ستساعدك المقالة التالية: ديف إكسيل ، مؤسس Featurespace – Interview Series
ديف إكسيل هو مؤسس مساحة الميزات، أسس ديف Featurespace بعد اختراعه لـ التحليلات السلوكية التكيفية، والذي يستخدم الذكاء الاصطناعي القابل للتفسير لمساعدة البنوك على التعرف على سلوك المستهلك المشبوه والإبلاغ عنه. حتى في الآونة الأخيرة مع تغير سلوك المستهلك ، كان هذا الذكاء الاصطناعي المتقدم قادرًا على كبح الاحتيال ومساعدة السلطات في معالجة غسل الأموال والجرائم المالية المنظمة الأخرى مع إعادة الثقة إلى التكنولوجيا المالية.
هل يمكن أن تشاركنا قصة كيف توصلت بالتعاون مع البروفيسور بيل فيتزجيرالد إلى مفهوم التحليلات السلوكية التكيفية؟
أثناء دراستي للحصول على درجة الدكتوراه ، عملت مع البروفيسور بيل فيتزجيرالد في جامعة كامبريدج لتطبيق تقنيات التعلم الآلي والإحصاء لفهم السلوك البشري. خلال فترة وجودي هناك ، كانت المنظمات تأتي إلينا بحثًا عن حلول جديدة للتحديات المختلفة التي كانت لديهم أتمتة عملية صنع القرار الفعال من البيانات التي تم التقاطها أو لتحسين الكفاءة في العمليات اليدوية. بدأت في ملاحظة نمط: كافحت المؤسسات عبر الصناعات لفهم السلوك الأساسي أو “النية” الكامنة وراء البيانات التي تم التقاطها ، خاصة عند محاولة تحديد الجهات الفاعلة السيئة. على سبيل المثال ، مع إحدى المنظمات ، قمنا بتصميم نموذج صنع القرار للاعبين داخل لعبة كمبيوتر لفهم ما إذا كانوا لاعبين حقيقيين أو روبوتات تخدع النظام. كلما زاد عدد المشاريع التي قمنا بها ، كلما رأيت هذه الحاجة إلى التعلم الآلي الذي من شأنه أن يتكيف مع تغير السلوك (والبيانات) وراء النتيجة (مثل الغش أو النشاط الاحتيالي) لتجنب الاكتشاف. هذه هي الطريقة التي توصلت بها لأول مرة إلى مفهوم Adaptive Behavioral Analytics ، والذي أصبح فيما بعد أول تقنية أساسية داخل Featurespace.
هل يمكنك مشاركة قصة التكوين حول كيف أدى هذا المفهوم بعد ذلك إلى إطلاق Featurespace؟
على الرغم من أنني أستمتع بالبحث وإيجاد الحلول ، إلا أنني لا أستمتع بالبحث من أجل البحث فقط. أنا متحمس من خلال تطبيق التكنولوجيا على المشكلات العملية ، ثم إيجاد طرق لتقديم قيمة تجارية ونشر التكنولوجيا لإحداث تأثير إيجابي على العالم الذي نعيش فيه. هكذا انتهى بي المطاف بتأسيس Featurespace وأصبحنا في المهمة منذ أن جعل العالم مكانًا أكثر أمانًا للمعاملات.
هل يمكنك مناقشة الأساليب الحالية المطبقة في منع الاحتيال والجرائم المالية ، ولماذا تقصر هذه الأساليب؟
كانت هناك العديد من التطبيقات التقنية في الفضاء منذ فترة – في الواقع ، يعود تاريخ أول استخدامات الذكاء الاصطناعي لمكافحة الاحتيال المالي إلى أوائل التسعينيات. ومع ذلك ، فإن تلك النسخة البدائية من الذكاء الاصطناعي افترضت أن سلوكيات الاحتيال ستبقى كما هي. تم بناء الخوارزميات للتعرف على نفس السلوك الاحتيالي مرارًا وتكرارًا. يتم تطبيق هذه النظرية نفسها على نطاق واسع في تكنولوجيا مكافحة الاحتيال حتى يومنا هذا. لكن الاحتيال ليس ثابتًا. يقوم المحتالون باستمرار بتكييف أساليبهم للبقاء في طليعة تكنولوجيا مكافحة الاحتيال. لهذا السبب ، أنشأنا في Featurespace أول نموذج ذكاء اصطناعي تكيفي في العالم لمكافحة الاحتيال. نتقدم بثلاث خطوات على المحتالين دون الحاجة إلى أي تدخل بشري.
لماذا تعتبر التحليلات السلوكية التكيفية مؤثرة للغاية مقارنة بتقنيات منع الاحتيال القديمة؟
تعتبر تحليلات السلوك التكيفية الخاصة بنا مؤثرة للغاية مقارنة بتقنيات منع الاحتيال القديمة لأن اللاعبين القدامى يعتمدون على أنماط احتيال ثابتة – لكن الاحتيال ليس ثابتًا أبدًا. يتعلم اللاعبون القدامى كيف تبدو الأنواع المختلفة من السلوك السيئ المعروف ، ثم يشرعون في اكتشاف تلك السلوكيات السيئة من بين ملايين المعاملات. تكمن المشكلة في أن هذه النماذج لا يمكنها إلا أن تأخذ في الاعتبار السلوكيات السيئة التي تمت رؤيتها من قبل ، ويقوم المحتالون باستمرار بتكييف أساليبهم للبقاء في طليعة منع الاحتيال. بدلاً من ذلك ، يتعرف نموذج تحليلات السلوك التكيفي الخاص بنا على الشكل الذي يبدو عليه السلوك ، ثم يكتشف التغييرات مقابل تلك السلوكيات الجيدة. هناك الكثير من السلوكيات الجيدة التي يتم القيام بها في العالم أكثر من السلوك السيئ ، مما يمنحنا المزيد لنتعلمه من السلوك الجيد. هناك مجموعة أصغر بكثير من السلوكيات الاحتيالية ، وهي تتغير باستمرار. محاولة اكتشاف السلوكيات الاحتيالية المعروفة هي لعبة خاسرة.
