Дейв Екселл, засновник Featurespace – Інтерв’ю Серія

Дейв Екселл є засновником Featurespace, Дейв заснував Featurespace після винайдення Адаптивної Поведінкової Аналітики, яка використовує пояснювану штучну інтелект для допомоги банкам у визначенні та позначенні підозрілої поведінки споживачів. Навіть у недавні часи, коли поведінка споживачів змінилася, ця передова штучна інтелект була здатна стримувати шахрайство та допомогти органам влади боротися з відмиванням грошей та іншими організованими фінансовими злочинами, повертаючи довіру до фінтех.

Чи можете Ви поділитися з нами історією того, як у співпраці з професором Біллом Фіцджеральдом Ви прийшли до концепції Адаптивної Поведінкової Аналітики?

Під час написання дисертації я працював з професором Біллом Фіцджеральдом у Кембриджському університеті, щоб застосовувати машинне навчання та статистичні техніки для розуміння поведінки людини. Під час моєї роботи там організації зверталися до нас за новими рішеннями різних проблем, пов’язаних з автоматизацією ефективного прийняття рішень на основі даних, які вони збирали, або для поліпшення ефективності ручних процесів. Я почав помічати певний шаблон: організації різних галузей мали проблеми з розумінням основної поведінки або “інтенції” за даними, які вони збирали, особливо коли намагалися визначити поганих акторів. Наприклад, з однією організацією ми змоделювали прийняття рішень гравців у комп’ютерній грі, щоб зрозуміти, чи були вони справжніми гравцями чи роботами, які обманювали систему. Чим більше проектів ми робили, тим більше я бачив цю потребу у машинному навчанні, яке адаптувалося б до зміни поведінки (і даних) за результатом (наприклад, шахрайством або фінансовим злочином), щоб уникнути виявлення. Саме так я вперше прийшов до концепції Адаптивної Поведінкової Аналітики, яка пізніше стала першою фундаментальною технологією у Featurespace.

Чи можете Ви поділитися історією того, як ця концепція потім привела до запуску Featurespace?

Хоча мені подобається досліджувати та знаходити рішення, я не люблю дослідження лише заради дослідження. Мене мотивує застосування технологій до практичних проблем, а потім знаходження способів доставити комерційну цінність та розгортання технологій для позитивного впливу на світ, у якому ми живемо. Саме так я заснував Featurespace, і ми були на місії з того часу, щоб зробити світ безпечнішим для транзакцій.

Чи можете Ви обговорити існуючі техніки, які застосовуються для запобігання шахрайству та фінансовим злочинам, і чому ці техніки не достатньо ефективні?

Було багато застосувань технологій у цій сфері протягом тривалого часу – насправді, перші застосування штучної інтелект для боротьби з фінансовим шахрайством датуються початку 1990-х років. Однак ця первісна версія штучної інтелект припускала, що шахрайські поведінки залишаться однаковими. Алгоритми були побудовані для визнання однакових шахрайських поведінь знову і знову. Ця сама теорія застосовується у технологіях проти шахрайства до сьогодні. Але шахрайство не є статичним. Шахраї постійно адаптують свої методи, щоб залишатися попереду технологій проти шахрайства. Саме тому у Featurespace ми створили перший адаптивний модель штучної інтелект для боротьби з шахрайством. Ми залишаємося на три кроки попереду шахраїв без будь-якого людського втручання.

Чому Адаптивна Поведінкова Аналітика така ефективна порівняно з цими традиційними техніками запобігання шахрайству?

Наша власна Адаптивна Поведінкова Аналітика така ефективна порівняно з традиційними техніками запобігання шахрайству, оскільки традиційні гравці покладаються на статичні моделі шахрайських поведінь – але шахрайство ніколи не є статичним. Традиційні гравці вчаться, яким виглядає відоме погане поведіння, а потім намагаються виявити це погане поведіння серед мільйонів транзакцій. Проблема полягає в тому, що ці моделі можуть враховувати лише відомі шахрайські поведінки, а шахраї постійно адаптують свої методи, щоб залишатися попереду технологій проти шахрайства. Натомість наша Адаптивна Поведінкова Аналітика вчиться, яким виглядає “добре” поведіння, а потім виявляє зміни щодо цього доброго поведінки. Є набагато більше доброго поведіння у світі, ніж поганого, що дає нам більше можливостей для навчання. Існує набагато менше шахрайських поведінь, і вони постійно змінюються. Спробувати виявити лише відомі шахрайські поведінки – це програшна гра.

