Sift 的 CEO Kris Nagel – 采访系列

Kris 是 Sift 的首席执行官。他拥有超过 30 年的高级领导经验，曾在多家风险投资公司和上市的 SaaS 公司担任高级职位，包括 Ping Identity。Sift 提供了一种解决企业付款欺诈的方法，采用单一的、直观的控制台，Sift 的端到端解决方案消除了使用断开的工具、单一用途的软件和不完整的洞察力的需求，这些都耗尽了运营资源。

在您之前的职位中，您是身份安全平台 Ping Identity 的首席运营官，您在 2019 年将公司上市方面发挥了关键作用，您从这次经历中得到了什么样的关键收获？

将一家公司上市是一项重大任务，我通过这个过程学到了很多东西。开发产品和在这一里程碑之前和之后扩大公司的规模，教会了我如何解决复杂的组织挑战，如何继续创新和重新想象用户体验，如何发展团队，并赋予他们做出最佳工作的能力。我在整个职业生涯中都学到了，任何角色中的成功都必须从对客户、合作伙伴和团队成员的深入理解开始。

您于 2023 年 1 月加入 Sift 担任 CEO，您被这项新挑战吸引的原因是什么？

欺诈是一个日益增长和不断演变的问题，赌注很明显。预计到 2023 年底，全球电子商务欺诈损失将达到 480 亿美元(与 2022 年相比，同比增长 16%)，而全球各个企业平均花费了 10% 的收入来管理欺诈。但如果一家公司不能有效地管理欺诈，它可能会因排除或“侮辱”合法客户而失去收入。

Sift 在解决这个问题方面具有先发优势，采用机器学习，其核心技术和全球数据网络使其在欺诈防范领域脱颖而出。超过 34,000 个网站和应用程序，包括 Twitter、DoorDash (DASH ) 、Poshmark 和 Uphold，都依赖于 Sift。这种差异化，加上对长期客户合作伙伴关系的强烈关注，使得我决定加入变得容易。

为什么生成式 AI 对企业和消费者来说是一个巨大的安全威胁？

生成式 AI 对欺诈者来说显示出早期迹象，成为游戏规则的改变者。骗局以前充满语法和拼写错误，因此更容易区分。有了生成式 AI，恶意行为者可以更有效地模仿合法公司，并欺骗消费者提供敏感的登录或财务详细信息，通过钓鱼尝试。

生成式 AI 平台甚至可以建议文本变体，允许欺诈者在单个平台上创建多个不同的虚假账户。例如，他们可以创建 100 个新的虚假约会个人资料，用于加密货币浪漫骗局，每个个人资料都有一个唯一的 AI 生成的面孔和简介。这样，生成式 AI 使得任何人，无论其技术水平如何，都可以使用被盗的凭据或支付信息来欺骗他人，从而实现欺诈的民主化。

Sift 最近发布了一份题为“AI 复兴时期，消费者和企业被欺诈淹没”的报告，您在这份报告中发现的最大惊喜是什么？

我们知道 AI 和自动化将改变欺诈格局，但这种转变的速度和规模确实令人惊讶。超过三分之二（68%）的美国消费者报告称，自 11 月份以来，垃圾邮件和骗局有所增加，这大约是生成式 AI 工具开始被采用的时候，我们相信这些趋势之间存在强烈的关联。同样，我们观察到账户接管（ATO）攻击激增，2023 年第一季度的 ATO 率比 2022 年全年增加了 427%。显然，这些事件有关，因为生成式 AI 允许欺诈者创建更令人信服和可扩展的骗局，从而导致 ATO 攻击浪潮。

该报告还显示了“欺诈即服务”的一些方式。像 Telegram 上的公开论坛一样，降低了任何人想要犯下各种类型的滥用的门槛——我们称之为欺诈的民主化。我们的团队已经看到了一些提供机器人攻击服务的欺诈团体的蔓延，我们强调了一种工具被用来欺骗消费者提供一次性密码的方式。这些工具被欺诈者以相对低廉的费用提供给他人使用。

您能否讨论什么是“Sift 数字信任和安全平台”？

通过 Sift，公司可以自信地建立和部署，知道他们拥有保护自己免受欺诈的工具。它是将坏人挡在外面，同时为客户提供无缝体验——减少摩擦，增加收入。

我们的使命是帮助每个人信任互联网，我们的平台使用机器学习和大量的数据网络来保护企业免受各种类型的欺诈和滥用。我们是最早将机器学习应用于在线欺诈的公司之一，因此我们积累了大量的见解，这些见解反映在我们的全球机器学习模型中，这些模型每年处理超过 1 万亿的事件。这个平台的美妙之处在于，我们的客户越多，我们的模型就越聪明，因此我们总是可以优化以停止欺诈，同时减少真正的用户和客户的摩擦。

