Dave Excell, Người sáng lập Featurespace – Loạt phỏng vấn

Dave Excell là Người sáng lập của Featurespace, Dave thành lập Featurespace sau khi phát minh ra Phân tích Hành vi Thích ứng, sử dụng trí tuệ nhân tạo giải thích được để giúp các ngân hàng nhận biết và phát hiện hành vi đáng ngờ của người tiêu dùng. Ngay cả trong những thời gian gần đây khi hành vi của người tiêu dùng thay đổi, công nghệ AI tiên tiến này đã có thể ngăn chặn gian lận và giúp các cơ quan thực thi pháp luật chống lại rửa tiền và các tội phạm tài chính có tổ chức khác, đồng thời mang lại niềm tin cho lĩnh vực tài chính.

Bạn có thể chia sẻ với chúng tôi câu chuyện về cách bạn hợp tác với Giáo sư Bill Fitzgerald để tạo ra khái niệm về Phân tích Hành vi Thích ứng?

Trong thời gian tôi theo đuổi bằng tiến sĩ, tôi đã làm việc với Giáo sư Bill Fitzgerald tại Đại học Cambridge để áp dụng các kỹ thuật học máy và thống kê để hiểu hành vi con người. Trong thời gian đó, các tổ chức sẽ đến với chúng tôi để tìm kiếm các giải pháp mới cho các thách thức mà họ gặp phải khi tự động hóa việc ra quyết định hiệu quả từ dữ liệu họ thu thập hoặc để cải thiện hiệu quả trong các quy trình thủ công. Tôi bắt đầu nhận thấy một mẫu: các tổ chức trên các ngành công nghiệp khác nhau gặp khó khăn trong việc hiểu hành vi hoặc “ý định” cơ bản đằng sau dữ liệu họ thu thập, đặc biệt là khi cố gắng xác định các tác nhân xấu. Ví dụ, với một tổ chức, chúng tôi đã mô hình hóa quyết định của người chơi trong một trò chơi máy tính để hiểu liệu họ có phải là người chơi thực sự hay robot gian lận hệ thống. Càng làm nhiều dự án, tôi càng thấy cần phải có học máy thích ứng khi hành vi (và dữ liệu) đằng sau kết quả (ví dụ: gian lận hoặc hoạt động bất hợp pháp) thay đổi để tránh bị phát hiện. Đây chính là cách tôi lần đầu tiên tạo ra khái niệm về Phân tích Hành vi Thích ứng, sau đó trở thành công nghệ cơ bản đầu tiên trong Featurespace.

Bạn có thể chia sẻ câu chuyện về cách khái niệm này dẫn đến việc ra mắt Featurespace?

Mặc dù tôi thích nghiên cứu và tìm ra giải pháp, nhưng tôi không thích nghiên cứu chỉ vì mục đích nghiên cứu. Tôi được thúc đẩy bởi việc áp dụng công nghệ vào các vấn đề thực tế, sau đó tìm cách cung cấp giá trị thương mại và triển khai công nghệ để tạo ra tác động tích cực đến thế giới chúng ta sống. Đó là cách tôi thành lập Featurespace và chúng tôi đã trên một nhiệm vụ kể từ đó để làm cho thế giới trở thành một nơi an toàn hơn để giao dịch.

Bạn có thể thảo luận về các kỹ thuật hiện có được áp dụng để ngăn chặn gian lận và tội phạm tài chính, và tại sao các kỹ thuật này không hiệu quả?

Đã có nhiều ứng dụng công nghệ trong lĩnh vực này trong một thời gian – trên thực tế, việc sử dụng trí tuệ nhân tạo đầu tiên để chống lại gian lận tài chính có từ đầu những năm 1990. Tuy nhiên, phiên bản trí tuệ nhân tạo nguyên thủy đó giả định rằng hành vi gian lận sẽ vẫn giống nhau. Các thuật toán được xây dựng để nhận ra cùng một hành vi gian lận một lần nữa. Lý thuyết này vẫn được áp dụng rộng rãi trong công nghệ chống gian lận cho đến ngày nay. Nhưng gian lận không tĩnh. Những kẻ gian lận liên tục thích nghi phương pháp của họ để ở trước công nghệ chống gian lận. Đó là lý do tại Featurespace, chúng tôi đã tạo ra mô hình trí tuệ nhân tạo thích ứng đầu tiên trên thế giới để chống lại gian lận. Chúng tôi luôn đi trước những kẻ gian lận mà không cần can thiệp của con người.

Tại sao Phân tích Hành vi Thích ứng lại có tác động lớn như vậy so với các kỹ thuật phòng chống gian lận truyền thống?

Các Phân tích Hành vi Thích ứng độc quyền của chúng tôi có tác động lớn như vậy so với các kỹ thuật phòng chống gian lận truyền thống vì các công ty truyền thống dựa vào mẫu gian lận tĩnh – nhưng gian lận không bao giờ tĩnh. Các công ty truyền thống học cách nhận biết các loại hành vi xấu đã biết, sau đó phát hiện các hành vi xấu đó trong số hàng triệu giao dịch. Vấn đề là những mô hình đó chỉ có thể tính đến các hành vi xấu đã được thấy trước, và những kẻ gian lận liên tục thích nghi phương pháp của họ để ở trước công nghệ chống gian lận. Thay vào đó, mô hình Phân tích Hành vi Thích ứng của chúng tôi học cách nhận biết hành vi “tốt” trông như thế nào, sau đó phát hiện các thay đổi so với những hành vi tốt đó. Có nhiều hành vi tốt được thực hiện trên thế giới hơn là hành vi xấu, cho chúng tôi nhiều hơn để học hỏi từ hành vi tốt. Có một tập hợp nhỏ các hành vi gian lận, và chúng liên tục thay đổi. Để cố gắng phát hiện chỉ các hành vi gian lận đã biết là một trò chơi thua.