Які різні типи алгоритмів машинного навчання використовуються?

Адаптивна Поведінкова Аналітика Featurespace використовує комбінацію technik машинного навчання з наглядом та без нагляду. Техники без нагляду використовуються для виявлення змін у поведінці для вказівки на ймовірний ризик. Техники з наглядом потім використовуються для оптимізації точності наших моделей для запобігання та виявлення шахрайства та фінансових злочинів. У минулому році Featurespace запустив Автоматичні Глибокі Поведінкові Мережі моделі, які використовують нову архітектуру рекурентної нейронної мережі. Дослідники Featurespace розробили Автоматичні Глибокі Поведінкові Мережі для автоматизації відкриття функцій та введення пам’яті з вбудованим розумінням значення часу у потоках транзакцій, покращуючи ринково-лідируючу продуктивність нашої існуючої Адаптивної Поведінкової Аналітики.

Як адаптивні моделі до навчання нового споживчого поведінки та оптимізації клієнтських профілів?

Наша Адаптивна Поведінкова Аналітика моделі є саме такою адаптивною, як їм потрібно бути – навіть у випадку безпрецедентних змін. Наприклад, під час початкових карантинів COVID-19 у 2020 році поведінка споживачів змінилася буквально за одну ніч. До 29 квітня 2020 року Mastercard (MA ) побачила зростання контактних платежів на 40%. Неадаптивні моделі штучної інтелект для запобігання шахрайству були збиті з рівноваги, блокуючи легітимні платежі, зроблені людьми, яким було наказано залишатися вдома. Наші моделі адаптувалися автоматично, без людського втручання. Це найбільш очевидно через TSYS Foresight Score, інструмент оцінки ризику та рішення для емітентів платежів, створений TSYS та Featurespace. З січня по червень 2020 року TSYS Foresight Score з Featurespace постійно доставляв стабільні розподіли оцінок на щотижневій основі, дозволяючи споживачам, яким було наказано залишатися вдома, продовжувати купувати продукти та інші необхідні речі без перерви.

Які найбільші випадки використання цієї технології?

Ця технологія спеціально призначена для банків, фінансових інститутів та процесорів платежів. Наприклад, компанія з обробки платежів Worldpay була недавно визнана за свій продукт FraudSight, який працює на основі Featurespace, за його здатність мінімізувати шахрайство та збільшувати рівень затвердження платежів для торговців та захисту споживачів.

Чи є щось інше, що Ви хотіли б поділитися про Featurespace?

Афери є однією з найшвидше зростаючих категорій шахрайства у світі. Регулятори визнають це та намагаються встановити захист. Наприклад, уряд Великої Британії запустив реформу Закону про онлайн-безпеку у березні 2022 року у спробі запобігти аферам та збільшити довіру споживачів до онлайн-транзакцій. Аналогічно у США Бюро з захисту споживачів у сфері фінансових послуг (CFPB) розглядає можливість прийняття заходів для захисту споживачів від афер шляхом збільшення відповідальності банків та кредитних спілок. Запобігаючи аферам до того, як вони трапляються, Featurespace може зберегти гроші банкам та giữ їхніх клієнтів у безпеці, автоматично та без людського втручання.

Прикладом цього є NatWest (NWG ), четвертий за величиною банк у Великій Британії за загальними активами, з близько 19 мільйонами клієнтів. NatWest побачила зростання вартості виявленого шахрайства та афер, включаючи негайне зниження рівня помилкових позитивних результатів (легітимна діяльність клієнтів зменшилася), протягом лише 24 годин після розгортання ARIC Risk Hub Featurespace. В результаті нашого партнерства вони назвали Featurespace “сильним партнером” для своїх інвесторів.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Featurespace.