Estás leyendo la publicación: Dave Excell, fundador de Featurespace – Serie de entrevistas
dave excell es el Fundador de Espacio de característicasDave fundó Featurespace tras su invención de Análisis de comportamiento adaptativo, que utiliza IA explicable para ayudar a los bancos a reconocer y señalar comportamientos sospechosos de los consumidores. Incluso en los últimos tiempos, a medida que cambia el comportamiento del consumidor, esta IA avanzada ha podido frenar el fraude y ayudar a las autoridades a abordar el lavado de dinero y otros delitos financieros organizados, al tiempo que devuelve la confianza a la tecnología financiera.
¿Podría compartir con nosotros la historia de cómo, en colaboración con el profesor Bill Fitzgerald, se le ocurrió el concepto de Adaptive Behavioral Analytics?
Mientras realizaba mi doctorado, trabajé con el profesor Bill Fitzgerald en la Universidad de Cambridge para aplicar técnicas estadísticas y de aprendizaje automático para comprender el comportamiento humano. Durante mi tiempo allí, las organizaciones acudían a nosotros en busca de soluciones novedosas para varios desafíos que tenían al automatizar la toma de decisiones efectiva a partir de los datos que capturaban o para mejorar la eficiencia en los procesos manuales. Empecé a notar un patrón: las organizaciones de todas las industrias luchaban por comprender el comportamiento subyacente o la “intención” detrás de los datos que capturaban, especialmente cuando intentaban identificar a los malos actores. Por ejemplo, con una organización modelamos la toma de decisiones de los jugadores dentro de un juego de computadora para saber si eran jugadores reales o robots que engañaban al sistema. Cuantos más proyectos realizábamos, más veía esta necesidad de aprendizaje automático que se adaptaría a medida que el comportamiento (y los datos) detrás del resultado (por ejemplo, hacer trampa o actividad fraudulenta) cambiaría para evitar la detección. De hecho, así es como se me ocurrió por primera vez el concepto de Adaptive Behavioral Analytics, que luego se convirtió en la primera tecnología fundamental dentro de Featurespace.
¿Podría compartir la historia de génesis de cómo este concepto condujo al lanzamiento de Featurespace?
Aunque disfruto investigando y encontrando soluciones, no disfruto investigando solo por investigar. Me motiva aplicar la tecnología a problemas prácticos, luego encontrar formas de generar valor comercial e implementar la tecnología para tener un impacto positivo en el mundo en el que vivimos. Así es como terminé fundando Featurespace y hemos estado en un misión desde hacer del mundo un lugar más seguro para realizar transacciones.
¿Podría analizar las técnicas existentes que se aplican para la prevención del fraude y los delitos financieros, y por qué estas técnicas se quedan cortas?
Ha habido varias aplicaciones tecnológicas en el espacio durante un tiempo; de hecho, los primeros usos de la IA para combatir el fraude financiero se remontan a principios de la década de 1990. Sin embargo, esa versión primitiva de IA asumió que los comportamientos de fraude se mantendrían igual. Los algoritmos se crearon para reconocer el mismo comportamiento fraudulento una y otra vez. Esta misma teoría se aplica ampliamente en la tecnología antifraude hasta el día de hoy. Pero el fraude no es estático. Los estafadores adaptan constantemente sus métodos para mantenerse a la vanguardia de la tecnología antifraude. Es por eso que en Featurespace, creamos el primer modelo de IA adaptable del mundo para combatir el fraude. Nos mantenemos tres pasos por delante de los estafadores sin necesidad de intervención humana.
¿Por qué Adaptive Behavioral Analytics es tan impactante en comparación con estas técnicas heredadas de prevención de fraude?
Nuestro Adaptive Behavioral Analytics patentado es tan impactante en comparación con las técnicas de prevención de fraude heredadas porque los jugadores heredados se basan en patrones de fraude estáticos, pero el fraude nunca es estático. Los jugadores heredados aprenden cómo son los diferentes tipos de mal comportamiento conocido y luego se proponen detectar esos malos comportamientos entre millones de transacciones. El problema es que esos modelos solo pueden tener en cuenta los malos comportamientos que se han visto antes, y los estafadores adaptan constantemente sus métodos para adelantarse a la prevención del fraude. En cambio, nuestro modelo Adaptive Behavior Analytics aprende qué bien parece el comportamiento, luego detecta los cambios en contra de esos buenos comportamientos. Hay mucho más buen comportamiento en el mundo que el malo, lo que nos da más para aprender del buen comportamiento. Hay un conjunto mucho más pequeño de comportamientos fraudulentos, y están cambiando constantemente. Intentar detectar solo comportamientos fraudulentos conocidos es un juego perdido.
