Feedzai Research

Innovaciones de vanguardia para prevenir riesgos financieros

Feedzai comprende que no se puede luchar contra el fraude y los delitos financieros del mañana con las soluciones de hoy. Nuestro dedicado equipo de científicos, ingenieros y expertos técnicos traspasa los límites de la tecnología conocida para desarrollar soluciones avanzadas de ingeniería e inteligencia artificial que salvaguardan las transacciones financieras sin fricciones y protegen a las organizaciones y a las personas de los delitos financieros.

Descubra nuestras especialidades de investigación

Feedzai Research cubre Machine Learning, Systems Research, FATE (Fairness, Accountability, Transparency, and Ethics in AI) o en espanõl es el principio de funcionamiento que utiliza la justicia, la responsabilidad, la transparencia y la ética en la Inteligencia Artificial. Cada grupo es riguroso en su búsqueda de la mejora continua. Realizan experimentos cuidadosos basados ​​en datos para descubrir y validar nuevas metodologías y algoritmos.

Machine Learning

Desarrollamos técnicas avanzadas de Machine Learning para mejorar la detección y prevención de fraudes y delitos financieros.

Feedzai Research interrumpe el flujo de trabajo de Machine Learning para desarrollar soluciones innovadoras que automatizan y respaldan los procesos de muestreo, ingeniería de recursos, etiquetado y anotación, capacitación y evaluación fuera de línea y en línea, y más.

Enfoque de investigación: Redes neuronales recurrentes, Aprendizaje activo, Aprendizaje por transferencia, Aprendizaje de representación gráfica, Redes neuronales gráficas, Inferencia y optimización bayesianas.


Investigación de sistemas

Systems Research reduce los costos de hardware y software y el tiempo de comercialización al mejorar el tiempo de capacitación de la plataforma y las necesidades de tiempo de producción al enfocarse en las características del sistema como el uso de memoria, uso de almacenamiento, rendimiento, latencia, escalabilidad, confiabilidad y más.

Enfoque de investigación: los sistemas de procesamiento de flujo distribuido optimizan baja latencia, alto rendimiento, recuperabilidad, puntos de control, escalabilidad, consumo de memoria, administración de estado, evaluación comparativa y más.


Justicia + Responsabilidad + Transparencia + Ética (FATE)

El equipo de FATE está a la vanguardia de la Inteligencia Artificial responsable. En colaboración con las mejores universidades y otros líderes en Inteligencia Artificial, la misión de FATE es crear conciencia sobre la importancia y el impacto de la Inteligencia Artificial ética en la sociedad. El equipo de FATE desarrollan nuevos enfoques para detectar, aislar y mitigar el sesgo en conjuntos de datos, modelos de Machine Learning y sistemas de inteligencia artificial a través de la investigación empírica.

Enfoque de la investigación: Mejorar la explicabilidad e interpretabilidad del Machine Learning; Habilite la trazabilidad y la gobernanza del flujo de trabajo de Machine Learning, explique el impacto de un modelo en la equidad y la transparencia, y mejore las prácticas éticas y de cumplimiento.


Visualización de datos

El grupo de visualización de datos se centra en la creación de interfaces y herramientas de visualización intuitivas y centradas en el usuario para ayudar a los usuarios a ver, comprender y razonar sobre sus datos. Su objetivo es ayudar a los analistas de fraude a resolver los desafíos que enfrentan al investigar delitos financieros y crear herramientas para ayudar a los científicos de datos a analizar conjuntos de datos y construir modelos.

Enfoque de investigación: visualización de sesgos e imparcialidad, evaluación de modelos, visualización temporal y geoespacial.

Noticias

Paper “How can I choose an explainer? An Application-grounded Evaluation of Post-hoc Explanations” presented at FAccT 2021, the ACM Conference on Fairness, Accountability, and Transparency

Pedro Saleiro gives tutorial “Dealing with bias and fairness in AI systems” at AAAI 2021 together with Rayid Ghani (CMU) and Kit Rodolfa (CMU)

Feedzai Research got two papers, both on innovations in explainability, accepted at the NeurIPS 2020 workshop on Human And Machine in-the-Loop Evaluation and Learning Strategies.

Paper “Machine learning methods to detect money laundering in the Bitcoin blockchain in the presence of label scarcity” accepted for presentation at the KDD Workshop on ML in Finance and accepted for publication at the ICAIF 2020.

“Interleaved Sequence RNNs for Fraud Detection” paper accepted at KDD 2020.

“Dealing with Bias and Fairness in Data Science Systems: A Practical Hands-on Tutorial” accepted at KDD 2020.

Fortune interviews Pedro Bizarro on the effects of coronavirus crisis on cybercriminal behavior.

Project CAMELOT, in partnership with CMU, IST, ULisboa, UCoimbra.

Opinion article about AI and Regulation (Portuguese).

Congressional testimony on “Equitable Algorithms: Examining Ways to Reduce AI Bias in Financial Services” based on joint work with Pedro Saleiro.

Pedro Saleiro interview about what to expect in this decade for AI (Portuguese).

Feedzai co-organizes Lisbon NeurIPS meetup.

Feedzai joins Instituto Superior Técnico Partner Network. Professor Mário Figueiredo is now Feedzai Professor in Machine Learning.

Últimas publicaciones

How can I choose an explainer? An Application-grounded Evaluation of Post-hoc Explanations, https://arxiv.org/abs/2101.08758

GuiltyWalker: Distance to illicit nodes in the Bitcoin network, https://arxiv.org/abs/2102.05373

TimeSHAP: Explaining Recurrent Models through Sequence Perturbations, https://arxiv.org/abs/2012.00073

Teaching the Machine to Explain Itself using Domain Knowledge, https://arxiv.org/abs/2012.01932

A Bandit-Based Algorithm for Fairness-Aware Hyperparameter Optimization, https://arxiv.org/abs/2010.03665

Machine learning methods to detect money laundering in the Bitcoin blockchain in the presence of label scarcity. arXiv preprint arXiv:2005.14635

Interleaved Sequence RNNs for Fraud Detection. arXiv preprint arXiv:2002.05988 and video

ARMS: Automated rules management system for fraud detection. arXiv preprint arXiv:2002.06075

Automatic Model Monitoring for Data Streams. arXiv preprint arXiv:1908.04240

Automatic detection of points of compromise. U.S. Patent Application No. 16/355,562

Computer memory management during real-time fraudulent transaction analysis. U.S. Patent Application No. 16/102,570

Oportunidades profesionales

Ayúdenos a construirel futuro de la lucha contrael fraude con IA

Ver puestos disponibles