บทสัมภาษณ์
Dave Excell ผู้ก่อตั้ง Featurespace – ซีรี่ส์สัมภาษณ์
![](https://www.unite.ai/wp-content/uploads/2022/08/DavePortraitFinal-2-1.jpg)
เดฟ เอ็กเซล เป็นผู้ก่อตั้ง ฟีเจอร์สเปซเดฟก่อตั้ง Featurespace ตามการคิดค้นของเขา การวิเคราะห์พฤติกรรมที่ปรับเปลี่ยนได้ซึ่งใช้ AI ที่อธิบายได้เพื่อช่วยให้ธนาคารจดจำและระบุพฤติกรรมที่น่าสงสัยของผู้บริโภค แม้ในช่วงที่ผ่านมาเมื่อพฤติกรรมผู้บริโภคเปลี่ยนไป AI ขั้นสูงนี้สามารถยับยั้งการฉ้อโกงและช่วยเจ้าหน้าที่จัดการกับการฟอกเงินและอาชญากรรมทางการเงินอื่น ๆ ในขณะที่นำความเชื่อมั่นกลับมาสู่ฟินเทค
คุณช่วยแบ่งปันเรื่องราวของความร่วมมือกับศาสตราจารย์ Bill Fitzgerald ในการสร้างแนวคิดของ Adaptive Behavioral Analytics ได้อย่างไร
ในขณะที่ศึกษาระดับปริญญาเอก ฉันทำงานร่วมกับศาสตราจารย์ Bill Fitzgerald ที่มหาวิทยาลัยเคมบริดจ์เพื่อใช้การเรียนรู้ของเครื่องและเทคนิคทางสถิติเพื่อทำความเข้าใจพฤติกรรมของมนุษย์ ในช่วงเวลาที่ฉันอยู่ที่นั่น องค์กรต่างๆ จะมาหาเราเพื่อค้นหาโซลูชันใหม่ๆ สำหรับความท้าทายต่างๆ ที่พวกเขามีในการตัดสินใจอย่างมีประสิทธิผลโดยอัตโนมัติจากข้อมูลที่รวบรวมไว้ หรือเพื่อปรับปรุงประสิทธิภาพในกระบวนการที่ต้องดำเนินการด้วยตนเอง ฉันเริ่มสังเกตเห็นรูปแบบหนึ่ง: องค์กรต่างๆ ในอุตสาหกรรมต่างๆ ประสบปัญหาในการทำความเข้าใจพฤติกรรมที่ซ่อนอยู่หรือ 'เจตนา' ที่อยู่เบื้องหลังข้อมูลที่พวกเขารวบรวมไว้ โดยเฉพาะอย่างยิ่งเมื่อพยายามระบุตัวนักแสดงที่ไม่ดี ตัวอย่างเช่น ในองค์กรหนึ่ง เราได้จำลองการตัดสินใจของผู้เล่นภายในเกมคอมพิวเตอร์เพื่อทำความเข้าใจว่าพวกเขาเป็นผู้เล่นจริงหรือหุ่นยนต์ที่โกงระบบ ยิ่งเราทำโปรเจ็กต์มากเท่าไร ฉันก็ยิ่งเห็นความต้องการแมชชีนเลิร์นนิงที่จะปรับเปลี่ยนตามพฤติกรรม (และข้อมูล) ที่อยู่เบื้องหลังผลลัพธ์ (เช่น กิจกรรมการโกงหรือการฉ้อโกง) ที่จะเปลี่ยนแปลงเพื่อหลีกเลี่ยงการตรวจจับ นี่เป็นวิธีที่ฉันคิดแนวคิดของ Adaptive Behavioral Analytics ขึ้นมาเป็นครั้งแรก ซึ่งต่อมาได้กลายเป็นเทคโนโลยีพื้นฐานตัวแรกภายใน Featurespace
คุณช่วยแบ่งปันเรื่องราวต้นกำเนิดว่าแนวคิดนี้นำไปสู่การเปิดตัว Featurespace ได้อย่างไร
