เดฟ เอ็กซ์เซลล์ ผู้ก่อตั้ง Featurespace – ซีรีส์สัมภาษณ์

เดฟ เอ็กซ์เซลล์ เป็นผู้ก่อตั้ง Featurespace เดฟก่อตั้ง Featurespace หลังจากการประดิษฐ์ Adaptive Behavioral Analytics ซึ่งใช้ AI ที่อธิบายได้ในการช่วยธนาคารตระหนักและระบุพฤติกรรมผู้บริโภคที่น่าสงสัย แม้ในยุคหลังที่พฤติกรรมผู้บริโภคเปลี่ยนแปลงไป AI ขั้นสูงนี้สามารถป้องกันการฉ้อโกงและช่วยเหลือผู้มีอำนาจในการต่อสู้กับการล้างเงินและอาชญากรรมทางการเงินอื่นๆ ในขณะเดียวกันก็นำความไว้วางใจกลับมาให้กับฟินเทค

คุณสามารถแบ่งปันเรื่องราวของวิธีการที่คุณร่วมกับ Professor Bill Fitzgerald คิดค้นแนวคิด Adaptive Behavioral Analytics ได้หรือไม่?

ในขณะที่กำลังศึกษาระดับ博士 ฉันทำงานร่วมกับ Professor Bill Fitzgerald ที่มหาวิทยาลัยเคมบริดจ์ เพื่อใช้เทคนิคการเรียนรู้ของเครื่องและสถิติเพื่อทำความเข้าใจพฤติกรรมของมนุษย์ ในช่วงเวลาที่ฉันอยู่ที่นั่น องค์กรต่างๆ มักจะเข้ามาหาเราเพื่อขอคำตอบใหม่ๆ สำหรับปัญหาที่พวกเขาเผชิญในการตัดสินใจโดยอัตโนมัติจากข้อมูลที่พวกเขาเก็บหรือเพื่อปรับปรุงประสิทธิภาพในกระบวนการด้วยมือ ฉันเริ่มสังเกตเห็นรูปแบบหนึ่ง: องค์กรต่างๆ ในอุตสาหกรรมต่างๆ ต้องดิ้นรนในการทำความเข้าใจพฤติกรรมหรือ ‘ความตั้งใจ’ ที่อยู่เบื้องหลังข้อมูลที่พวกเขาเก็บ โดยเฉพาะอย่างยิ่งเมื่อพยายามระบุตัวบุคคลที่ไม่ดี ตัวอย่างเช่น กับองค์กรหนึ่งที่เราทำแบบจำลองการตัดสินใจของผู้เล่นภายในเกมคอมพิวเตอร์เพื่อทำความเข้าใจว่าพวกเขาคือผู้เล่นที่แท้จริงหรือหุ่นยนต์ที่โกงระบบ มากกว่าโครงการที่เราทำ ฉันเห็นความต้องการนี้สำหรับการเรียนรู้ของเครื่องจักรที่จะปรับตัวเมื่อพฤติกรรม (และข้อมูล) ที่อยู่เบื้องหลังผลลัพธ์ (เช่น การโกงหรือกิจกรรมฉ้อโกง) เปลี่ยนแปลงเพื่อหลีกเลี่ยงการตรวจจับ นี่คือวิธีที่ฉันคิดค้นแนวคิด Adaptive Behavioral Analytics ขึ้นมา ซึ่งต่อมาได้กลายเป็นเทคโนโลยีพื้นฐานแรกของ Featurespace

คุณสามารถแบ่งปันเรื่องราวของวิธีการที่แนวคิดนี้นำไปสู่การเปิดตัว Featurespace ได้หรือไม่?

แม้ว่าฉันจะชอบการวิจัยและค้นหาวิธีแก้ปัญหา แต่ฉันไม่ชอบการวิจัยเพียงเพื่อการวิจัยเท่านั้น ฉันถูกขับเคลื่อนด้วยการนำเทคโนโลยีไปใช้ในการแก้ปัญหาเชิงปฏิบัติ จากนั้นหาวิธีในการส่งมอบคุณค่าเชิงพาณิชย์ และติดตั้งเทคโนโลยีเพื่อสร้างผลกระทบเชิงบวกต่อโลกที่เราอาศัยอยู่ นั่นคือวิธีที่ฉันจบลงด้วยการก่อตั้ง Featurespace และเรามีภารกิจตั้งแต่นั้นมาเพื่อทำให้โลกเป็นสถานที่ที่ปลอดภัยยิ่งขึ้นในการทำธุรกรรม

คุณสามารถพูดถึงเทคนิคที่มีอยู่ที่ใช้ในการป้องกันการฉ้อโกงและอาชญากรรมทางการเงิน และเหตุใดเทคนิคเหล่านี้จึงไม่เพียงพอ?

