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 “Promoting Fairness through Hyperparameter Optimization” presented at ICLR 2021 Workshop on Responsible AI (RAI)
Paper “Weakly Supervised Multi-task Learning for Concept-based Explainability” presented at ICLR 2021 Workshop on Weakly Supervised Learning (WeaSul)
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).
Pedro Saleiro interview about what to expect in this decade for AI (Portuguese).
Feedzai co-organizes Lisbon NeurIPS meetup.
Últimas Publicaciones
“Weakly Supervised Multi-task Learning for Concept-based Explainability” https://arxiv.org/abs/2104.12459
“Promoting Fairness through Hyperparameter Optimization” https://arxiv.org/abs/2103.12715
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