แม้ว่าฉันจะสนุกกับการค้นคว้าและหาทางออก แต่ฉันไม่ได้สนุกกับการค้นคว้าเพียงเพราะเห็นแก่การวิจัย ฉันได้รับแรงบันดาลใจจากการนำเทคโนโลยีมาประยุกต์ใช้กับปัญหาที่เกิดขึ้นจริง จากนั้นจึงหาวิธีส่งมอบคุณค่าเชิงพาณิชย์และปรับใช้เทคโนโลยีเพื่อสร้างผลกระทบเชิงบวกต่อโลกที่เราอาศัยอยู่ นั่นคือวิธีที่ฉันลงเอยด้วยการก่อตั้ง Featurespace และเราได้อยู่บน พันธกิจตั้งแต่การทำให้โลกเป็นสถานที่ที่ปลอดภัยยิ่งขึ้นในการทำธุรกรรม
คุณช่วยพูดคุยเกี่ยวกับเทคนิคที่มีอยู่ที่ใช้กับการฉ้อโกงและการป้องกันอาชญากรรมทางการเงิน และเหตุใดเทคนิคเหล่านี้จึงขาดประสิทธิภาพ
มีการประยุกต์ใช้เทคโนโลยีต่างๆ ในพื้นที่มาระยะหนึ่งแล้ว อันที่จริงแล้ว การใช้ AI เพื่อต่อสู้กับการฉ้อโกงทางการเงินครั้งแรกย้อนกลับไปในช่วงต้นทศวรรษ 1990 อย่างไรก็ตาม AI รุ่นดั้งเดิมนั้นสันนิษฐานว่าพฤติกรรมการฉ้อโกงจะยังคงเหมือนเดิม อัลกอริทึมถูกสร้างขึ้นเพื่อจดจำพฤติกรรมหลอกลวงซ้ำแล้วซ้ำอีก ทฤษฎีเดียวกันนี้ถูกนำไปใช้อย่างกว้างขวางในเทคโนโลยีต่อต้านการฉ้อโกงจนถึงทุกวันนี้ แต่การฉ้อฉลไม่คงที่ ผู้ฉ้อโกงกำลังปรับเปลี่ยนวิธีการของตนอย่างต่อเนื่องเพื่อให้นำหน้าเทคโนโลยีต่อต้านการฉ้อโกง นั่นเป็นเหตุผลที่ Featurespace เราสร้างโมเดล AI แบบปรับตัวได้รุ่นแรกของโลกเพื่อต่อสู้กับการฉ้อโกง เรานำหน้าพวกมิจฉาชีพอยู่สามก้าวโดยไม่ต้องมีการแทรกแซงจากมนุษย์
เหตุใด Adaptive Behavioral Analytics จึงมีประสิทธิภาพมากเมื่อเทียบกับเทคนิคการป้องกันการฉ้อโกงแบบดั้งเดิมเหล่านี้
Adaptive Behavioral Analytics ที่เป็นกรรมสิทธิ์ของเรามีผลกระทบอย่างมากเมื่อเทียบกับเทคนิคการป้องกันการฉ้อโกงแบบเดิม เนื่องจากผู้เล่นแบบเดิมอาศัยรูปแบบการฉ้อโกงแบบคงที่ แต่การฉ้อโกงไม่เคยหยุดนิ่ง ผู้เล่นรุ่นเก่าจะเรียนรู้ว่าพฤติกรรมที่ไม่ดีที่รู้จักประเภทต่างๆ มีลักษณะอย่างไร จากนั้นออกเดินทางเพื่อตรวจหาพฤติกรรมที่ไม่ดีเหล่านั้นในธุรกรรมหลายล้านรายการ ปัญหาคือแบบจำลองเหล่านั้นสามารถพิจารณาพฤติกรรมที่ไม่ดีที่เคยพบมาก่อนเท่านั้น และผู้ฉ้อโกงมักปรับเปลี่ยนวิธีการของตนเพื่อให้นำหน้าการป้องกันการฉ้อโกงอยู่เสมอ แต่โมเดล Adaptive Behaviour Analytics ของเราจะเรียนรู้อะไรแทน ดี พฤติกรรมมีลักษณะ จากนั้นตรวจจับการเปลี่ยนแปลงกับพฤติกรรมที่ดีเหล่านั้น ในโลกนี้มีพฤติกรรมที่ดีมากกว่าความชั่ว ทำให้เราได้เรียนรู้จากพฤติกรรมที่ดีมากขึ้น มีพฤติกรรมฉ้อฉลจำนวนน้อยกว่ามาก และมีการเปลี่ยนแปลงตลอดเวลา การพยายามตรวจหาเฉพาะพฤติกรรมฉ้อฉลที่รู้จักถือเป็นเกมที่แพ้