ما هي الأنواع المختلفة لخوارزميات التعلم الآلي المستخدمة؟
تستخدم التحليلات السلوكية التكيفية في Featurespace مجموعة من تقنيات التعلم الآلي غير الخاضعة للإشراف والخاضعة للإشراف. تُستخدم الأساليب غير الخاضعة للإشراف لتحديد التغييرات في السلوك للإشارة إلى المخاطر المحتملة. تُستخدم التقنيات الخاضعة للإشراف لاحقًا لتحسين دقة نماذجنا لمنع واكتشاف الاحتيال والجرائم المالية. تم إطلاق Featurespace العام الماضي شبكة سلوكية عميقة مؤتمتة النماذج التي تستخدم بنية الشبكة العصبية المتكررة الجديدة. طورت شركة Featurespace Research شبكات سلوكية عميقة آلية لأتمتة اكتشاف الميزات وإدخال خلايا الذاكرة مع الفهم الأصلي لأهمية الوقت في تدفقات المعاملات ، وتحسين الأداء الرائد في السوق لتحليلاتنا السلوكية التكيفية الحالية.
ما مدى تكيف النماذج لتعلم سلوك المستهلك الجديد وتحسين ملفات تعريف العملاء؟
نماذج التحليلات السلوكية التكيفية لدينا قابلة للتكيف تمامًا كما يجب أن تكون – حتى في مواجهة تغيير غير مسبوق. على سبيل المثال ، أثناء عمليات الإغلاق الأولية لـ COVID-19 في عام 2020 ، تغير السلوك الشرائي للمستهلك بين عشية وضحاها. بحلول 29 أبريل 2020 ، شهدت ماستركارد زيادة بنسبة 40٪ في المدفوعات اللاتلامسية. تم طرح نماذج الذكاء الاصطناعي لمنع الاحتيال غير التكيفية في حلقة ، مما أدى إلى منع المدفوعات المشروعة التي يقوم بها الأشخاص الذين أمروا بالبقاء في المنزل. تم تكييف نماذجنا تلقائيًا دون تدخل بشري. هذا هو الأكثر وضوحا من خلال نقاط TSYS Foresight، أداة لتسجيل نتائج قرارات إدارة الاحتيال وإدارة المخاطر لمصدري المدفوعات ، تم إنشاؤها بواسطة TSYS و Featurespace. من يناير إلى يونيو 2020 ، قدمت TSYS Foresight Score مع Featurespace توزيعات ثابتة للدرجات على أساس أسبوعي ، مما مكن المستهلكين الذين طلب منهم البقاء في المنزل لمواصلة شراء البقالة وغيرها من الضروريات دون انقطاع.
ما هي أكبر حالات استخدام هذه التقنية؟
هذه التكنولوجيا موجهة بشكل خاص نحو البنوك والمؤسسات المالية ومعالجات المدفوعات. على سبيل المثال ، تم تكريم شركة معالجة المدفوعات Worldpay مؤخرًا لمنتجها FraudSight المدعوم من Featurespace لقدرته على التخفيف من الاحتيال مع زيادة معدلات موافقة التجار وحماية المستهلكين.
هل هناك أي شيء آخر تود مشاركته حول Featurespace؟
تعتبر عمليات الاحتيال واحدة من أسرع فئات الاحتيال نموًا في العالم. يدرك المنظمون ذلك ويحاولون تطبيق الحماية. على سبيل المثال ، أطلقت حكومة المملكة المتحدة إصلاحًا لقانون الأمان عبر الإنترنت في مارس 2022 في محاولة لمنع عمليات الاحتيال وزيادة ثقة المستهلك في المعاملات عبر الإنترنت. وبالمثل في الولايات المتحدة ، يدرس مكتب حماية المستهلك المالي (CFPB) اتخاذ إجراءات لحماية المستهلكين من عمليات الاحتيال من خلال وضع مزيد من المسؤولية على البنوك والاتحادات الائتمانية. من خلال منع عمليات الاحتيال قبل حدوثها ، يمكن لـ Featurespace توفير أموال البنوك والحفاظ على أمان عملائها تلقائيًا دون تدخل بشري.
مثال على ذلك ناتويست، رابع أكبر بنك في المملكة المتحدة من حيث إجمالي الأصول ، مع حوالي 19 مليون عميل. شهدت NatWest زيادة في قيمة عمليات الاحتيال والاحتيال المكتشفة ، بما في ذلك انخفاض فوري في المعدلات الإيجابية الخاطئة (تم رفض نشاط العميل الحقيقي) ، في غضون 24 ساعة فقط من نشر مخاطر ARIC الخاصة بـ Featurespace Hub. نتيجة لشراكتنا ، فقد استشهدوا بـ Featurespace باعتباره “شريكًا قويًا” لمستثمريهم.
