Feedzai Research

Inovações de ponta para prevenir riscos financeiros

A Feedzai entende que você não pode lutar contra as fraudes e crimes financeiros de amanhã com as soluções de hoje. Nossa equipe dedicada de cientistas, engenheiros e especialistas técnicos expandem os limites da tecnologia conhecida para desenvolver soluções avançadas de Inteligência Artificial e engenharia que salvaguardam transações financeiras sem atrito e protegem organizações e indivíduos de crimes financeiros.

Descubra nossas especialidades de pesquisa

A Feedzai Research abrange Machine Learning, pesquisa de sistemas, FATE (Fairness, Accountability, Transparency, and Ethics in AI) ou em Português é o princípio de trabalho usando justiça, responsabilidade, transparência e ética em Inteligência Artificial. Cada grupo é rigoroso em sua busca pela melhoria contínua. Eles realizam experimentos cuidadosos e baseados em dados para descobrir e validar novas metodologias e algoritmos.

Machine Learning

Desenvolvemos técnicas avançadas de Machine Learning para melhorar a detecção e prevenção de fraudes e crimes financeiros.

A Feedzai Research interrompe o fluxo de trabalho do Machine Learning para desenvolver soluções inovadoras que automatizam e auxiliam os processos de amostragem, engenharia de recursos, etiquetagem e anotação, treinamento e avaliação offline e online, entre outros.

Foco de pesquisa: redes neurais recorrentes, aprendizagem ativa, aprendizagem por transferência, aprendizagem de representação de grafos, Redes Neurais de Grafos, inferência Bayesiana e otimização.


Pesquisa de Sistemas

A Pesquisa de Sistemas reduz os custos de hardware e software e o tempo de colocação no mercado, melhorando o tempo de treinamento da plataforma e as necessidades de tempo de produção, concentrando-se nas características do sistema, como uso de memória, uso de armazenamento, rendimento, latência, escalabilidade, confiabilidade e muito mais.

Foco de pesquisa: sistemas de processamento de fluxo distribuído otimizam baixa latência, alto rendimento, recuperabilidade, checkpointing, escalabilidade, consumo de memória, gerenciamento de estado, benchmarking e muito mais.


Justiça + Responsabilidade + Transparência + Ética (FATE)

A equipe FATE está na vanguarda da Inteligência Artificial ​​responsável. Em colaboração com as melhores universidades e outros líderes de Inteligência Artificial, o FATE tem a missão de aumentar a conscientização sobre a importância e o impacto da Inteligência Artificial ​​ética na sociedade. Eles desenvolvem novas abordagens para detectar, isolar e mitigar viés em conjuntos de dados, modelos de Machine Learning e sistemas de Inteligência Artificial por meio de pesquisa empírica.

Foco de pesquisa: Melhorar a explicabilidade e interpretabilidade do Machine Learning; Permitir rastreabilidade e governança do fluxo de trabalho do Machine Learning, explicar o impacto de um modelo na justiça e transparência, além de aprimorar as práticas éticas e de conformidade.


Visualização de dados

O grupo de visualização de dados concentra-se na criação de interfaces e ferramentas de visualização intuitivas e centradas no usuário para ajudar os usuários a ver, compreender e raciocinar sobre seus dados. Eles visam ajudar os analistas de fraude a resolver os desafios que enfrentam ao investigar crimes financeiros e criam ferramentas para ajudar os cientistas de dados a analisar conjuntos de dados e construir modelos.

Foco de pesquisa: visualização de viés e imparcialidade, avaliação de modelo, visualização temporal e geoespacial.

News

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).

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.

Latest Publications

“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

Carreiras

Ajude-nos a construir o futuro do combate às fraudes com a IA

Ver cargos disponíveis