Kris Nagel, VD för Sift – Intervjuserie

Kris är verkställande direktör på Sift. Han har mer än 30 års erfarenhet av ledande befattningar på 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 programvaror 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 lärdomar från denna erfarenhet?

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 det krävs för att lösa komplexa organisatoriska utmaningar, för att fortsätta att innovativa och omdefiniera användarupplevelsen, och för att växa team och ge dem möjlighet att göra sitt bästa arbete. Jag har lärt mig under hela min karriär att alla framgångar i alla roller måste börja med en djup förståelse av 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 alltmer växande och utvecklande 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 omsättning 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 i en särskild position i bedrägeriförebyggandet. Mer än 34 000 webbplatser och appar, inklusive Twitter, DoorDash, Poshmark och Uphold, förlitar sig på Sift. Denna differentiering, tillsammans med det starka fokuset på långsiktiga kundpartnerskap, gjorde det till en lätt beslut 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 illasinnade aktörer mer effektivt imitera legitima företag och lura konsumenter att lämna ifrån sig känsliga inloggnings- eller finansiella uppgifter genom phishingförsök.

Generativa AI-plattformar kan till och med föreslå textvarianter som tillåter 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 biografi. På det sättet möjliggör generativ AI demokratiseringen av bedrägeri, eftersom det blir lättare för vem som helst, oavsett teknisk kunskap, att bedra någon med hjälp av stulna inloggningsuppgifter eller betalningsinformation.

Sift släppte nyligen en rapport med titeln: “Mitt i AI-renässansen, konsumenter och företag överhopas med 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 få adoption, och vi tror att dessa två trender är starkt korrelerade. Likaså har vi observerat en ökning av attacker mot konton (ATO), 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 bedrägerier, vilket leder till en våg av ATO-attacker.

Rapporten visar också några av de sätt som “bedrägeri som en tjänst” utvecklas. Öppet tillgängliga 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 ökning av bedrägerigrupper som nu erbjuder botattacker som en tjänst, och vi har belyst hur ett verktyg används för att lura konsumenter att lämna ifrån sig 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, eftersom de vet att de har verktygen för att skydda sina företag från bedrägeri. Det handlar om att hålla de dåliga aktörerna ute medan man fortfarande ger kunderna en sömlös upplevelse – minska friktionen och öka omsättningen.

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 insikter som återspeglas i våra globala maskinlärandemodeller, 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 medan vi minskar friktionen 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 bedrägerier.

Hur skiljer sig denna plattform från andra bedrägeriverktyg?

Det finns ingen brist på bedrägeriförebyggande leverantörer på marknaden, men de flesta faller inom två kategorier: punktlösningar eller besluts-tjänster. Punktlösningar tenderar att ha ett smalt omfång och är utformade för att hantera ett enda användningsfall, som t.ex. botdetektering. Besluts-tjänster är mer omfattande men saknar många bedrägerihanteringsfunktioner och fungerar som en “svart låda” när det gäller deras 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 branschövergripande utmaning, och vi har unik insikt i hur ett företags bedrägeriproblem kan bli ett annat företags. Över alla våra funktioner – beslutsmotorer, ärendehantering, orkestrering, rapportering och simulering – prioriterar vi också att ge kontroll till våra kunder. Varje företag är unikt, och denna möjlighet att anpassa betyder att logiken kan ändras med anpassade regler och att simuleringar kan justeras inom plattformen. Vi tror också att det bästa sättet att förhindra bedrägeri är att vara transparenta 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 maskinlärandealgoritmer för att upptäcka bedrägerimönster och förhindra attacker på en webbplats eller app. Sift Score är ett nummer, från 0-100, som tilldelas 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 maskinlärandemodeller, erbjuder vi också anpassade algoritmer som är skräddarsydda 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 hämtas 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 specifik händelse som en inloggning eller transaktion. Sift-poäng delas aldrig mellan kunder eftersom varje kunds maskinlärandemodell är unik.

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

Skräpposttext plågar onlineplattformar, och spammare postar ofta samma eller mycket liknande innehåll upprepade gånger. Vi byggde vår Text Clustering-funktion som en del av Content Integrity för att göra det lättare att identifiera detta typ av text och gruppera den tillsammans så att en analytiker kan besluta om att vidta bulkåtgärder. Utmaningen är att inte all upprepad text är skräppost. Till exempel kan en e-handelsförsäljare 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 åtgärder. Genom en kombination av neuronnät och maskinlärande kan Text Clustering nu gruppera liknande text, även om det finns små variationer. Detta markerade innehåll märks tillsammans, och om det faktiskt är skräppost, kan en analytiker vidta bulkåtgärder för att ta bort det.

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

Mer än hälften av konsumenterna (54%) tror att de inte bör hållas ansvariga om de oavsiktligt lämnat ifrån sig betalningsinformation till en bedragare som senare användes för att göra ett bedrägligt köp. Nästan en kvart (24%) tror att företaget där köpet gjordes bör hållas ansvarigt. Det betyder att ansvaret för att stoppa bedrägeri ligger hos plattformarna och tjänsterna 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 hamna efter bedragare som redan automatiserar. Företag som antar denna slut-till-slut, realtidsbaserade strategi förbättrar bedrägeridetekteringsnoggrannheten med 40%. Det betyder att man bättre identifierar bedragare och stoppar dem i akt innan de kan skada ditt företag eller 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 nav för att samla in branschinsikter och hantera marknadsövergripande utmaningar i bedrägeriförebyggande. Och det ser en enorm adoption. Att skapa en gemenskap för bedrägeribekämpare är absolut nödvändigt eftersom bedragare har gemenskaper av sina egna där de samarbetar för att skada företag och konsumenter. Som vi säger, det tar ett nätverk för att bekämpa ett nätverk.