skräppost-text plågar online-plattformar, och skräppostare postar ofta samma eller mycket liknande innehåll upprepat. Vi byggde vår Text Clustering-funktion som en del av Content Integrity för att göra det lättare att identifiera detta slag av text och gruppera den tillsammans så att en analytiker kan besluta om att vidta kollektiv åtgärd. Utmaningen är att inte all upprepad text är skräppost. Till exempel kan en e-handlare lista samma produkt och beskrivning på flera webbplatser.

För att effektivt lösa denna utmaning behövde vi ett sätt att märka de nya typerna av innehållsbedrägeri som vi ville upptäcka, samtidigt som vi gav analytiker den slutliga kontrollen att vidta åtgärd. Genom en kombination av neurala nätverk och maskinlärande kan Text Clustering nu gruppera liknande text, även om det finns små variationer. Detta markerade innehåll är märkt tillsammans, och om det faktiskt är skräppost kan en analytiker vidta kollektiv åtgärd för att ta bort det.

Hur kan företag bäst försvara sig mot motstridiga attacker eller andra typer av illvilliga attacker som förmedlas av generativ AI?

Mer än hälften av konsumenterna (54%) tror att de inte bör hållas ansvariga om de oavsiktligt lämnat ut sin betalningsinformation till en bedragare som senare användes för att göra ett bedrägeri. Nästan en fjärdedel (24%) tror att företaget där köpet gjordes bör hållas ansvarigt. Det betyder att ansvaret för att stoppa bedrägeri ligger hos de plattformar och tjänster som konsumenterna förlitar sig på dagligen.

Vi är fortfarande i de mycket tidiga dagarna av generativ AI och hoten idag kommer inte att vara desamma hot vi ser om sex månader. Med det sagt behöver företag bekämpa eld med eld genom att använda AI-teknologier som maskinlärande för att bekämpa och stoppa bedrägeri innan det händer. Real-tidsmaskinlärande är avgörande för att hålla jämna steg med omfattningen, hastigheten och sofistikeringen av bedrägeri. Handlare som inte flyttar bort från föråldrade eller manuella processer kommer att halka efter bedragare som redan automatiserar. Företag som antar denna slut-till-slut, real-tidsansats förbättrar sin bedrägeridetekteringsnoggrannhet med 40%. Det betyder att man bättre identifierar bedragare och stoppar dem i akten innan de kan skada ditt företag eller dina kunder.

Finns det något annat du vill dela om Sift?

En initiativ vi nyligen implementerade för att främja denna mission är vår kundgemenskap, Sifters. Det är öppet för alla Sift-användare, och det fungerar som en bro mellan våra kunder, interna experter och digitala nätverk av handlare och data. Det har varit en värdefull knutpunkt för att samla in branschinsikter och d addressing cross-market challenges in fraud prevention. And it’s seeing enormous adoption. Creating a community for fraud fighters is absolutely essential because fraudsters have communities of their own where they collaborate to harm businesses and consumers. As we like to say, it takes a network to fight a network.