อัลกอริทึมการเรียนรู้ของเครื่องประเภทต่างๆ ที่ใช้มีอะไรบ้าง
Adaptive Behavioral Analytics ของ Featurespace ใช้การผสมผสานระหว่างเทคนิคแมชชีนเลิร์นนิงที่ไม่ได้รับการดูแลและควบคุมดูแล เทคนิคที่ไม่ได้รับการดูแลจะใช้เพื่อระบุการเปลี่ยนแปลงพฤติกรรมเพื่อบ่งชี้ถึงความเสี่ยงที่อาจเกิดขึ้น ภายหลังมีการใช้เทคนิคภายใต้การดูแลเพื่อเพิ่มความแม่นยำของแบบจำลองของเรา เพื่อป้องกันและตรวจจับการฉ้อโกงและอาชญากรรมทางการเงิน ปีที่แล้ว Featurespace เปิดตัว เครือข่ายพฤติกรรมเชิงลึกอัตโนมัติ โมเดลที่ใช้สถาปัตยกรรม Recurrent Neural Network ใหม่ Featurespace Research ได้พัฒนา Automated Deep Behavioral Networks เพื่อทำให้การค้นพบคุณลักษณะเป็นไปโดยอัตโนมัติและแนะนำเซลล์หน่วยความจำด้วยความเข้าใจดั้งเดิมของความสำคัญของเวลาในกระแสธุรกรรม โดยปรับปรุงตามประสิทธิภาพที่เป็นผู้นำตลาดของ Adaptive Behavioral Analytics ที่มีอยู่ของเรา
แบบจำลองมีการปรับตัวอย่างไรในการเรียนรู้พฤติกรรมผู้บริโภคใหม่และปรับโปรไฟล์ลูกค้าให้เหมาะสม
โมเดล Adaptive Behavioral Analytics ของเรานั้นสามารถปรับเปลี่ยนได้ตามที่จำเป็น แม้ว่าจะเผชิญกับการเปลี่ยนแปลงที่ไม่เคยเกิดขึ้นมาก่อนก็ตาม ตัวอย่างเช่น ในช่วงล็อกดาวน์ COVID-19 ครั้งแรกในปี 2020 พฤติกรรมการซื้อของผู้บริโภคเปลี่ยนไปในชั่วข้ามคืน ภายในวันที่ 29 เมษายน 2020 Mastercard มีการชำระเงินแบบไร้สัมผัสเพิ่มขึ้น 40% แบบจำลอง AI ป้องกันการฉ้อโกงแบบไม่ปรับตัวถูกโยนทิ้งไป ขัดขวางการจ่ายเงินที่ถูกต้องตามกฎหมายโดยผู้ที่ได้รับคำสั่งให้อยู่ที่บ้าน แบบจำลองของเราปรับโดยอัตโนมัติโดยปราศจากการแทรกแซงของมนุษย์ สิ่งนี้ชัดเจนที่สุดผ่านทาง คะแนนการมองการณ์ไกลของ TSYSเป็นเครื่องมือให้คะแนนการตัดสินใจฉ้อโกงและการจัดการความเสี่ยงสำหรับผู้ออกการชำระเงิน สร้างขึ้นโดย TSYS และ Featurespace ตั้งแต่เดือนมกราคมถึงมิถุนายน 2020 TSYS Foresight Score ที่มี Featurespace ได้ส่งมอบการแจกแจงคะแนนที่คงที่อย่างต่อเนื่องเป็นประจำทุกสัปดาห์ ทำให้ผู้บริโภคได้รับคำสั่งให้อยู่บ้านเพื่อซื้อของชำและสิ่งของจำเป็นอื่นๆ ต่อไปโดยไม่หยุดชะงัก