มีการใช้เทคโนโลยีหลายอย่างในพื้นที่นี้มาเป็นเวลานาน – แฟคต์ที่ใช้ AI เพื่อต่อสู้กับการฉ้อโกงทางการเงินครั้งแรกสามารถย้อนกลับไปได้ถึงต้นปี 1990 อย่างไรก็ตาม AI ในยุคแรกนั้นสมมติว่าพฤติกรรมฉ้อโกงจะยังคงเหมือนเดิม อัลกอริทึมเหล่านั้นถูกสร้างขึ้นเพื่อระบุพฤติกรรมฉ้อโกงที่เหมือนเดิมซ้ำๆ ทฤษฎีนี้ยังคงใช้กันอย่างกว้างขวางในเทคโนโลยีป้องกันการฉ้อโกงในปัจจุบัน แต่การฉ้อโกงไม่ใช่สิ่งที่คงที่ ผู้ฉ้อโกงกำลังปรับเปลี่ยนวิธีการของตนอย่างต่อเนื่องเพื่อหลบหนีการตรวจจับจากเทคโนโลยีป้องกันการฉ้อโกง นั่นคือเหตุผลที่ที่ Featurespace เราได้สร้างแบบจำลอง AI ที่ปรับตัวได้เป็นครั้งแรกเพื่อต่อสู้กับการฉ้อโกง เราเดินนำหน้าผู้ฉ้อโกงสามขั้นตอนโดยไม่ต้องมีการแทรกแซงจากมนุษย์

ทำไม Adaptive Behavioral Analytics จึงมีผลกระทบมากเมื่อเทียบกับเทคนิคการป้องกันการฉ้อโกงแบบดั้งเดิม?

การวิเคราะห์พฤติกรรมแบบปรับตัวของเราเป็นกรรมสิทธิ์มีผลกระทบมากเมื่อเทียบกับเทคนิคการป้องกันการฉ้อโกงแบบดั้งเดิมเพราะผู้เล่นแบบดั้งเดิมพึ่งพารูปแบบการฉ้อโกงที่คงที่ – แต่การฉ้อโกงไม่เคยคงที่ ผู้เล่นแบบดั้งเดิมเรียนรู้ว่าพฤติกรรมที่ไม่ดีแบบต่างๆ มีลักษณะอย่างไร จากนั้นพยายามตรวจจับพฤติกรรมที่ไม่ดีเหล่านั้นในหมู่ธุรกรรมหลายล้านรายการ ปัญหาก็คือว่าโมเดลเหล่านั้นสามารถพิจารณาพฤติกรรมที่ไม่ดีได้เพียงเท่าที่เคยเห็นมาก่อนเท่านั้น และผู้ฉ้อโกงกำลังปรับเปลี่ยนวิธีการของตนอย่างต่อเนื่องเพื่อหลบหนีการป้องกันการฉ้อโกง แทนที่จะทำเช่นนั้น โมเดลการวิเคราะห์พฤติกรรมแบบปรับตัวของเราจะเรียนรู้ว่าพฤติกรรม ‘ดี’ มีลักษณะอย่างไร จากนั้นตรวจจับการเปลี่ยนแปลงเมื่อเทียบกับพฤติกรรมที่ดี มีพฤติกรรมที่ดีมากกว่าพฤติกรรมที่ไม่ดีในโลก และมีเซตพฤติกรรมฉ้อโกงที่เล็กกว่าซึ่งเปลี่ยนแปลงอย่างต่อเนื่อง การพยายามตรวจจับเฉพาะพฤติกรรมฉ้อโกงที่ทราบเท่านั้นเป็นเกมที่แพ้

มีประเภทของอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ใช้บ้างหรือไม่?

การวิเคราะห์พฤติกรรมแบบปรับตัวของ Featurespace ใช้เทคนิคการเรียนรู้ของเครื่องจักรที่ไม่มีผู้ดูแลและแบบมีผู้ดูแลร่วมกัน เทคนิคที่ไม่มีผู้ดูแลใช้เพื่อระบุการเปลี่ยนแปลงในพฤติกรรมเพื่อแสดงถึงความเสี่ยงที่น่าจะเป็นไปได้ เทคนิคที่มีผู้ดูแลใช้หลังจากนั้นเพื่อเพิ่มความแม่นยำของโมเดลของเราในการป้องกันและตรวจจับการฉ้อโกงและการกระทำทางอาญาทางการเงิน ปีที่แล้ว Featurespace ได้เปิดตัว Automated Deep Behavioral Network ที่ใช้โครงสร้าง Recurrent Neural Network ใหม่ Featurespace Research พัฒนา Automated Deep Behavioral Networks เพื่อทำให้การค้นพบคุณลักษณะเป็นอัตโนมัติและแนะนำเซลล์หน่วยความจำที่มีความเข้าใจที่เป็นธรรมชาติเกี่ยวกับความสำคัญของเวลาในกระแสธุรกรรม ซึ่งปรับปรุงประสิทธิภาพการทำงานของโมเดล Adaptive Behavioral Analytics ที่มีอยู่ของเรา

โมเดลเหล่านี้ปรับตัวเข้ากับการเรียนรู้พฤติกรรมผู้บริโภคใหม่และเพิ่มประสิทธิภาพโปรไฟล์ลูกค้าได้ดีเพียงใด?