¿Cuáles son los diferentes tipos de algoritmos de aprendizaje automático que se utilizan?
Adaptive Behavioral Analytics de Featurespace utiliza una combinación de técnicas de aprendizaje automático supervisadas y no supervisadas. Las técnicas no supervisadas se utilizan para identificar cambios en el comportamiento para indicar un riesgo probable. Posteriormente, se utilizan técnicas supervisadas para optimizar la precisión de nuestros modelos para prevenir y detectar el fraude y los delitos financieros. El año pasado se lanzó Featurespace Red conductual profunda automatizada modelos que utilizan una nueva arquitectura de red neuronal recurrente. Featurespace Research desarrolló redes de comportamiento profundas automatizadas para automatizar el descubrimiento de características e introducir celdas de memoria con comprensión nativa de la importancia del tiempo en los flujos de transacciones, mejorando el rendimiento líder en el mercado de nuestro análisis de comportamiento adaptativo existente.
¿Qué tan adaptables son los modelos para aprender nuevos comportamientos de los consumidores y optimizar los perfiles de los clientes?
Nuestros modelos de Adaptive Behavioral Analytics son exactamente tan adaptables como deben ser, incluso frente a cambios sin precedentes. Por ejemplo, durante los bloqueos iniciales de COVID-19 en 2020, el comportamiento de compra del consumidor cambió literalmente de la noche a la mañana. Para el 29 de abril de 2020, Mastercard experimentó un aumento del 40 % en los pagos sin contacto. Los modelos de IA de prevención de fraude no adaptativos se lanzaron en un bucle, bloqueando los pagos legítimos que realizaban las personas a las que se les ordenaba quedarse en casa. Nuestros modelos se adaptaron automáticamente, sin intervención humana. Esto es más evidente a través de la Puntaje de previsión TSYS, una herramienta de puntuación para la toma de decisiones de gestión de riesgos y fraudes para emisores de pagos, creada por TSYS y Featurespace. De enero a junio de 2020, TSYS Foresight Score con Featurespace entregó constantemente distribuciones de puntaje estables semanalmente, lo que permitió a los consumidores a los que se les ordenó quedarse en casa para continuar comprando comestibles y otros artículos esenciales sin interrupción.
¿Cuáles son los principales casos de uso de esta tecnología?
Esta tecnología está dirigida específicamente a bancos, instituciones financieras y procesadores de pagos. Por ejemplo, la empresa de procesamiento de pagos Worldpay fue reconocida recientemente por su producto FraudSight impulsado por Featurespace por su capacidad para mitigar el fraude mientras aumenta las tasas de aprobación de los comerciantes y protege a los consumidores.
¿Hay algo más que le gustaría compartir sobre Featurespace?
Las estafas son una de las categorías de fraude de más rápido crecimiento en el mundo. Los reguladores están reconociendo esto e intentando implementar protecciones. Por ejemplo, el gobierno del Reino Unido lanzó una reforma del proyecto de ley de seguridad en línea en marzo de 2022 en un esfuerzo por prevenir estafas y aumentar la confianza del consumidor en las transacciones en línea. De manera similar, en los EE. UU., la Oficina de Protección Financiera del Consumidor (CFPB, por sus siglas en inglés) está considerando tomar medidas para proteger a los consumidores contra las estafas al responsabilizar más a los bancos y cooperativas de crédito. Al prevenir las estafas antes de que sucedan, Featurespace puede ahorrar dinero a los bancos y mantener seguros a sus clientes, automáticamente sin intervención humana.
Un ejemplo de esto es NatOeste, el cuarto banco más grande del Reino Unido en términos de activos totales, con alrededor de 19 millones de clientes. NatWest vio un aumento en el valor del fraude y las estafas detectadas, incluida una disminución inmediata en las tasas de falsos positivos (disminución de la actividad de los clientes genuinos), en tan solo 24 horas de implementar ARIC Risk Hub de Featurespace. Como resultado de nuestra asociación, mencionaron a Featurespace como un “socio fuerte” para sus inversores.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Espacio de funciones.