กรณีการใช้งานที่ใหญ่ที่สุดสำหรับเทคโนโลยีนี้คืออะไร
เทคโนโลยีนี้มุ่งเน้นไปที่ธนาคาร สถาบันการเงิน และผู้ประมวลผลการชำระเงินโดยเฉพาะ ตัวอย่างเช่น บริษัทประมวลผลการชำระเงิน Worldpay เพิ่งได้รับการยอมรับสำหรับผลิตภัณฑ์ FraudSight ที่ขับเคลื่อนโดย Featurespace เนื่องจากความสามารถในการลดการฉ้อโกงในขณะที่เพิ่มอัตราการอนุมัติของร้านค้าและปกป้องผู้บริโภค
มีอะไรอีกบ้างที่คุณต้องการแชร์เกี่ยวกับ Featurespace
การหลอกลวงเป็นหนึ่งในประเภทการฉ้อโกงที่เติบโตเร็วที่สุดในโลก หน่วยงานกำกับดูแลกำลังตระหนักถึงสิ่งนี้และพยายามที่จะวางมาตรการป้องกัน ตัวอย่างเช่น รัฐบาลสหราชอาณาจักรเปิดตัวการปฏิรูปกฎหมายความปลอดภัยทางออนไลน์ในเดือนมีนาคม 2022 เพื่อป้องกันกลโกงและเพิ่มความเชื่อมั่นของผู้บริโภคในการทำธุรกรรมออนไลน์ ในทำนองเดียวกัน ในสหรัฐอเมริกา Consumer Financial Protection Bureau (CFPB) กำลังพิจารณาดำเนินการเพื่อปกป้องผู้บริโภคจากการหลอกลวงโดยเพิ่มความรับผิดชอบให้กับธนาคารและสหภาพเครดิต ด้วยการป้องกันการหลอกลวงก่อนที่จะเกิดขึ้น Featurespace สามารถประหยัดเงินของธนาคารและดูแลลูกค้าให้ปลอดภัยโดยอัตโนมัติโดยปราศจากการแทรกแซงของมนุษย์
ตัวอย่างของสิ่งนี้คือ NatWestซึ่งเป็นธนาคารที่ใหญ่ที่สุดเป็นอันดับสี่ของสหราชอาณาจักรในแง่ของสินทรัพย์รวม โดยมีลูกค้าประมาณ 19 ล้านราย NatWest เห็นการเพิ่มขึ้นของมูลค่าของการฉ้อโกงและการหลอกลวงที่ตรวจพบ รวมถึงการลดลงของอัตราการตรวจพบเท็จ (กิจกรรมของลูกค้าแท้ลดลง) ภายในเวลาเพียง 24 ชั่วโมงหลังจากปรับใช้ ARIC Risk Hub ของ Featurespace จากความร่วมมือของเรา พวกเขาได้กล่าวถึง Featurespace ว่าเป็น “พันธมิตรที่แข็งแกร่ง” สำหรับนักลงทุนของพวกเขา
ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม ฟีเจอร์สเปซ.
![](https://www.unite.ai/wp-content/uploads/2022/10/join-the-future-newsletter.png)
![](https://www.unite.ai/wp-content/uploads/2024/01/Unite-AI-Mobile-Newsletter-1.png)