โมเดลการวิเคราะห์พฤติกรรมแบบปรับตัวของเรามีความสามารถในการปรับตัวมากพอที่จะตอบสนองต่อการเปลี่ยนแปลง – แม้กระทั่งการเปลี่ยนแปลงที่ไม่เคยเกิดขึ้นมาก่อน ตัวอย่างเช่น ในช่วงการล็อกดาวน์ COVID-19 ครั้งแรกในปี 2020 พฤติกรรมผู้บริโภคเปลี่ยนแปลงไปในชั่วข้ามคืน เมื่อวันที่ 29 เมษายน 2020 Mastercard (MA ) เห็นการเพิ่มขึ้น 40% ในการชำระเงินแบบไม่ต้องสัมผัส โดยไม่ต้องมีการแทรกแซงจากมนุษย์ โมเดลของเราทำการปรับเปลี่ยนโดยอัตโนมัติ ซึ่งเห็นได้ชัดเจนที่สุดผ่าน TSYS Foresight Score ซึ่งเป็นเครื่องมือตัดสินใจการจัดการความเสี่ยงและการฉ้อโกงสำหรับผู้ออกบัตรการชำระเงิน ซึ่งพัฒนาโดย TSYS และ Featurespace ตั้งแต่เดือนมกราคมถึงเดือนมิถุนายน 2020 คะแนน TSYS Foresight Score ที่มี Featurespace ส่งมอบการกระจายคะแนนเสถียรภาพทุกสัปดาห์ ทำให้ผู้บริโภคที่ได้รับคำสั่งให้อยู่บ้านสามารถซื้อของชำและของจำเป็นอื่นๆ ได้โดยไม่หยุดชะงัก

กรณีการใช้งานที่ใหญ่ที่สุดสำหรับเทคโนโลยีนี้คืออะไร?

เทคโนโลยีนี้มีเป้าหมายเฉพาะสำหรับธนาคาร สถาบันการเงิน และผู้ประมวลผลการชำระเงิน ตัวอย่างเช่น Worldpay ซึ่งเป็นผู้ประมวลผลการชำระเงิน ได้รับการยอมรับสำหรับผลิตภัณฑ์ FraudSight ที่ได้รับการขับเคลื่อนโดย Featurespace สำหรับความสามารถในการบรรเทาการฉ้อโกง ในขณะเดียวกันก็เพิ่มอัตราการอนุมัติของพ่อค้าและปกป้องผู้บริโภค

คุณต้องการแบ่งปันอะไรเกี่ยวกับ Featurespace อีกหรือไม่?

การฉ้อโกงแบบหลอกลวงเป็นหนึ่งในประเภทการฉ้อโกงที่เติบโตเร็วที่สุดในโลก ผู้กำกับดูแลกำลังตระหนักถึงสิ่งนี้และพยายามวางมาตรการป้องกันไว้ ตัวอย่างเช่น รัฐบาลสหราชอาณาจักรได้เปิดตัวการปฏิรูป Online Safety Bill ในเดือนมีนาคม 2022 เพื่อป้องกันการฉ้อโกงและเพิ่มความมั่นใจของผู้บริโภคในการทำธุรกรรมออนไลน์ ในทำนองเดียวกันในสหรัฐอเมริกา Consumer Financial Protection Bureau (CFPB) กำลังพิจารณาการดำเนินการเพื่อป้องกันการฉ้อโกงโดยการวางความรับผิดชอบมากขึ้นบนบัญชีธนาคารและสมาคมเครดิต โดยการป้องกันการฉ้อโกงก่อนที่จะเกิดขึ้น Featurespace สามารถช่วยธนาคารประหยัดเงินและรักษาลูกค้าให้ปลอดภัยโดยไม่ต้องมีการแทรกแซงจากมนุษย์

ตัวอย่างเช่น NatWest (NWG ) ซึ่งเป็นธนาคารที่ใหญ่ที่สุดอันดับสี่ของสหราชอาณาจักรในแง่ของสินทรัพย์รวม โดยมีลูกค้าประมาณ 19 ล้านคน NatWest เห็นการเพิ่มขึ้นในมูลค่าการฉ้อโกงและการฉ้อโกงที่ตรวจจับ รวมถึงการลดลงของอัตราการตรวจจับเท็จบวก (กิจกรรมลูกค้าที่แท้จริงลดลง) ภายใน 24 ชั่วโมงของการเปิดตัว ARIC Risk Hub ของ Featurespace ในผลของการร่วมมือของเรา พวกเขากล่าวถึง Featurespace ว่าเป็น “พันธมิตรที่แข็งแกร่ง” ต่อผู้ลงทุน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Featurespace