Дейв Екселл, засновник Featurespace – Interview Series

Дейв Екселл є Засновником Простір функцій, Дейв заснував Featurespace після свого винаходу Адаптивна поведінкова аналітика, який використовує зрозумілий ШІ, щоб допомогти банкам розпізнавати підозрілу поведінку споживачів і позначати її. Навіть останнім часом, коли поведінка споживачів змінюється, цей передовий ШІ зміг приборкати шахрайство та допомогти владі боротися з відмиванням грошей та іншими організованими фінансовими злочинами, одночасно повернувши довіру до фінансових технологій.

Не могли б ви поділитися з нами історією про те, як у співпраці з професором Біллом Фіцджеральдом ви придумали концепцію адаптивної поведінкової аналітики?

Під час підготовки доктора філософії я працював із професором Біллом Фіцджеральдом із Кембриджського університету, щоб застосувати машинне навчання та статистичні методи для розуміння людської поведінки. Під час мого перебування там організації приходили до нас у пошуках нових рішень для різноманітних проблем, які виникали, автоматизуючи прийняття ефективних рішень на основі зібраних ними даних або покращуючи ефективність ручних процесів. Я почав помічати закономірність: організаціям у різних галузях було важко зрозуміти поведінку чи «намір», що лежать в основі даних, які вони збирали, особливо коли намагалися виявити зловмисників. Наприклад, з однією організацією ми змоделювали процес прийняття рішень гравцями в комп’ютерній грі, щоб зрозуміти, чи є вони справжніми гравцями чи роботами, які обманюють систему. Чим більше проектів ми робили, тим більше я бачив потребу в машинному навчанні, яке адаптувалося б у міру того, як поведінка (і дані) за результатом (наприклад, шахрайство чи шахрайська діяльність) змінювалася б, щоб уникнути виявлення. Насправді так я вперше придумав концепцію адаптивної поведінкової аналітики, яка згодом стала першою фундаментальною технологією у Featurespace.

Чи можете ви поділитися історією генезису того, як ця концепція призвела до запуску Featurespace?

Хоча мені подобається досліджувати та знаходити рішення, я не люблю дослідження лише заради дослідження. Мене спонукає застосовувати технологію для вирішення практичних завдань, а потім шукати шляхи досягнення комерційної цінності та розгортати технологію, щоб справити позитивний вплив на світ, у якому ми живемо. Саме так я заснував Featurespace, і ми були на місія зробити світ безпечнішим місцем для транзакцій.

Чи могли б ви обговорити існуючі методи, які застосовуються для запобігання шахрайству та фінансовим злочинам, і чому ці методи є неефективними?

У цій сфері вже деякий час існують різні технологічні застосування – насправді, перше використання ШІ для боротьби з фінансовим шахрайством датується початком 1990-х років. Однак ця примітивна версія ШІ передбачала, що шахрайська поведінка залишиться незмінною. Алгоритми були створені для розпізнавання однієї й тієї ж шахрайської поведінки знову і знову. Ця ж теорія широко застосовується в технологіях боротьби з шахрайством і донині. Але шахрайство не є статичним. Шахраї постійно адаптують свої методи, щоб випереджати технології боротьби з шахрайством. Саме тому у Featurespace ми створили першу у світі адаптивну модель ШІ для боротьби з шахрайством. Ми на три кроки попереду шахраїв, не вимагаючи жодного втручання людини.

Чому адаптивна поведінкова аналітика настільки ефективна порівняно з цими застарілими методами запобігання шахрайству?

Наша запатентована адаптивна поведінкова аналітика настільки ефективна порівняно зі застарілими методами запобігання шахрайству, оскільки застарілі гравці покладаються на статичні шаблони шахрайства, але шахрайство ніколи не буває статичним. Застарілі гравці дізнаються, як виглядають різні типи відомої поганої поведінки, а потім виявляють цю погану поведінку серед мільйонів транзакцій. Проблема полягає в тому, що ці моделі можуть враховувати лише погану поведінку, яку бачили раніше, і шахраї постійно адаптують свої методи, щоб випередити запобігання шахрайству. Натомість наша модель Adaptive Behavior Analytics вивчає що добре поведінка виглядає так, а потім виявляє зміни проти цієї хорошої поведінки. У світі існує набагато більше хорошої поведінки, ніж поганої, що дає нам більше уроків у хорошій поведінці. Існує набагато менший набір видів шахрайської поведінки, і вони постійно змінюються. Намагатися виявити лише відомі випадки шахрайства — це програшна гра.

