Дейв Екселл, засновник Featurespace – Серія інтерв’ю

Дейв Екселл є засновником Featurespace, Дейв заснував Featurespace після винайдення Адаптивної поведінкової аналітики, яка використовує пояснюваний AI для допомоги банкам у визначенні та позначенні підозрілої поведінки споживачів. Навіть у недавній час, коли поведінка споживачів змінилася, ця передова AI змогла припинити шахрайство та допомогти органам влади боротися з відмиванням грошей та іншими організованими фінансовими злочинами, повернувши довіру до фінтех.

Чи можете ви поділитися з нами історією того, як у співпраці з професором Біллом Фітцджеральдом ви прийшли до концепції Адаптивної поведінкової аналітики?

Під час здобуття ступеня доктора філософії я працював з професором Біллом Фітцджеральдом у Кембріджському університеті, щоб застосувати машинне навчання та статистичні методи для розуміння поведінки людини. Під час моєї роботи там організації зверталися до нас за новими рішеннями різних проблем, з якими вони стикалися при автоматизації ефективного прийняття рішень з даних, які вони захоплювали, або для поліпшення ефективності ручних процесів. Я почав помічати певний шаблон: організації різних галузей мали труднощі з розумінням основної поведінки або “наміру” за даними, які вони захоплювали, особливо коли намагалися ідентифікувати поганих акторів. Наприклад, з однією організацією ми змоделювали процес прийняття рішень гравців у комп’ютерній грі, щоб зрозуміти, чи вони справжні гравці чи роботизовані шахраї, які обманюють систему. Чим більше проектів ми робили, тим більше я бачив цю потребу в машинному навчанні, яке адаптується до поведінки (та даних) за результатом (наприклад, шахрайство або шахрайська діяльність), 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 походження того, як ця концепція потім призвела до запуску Featurespace?

Хоча мені подобається досліджувати та знаходити рішення, я не люблю дослідження просто заради дослідження. Мене мотивує застосування технологій до практичних проблем, а потім знаходження способів доставити комерційну цінність та розгортання технології для позитивного впливу на світ, у якому ми живемо. Саме так я заснував Featurespace, і ми відтоді працюємо над тим, щоб зробити світ безпечнішим для транзакцій.

Чи можете ви обговорити існуючі техніки, які застосовуються до запобігання шахрайства та фінансових злочинів, і чому ці техніки не достатні?

Було багато застосувань технологій у цій сфері протягом тривалого часу – насправді, перші використання AI для боротьби з фінансовим шахрайством датуються початку 1990-х років. Однак ця первісна версія AI припускала, що шахрайська поведінка залишиться незмінною. Алгоритми були побудовані для визнання тієї ж шахрайської поведінки знову і знову. Ця сама теорія застосовується сьогодні в технологіях проти шахрайства. Але шахрайство не є статичним. Шахраї постійно адаптують свої методи, щоб залишатися попереду технологій проти шахрайства. Саме тому у Featurespace ми створили перший адаптивний AI-модель для боротьби з шахрайством. Ми залишаємося на три кроки попереду шахраїв без будь-якого людського втручання.

Чому Адаптивна поведінкова аналітика така впливова порівняно з цими техніками запобігання шахрайства?

Наша пропріетарна Адаптивна поведінкова аналітика така впливова порівняно з техніками запобігання шахрайства через те, що старі гравці покладаються на статичні моделі шахрайства – але шахрайство ніколи не є статичним. Старі гравці вчаться, яким виглядає різна відома погана поведінка, а потім намагаються виявити цю погану поведінку серед мільйонів транзакцій. Проблема полягає в тому, що ці моделі можуть враховувати лише погану поведінку, яку бачили раніше, а шахраї постійно адаптують свої методи, щоб залишатися попереду технологій проти шахрайства. Натомість наша модель Адаптивної поведінкової аналітики вчиться, яким виглядає “добра” поведінка, а потім виявляє зміни щодо цієї доброї поведінки. Є багато більше доброї поведінки у світі, ніж поганої, що дає нам більше можливостей для навчання з доброї поведінки. Є набагато менше шахрайської поведінки, і вона постійно змінюється. Спробувати виявити лише відомі шахрайські поведінки – це програшна гра.

Які різні типи алгоритмів машинного навчання використовуються?

Адаптивна поведінкова аналітика Featurespace використовує комбінацію ненадзорчих та наглядових технік машинного навчання. Ненадзорчі техніки використовуються для виявлення змін у поведінці для вказівки на ймовірний ризик. Наглядові техніки потім використовуються для оптимізації точності наших моделей для запобігання та виявлення шахрайства та фінансових злочинів. У минулому році Featurespace запустив Автоматизовані глибинні поведінкові мережі, які використовують нову архітектуру рекурентних нейронних мереж. Дослідницька група Featurespace розробила Автоматизовані глибинні поведінкові мережі для автоматизації відкриття ознак та введення пам’яті з вбудованим розумінням значущості часу у потоках транзакцій, покращуючи наявну Адаптивну поведінкову аналітику.

Як адаптивні моделі до навчання нової поведінки споживачів та оптимізації профілів клієнтів?

Наша Адаптивна поведінкова аналітика моделі є саме такою адаптивною, як це потрібно – навіть у разі безпрецедентних змін. Наприклад, під час початкового карантину COVID-19 у 2020 році поведінка споживачів змінилася буквально за одну ніч. До 29 квітня 2020 року Mastercard побачила зростання на 40% контактних платежів. Неадаптивні моделі проти шахрайства AI були кинуті у відчай, блокуючи легітимні платежі, здійснені людьми, яким було наказано залишатися вдома. Наші моделі адаптувалися автоматично, без людського втручання. Це найбільш очевидно через TSYS Foresight Score, інструмент оцінювання рішень щодо шахрайства та ризику для емітентів платежів, створений TSYS та Featurespace. З січня по червень 2020 року TSYS Foresight Score з Featurespace постійно доставляв стабільні розподіли оцінок щотижня, дозволяючи споживачам, яким було наказано залишатися вдома, продовжувати купувати продукти харчування та інші необхідні речі без перерви.

Які найбільші випадки використання цієї технології?

Ця технологія спеціально орієнтована на банки, фінансові установи та процесори платежів. Наприклад, компанія з обробки платежів Worldpay була недавно визнана за свій продукт FraudSight, створений за допомогою Featurespace, за його здатність мінімізувати шахрайство та збільшувати рівень затвердження платежів мерчантів 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 із 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 банкам гроші та захистити їхніх клієнтів, автоматично без людського втручання.

Прикладом цього є NatWest, четвертий за розміром 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 (справжня діяльність клієнтів була відхилена), всього за 24 години після розгортання ARIC Risk Hub Featurespace. У результаті нашого партнерства вони назвали Featurespace “сильним партнером” своїм інвесторам.

Дякуємо за велике інтерв’ю. Читачам, які бажають дізнатися більше, слід відвідати Featurespace.