在平台内，我们有支付保护，保护免受支付欺诈；账户防御，防止账户接管攻击；内容完整性，阻止垃圾邮件和骗局在用户生成的内容中发布；以及争议管理，保护免受退款和友好欺诈的影响。

这个平台如何与其他欺诈工具区分开来？

市场上有很多欺诈预防供应商，但大多数都属于两类：点解决方案或决策即服务。点解决方案通常具有狭窄的范围，旨在解决一个用例，例如机器人检测。决策即服务解决方案更全面，但缺乏许多欺诈管理功能，并且对其决策逻辑是一个“黑盒”。

Sift 的一个最显著的特征是，我们提供了一种解决多种类型欺诈的方法，适用于所有行业。欺诈是一个与行业无关的挑战，我们对一个行业的欺诈问题如何成为另一个行业的问题有独特的见解。我们还优先将控制权交给客户手中。每家公司都是独一无二的，这种定制能力意味着逻辑可以使用自定义规则进行修改，并且模拟可以在平台内进行调整。我们还相信，防止欺诈的最佳方式是对此保持透明。我们的决策引擎为分析师提供解释，因此他们可以理解为什么一笔交易被批准、质疑或拒绝。我们还提供报告，以便您可以衡量模型的性能并了解是否需要进行调整。

您能否讨论什么是“Sift 评分”，以及它如何实现对机器学习的持续自我改进？

Sift 的客户使用我们的机器学习算法来检测欺诈模式并防止对网站或应用程序的攻击。Sift 评分是一个数字，从 0 到 100，由算法分配给每个事件（或活动），以指示该行为被认为是欺诈的可能性。

虽然每个产品都支持自己的机器学习模型，但我们还提供定制的算法，专门为 Sift 的客户量身定制。每个行业的欺诈信号可能会有所不同，例如，如果您出售保险、易腐商品或服装。Sift 运行数千个信号，利用我们庞大的全球网络，通过每个定制模型，分析诸如一天中的时间、电子邮件地址的特征以及尝试登录的数量等细节。这些信号的组合构成了特定事件（如登录或交易）的评分。Sift 评分永远不会在客户之间共享，因为每个客户的机器学习模型都是不同的。

在 Sift 开发的一种有趣的产品，用于对抗骗局和垃圾邮件，称为“文本聚类”，它具体是什么？

垃圾邮件文本困扰着在线平台，垃圾邮件发送者经常重复发布相同或非常相似的内容。我们构建了我们的文本聚类功能作为内容完整性的一部分，以便更容易地识别此类文本并将其聚类在一起，以便分析师可以决定是否采取批量操作。挑战在于，并非所有重复的文本都是垃圾邮件。例如，电子商务卖家可能会在多个网站上列出相同的产品和描述。

为了有效地解决这个挑战，我们需要一种方法来标记我们想要检测的新类型的内容欺诈，同时也给分析师最终的控制权来采取行动。通过神经网络和机器学习的组合，文本聚类可以将类似的文本分组在一起，即使它们有轻微的变化。这些标记的内容被标记在一起，如果它们确实是垃圾邮件，分析师可以采取批量操作来删除它们。

企业如何最好地防御由生成式 AI 发起的对抗性攻击或其他类型的恶意攻击？

超过一半的消费者（54%）认为，他们不应该对自己无意中向骗子提供支付信息（后来被用于进行欺诈性购买）负责。几乎四分之一（24%）的消费者认为，购买发生的企业应该对此负责。这意味着防止欺诈的责任在于消费者每天依赖的平台和服务。

我们仍然处于生成式 AI 的早期阶段，今天的威胁不会是六个月后看到的威胁。话虽如此，企业需要通过使用 AI 技术（如机器学习）来对抗和阻止欺诈。实时机器学习对于跟上欺诈的规模、速度和复杂性至关重要。那些不放弃过时或手动流程的商家将会落后于已经在自动化的欺诈者。采用这种端到端、实时方法的商家可以将欺诈检测准确率提高 40%。这意味着更好地识别欺诈者并在他们伤害您的业务或客户之前阻止他们。

您是否还有其他关于 Sift 的信息想要分享？

我们最近实施的一项倡议是为了进一步实现这一使命，即我们的客户社区 Sifters。它对所有 Sift 用户开放，作为我们客户、内部专家和数字网络之间的桥梁。它已成为一个宝贵的中心，用于收集行业洞察力和解决跨市场的欺诈防范挑战。它正在看到巨大的采用率。创建一个欺诈斗士社区至关重要，因为欺诈者有自己的社区，他们在这些社区中合作，损害企业和消费者。正如我们所说，需要一个网络来对抗一个网络。