Які різні типи алгоритмів машинного навчання використовуються?

Адаптивна поведінкова аналітика Featurespace використовує комбінацію неконтрольованих і контрольованих методів машинного навчання. Неконтрольовані методи використовуються для виявлення змін у поведінці, щоб вказати ймовірний ризик. Згодом контрольовані методи використовуються для оптимізації точності наших моделей для запобігання та виявлення шахрайства та фінансових злочинів. Минулого року було запущено Featurespace Автоматизована глибинна поведінкова мережа моделі, які використовують нову архітектуру повторюваної нейронної мережі. Featurespace Research розробила Automated Deep Behavioral Networks, щоб автоматизувати виявлення функцій і запровадити комірки пам’яті з природним розумінням важливості часу в потоках транзакцій, покращуючи лідируючі на ринку показники нашої існуючої адаптивної поведінкової аналітики.

Наскільки адаптивними є моделі для вивчення нової поведінки споживачів і оптимізації профілів клієнтів?

Наші моделі адаптивної поведінкової аналітики адаптуються настільки, наскільки вони повинні бути, навіть перед обличчям безпрецедентних змін. Наприклад, під час початкових карантинних заходів щодо COVID-19 у 2020 році купівельна поведінка споживачів змінилася буквально за одну ніч. До 29 квітня 2020 року кількість безконтактних платежів Mastercard зросла на 40%. Неадаптивні моделі штучного інтелекту для запобігання шахрайству були викинуті в цикл, блокуючи законні платежі, які здійснюються людьми, яких наказали залишатися вдома. Наші моделі адаптувалися автоматично, без втручання людини. Найбільше це видно через Оцінка прогнозування TSYS, інструмент оцінки рішень щодо шахрайства та управління ризиками для емітентів платежів, створений TSYS і Featurespace. З січня по червень 2020 року TSYS Foresight Score with Featurespace постійно забезпечував стабільний розподіл балів на щотижневій основі, що дозволяло споживачам, яким було наказано залишатися вдома, продовжувати купувати продукти та інші предмети першої необхідності без перерв.

Які найбільші випадки використання цієї технології?

Ця технологія спеціально призначена для банків, фінансових установ і систем обробки платежів. Наприклад, компанія з обробки платежів Worldpay нещодавно отримала визнання за свій продукт FraudSight на основі Featurespace за його здатність пом’якшувати шахрайство, одночасно підвищуючи рівень схвалення продавців і захищаючи споживачів.

Чи є ще щось, чим ви хотіли б поділитися про Featurespace?

Шахрайство є однією з найшвидше зростаючих категорій шахрайства у світі. Регулятори визнають це та намагаються запровадити захист. Наприклад, у березні 2022 року уряд Великої Британії запустив реформу законопроекту про безпеку в Інтернеті, щоб запобігти шахрайству та підвищити довіру споживачів до онлайн-транзакцій. Подібним чином у США Бюро захисту прав споживачів (CFPB) розглядає можливість вжити заходів для захисту споживачів від шахрайства, поклавши більшу відповідальність на банки та кредитні спілки. Запобігаючи шахрайству до того, як воно станеться, Featurespace може заощадити гроші банків і захистити їхніх клієнтів автоматично без втручання людини.

Прикладом цього є NatWest, четвертий за розміром загальних активів банк Великобританії з близько 19 мільйонами клієнтів. Протягом лише 24 годин після розгортання ARIC Risk Hub NatWest помітив збільшення кількості виявлених шахрайств і шахрайства, включно з миттєвим зниженням показників хибних спрацьовувань (активність справжніх клієнтів знизилася). У результаті нашого партнерства вони назвали Featurespace «сильним партнером» для своїх інвесторів.

Дякую за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Простір функцій.