Những loại thuật toán học máy nào được sử dụng?

Phân tích Hành vi Thích ứng của Featurespace sử dụng sự kết hợp của các kỹ thuật học máy không giám sát và có giám sát. Các kỹ thuật không giám sát được sử dụng để xác định các thay đổi trong hành vi để chỉ ra rủi ro có thể xảy ra. Các kỹ thuật có giám sát được sử dụng tiếp theo để tối ưu hóa độ chính xác của các mô hình của chúng tôi để ngăn chặn và phát hiện gian lận và tội phạm tài chính. Năm ngoái, Featurespace đã ra mắt Mạng Hành vi Sâu Tự động sử dụng kiến trúc mạng nơ-ron hồi quy mới. Nghiên cứu của Featurespace đã phát triển Mạng Hành vi Sâu Tự động để tự động hóa việc khám phá tính năng và giới thiệu các tế bào bộ nhớ với sự hiểu biết bản địa về tầm quan trọng của thời gian trong luồng giao dịch, cải thiện hiệu suất dẫn đầu thị trường của Phân tích Hành vi Thích ứng hiện có của chúng tôi.

Người mẫu có thích ứng như thế nào để học hỏi hành vi người tiêu dùng mới và tối ưu hóa hồ sơ khách hàng?

Các mô hình Phân tích Hành vi Thích ứng của chúng tôi chính xác là thích ứng như chúng tôi cần – ngay cả khi đối mặt với sự thay đổi chưa từng có. Ví dụ, trong thời gian khóa cửa đầu tiên của COVID-19 vào năm 2020, hành vi mua sắm của người tiêu dùng đã thay đổi gần như qua đêm. Vào ngày 29 tháng 4 năm 2020, Mastercard (MA ) đã chứng kiến sự tăng 40% trong các khoản thanh toán không tiếp xúc. Các mô hình phòng chống gian lận AI không thích ứng đã bị bối rối, chặn các khoản thanh toán hợp pháp được thực hiện bởi những người được yêu cầu ở nhà. Các mô hình của chúng tôi đã thích ứng tự động, không cần can thiệp của con người. Điều này rõ ràng nhất thông qua TSYS Foresight Score, một công cụ ra quyết định quản lý rủi ro và gian lận cho các nhà phát hành thanh toán, được xây dựng bởi TSYS và Featurespace. Từ tháng 1 đến tháng 6 năm 2020, TSYS Foresight Score với Featurespace đã cung cấp liên tục phân bố điểm ổn định trên cơ sở hàng tuần, cho phép người tiêu dùng được yêu cầu ở nhà tiếp tục mua sắm thực phẩm và các nhu yếu phẩm khác mà không bị gián đoạn.

Những trường hợp sử dụng lớn nhất cho công nghệ này là gì?

Công nghệ này đặc biệt dành cho các ngân hàng, tổ chức tài chính và nhà xử lý thanh toán. Ví dụ, công ty xử lý thanh toán Worldpay gần đây đã được công nhận vì sản phẩm FraudSight của họ được hỗ trợ bởi Featurespace vì khả năng giảm gian lận trong khi tăng tỷ lệ phê duyệt cho các nhà bán lẻ và bảo vệ người tiêu dùng.

Có điều gì khác bạn muốn chia sẻ về Featurespace?

Đạo diễn là một trong những loại tội phạm gian lận phát triển nhanh nhất trên thế giới. Các cơ quan quản lý đang nhận ra điều này và cố gắng đưa ra các biện pháp bảo vệ. Ví dụ, chính phủ Anh đã ra mắt một cuộc cải cách về Dự luật An toàn Trực tuyến vào tháng 3 năm 2022 trong một nỗ lực để ngăn chặn các vụ lừa đảo và tăng cường niềm tin của người tiêu dùng vào các giao dịch trực tuyến. Tương tự ở Mỹ, Cục Bảo vệ Tài chính Người tiêu dùng (CFPB) đang xem xét hành động để bảo vệ người tiêu dùng khỏi các vụ lừa đảo bằng cách đặt thêm trách nhiệm lên các ngân hàng và liên minh tín dụng. Bằng cách ngăn chặn các vụ lừa đảo trước khi chúng xảy ra, Featurespace có thể giúp các ngân hàng tiết kiệm tiền và giữ cho khách hàng của họ an toàn, tự động mà không cần can thiệp của con người.

Một ví dụ về điều này là NatWest (NWG ), ngân hàng lớn thứ tư của Anh về tổng tài sản, với khoảng 19 triệu khách hàng. NatWest đã chứng kiến sự tăng giá trị của gian lận và lừa đảo được phát hiện, bao gồm cả việc giảm ngay lập tức tỷ lệ dương tính giả (hoạt động của khách hàng thực sự giảm), trong vòng 24 giờ sau khi triển khai Trung tâm Rủi ro ARIC của Featurespace. Kết quả của sự hợp tác của chúng tôi, họ đã trích dẫn Featurespace là “đối tác mạnh” cho các nhà đầu tư của họ.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Featurespace.