Inscribe获得2500万美元用于利用人工智能打击金融欺

　　ConorBurke职业生涯的大部分时间都在爱尔兰一家大银行的后台工作。他的团队的任务是将开户流程数字化尤其是文档繁重的人工审查工作流程这些流程每年都会给银行造成数百万美元的损失，而且没有发现欺诈行为据他介绍，最大的挑战是弄清楚如何在不影响风险和欺诈控制的情况下消除人为因素。
　　受此启发，Burke和他的双胞胎兄弟RonanBurke推出了Inscribe，这是一种基于人工智能的文件欺诈检测服务。Inscribe专为金融科技和金融行业的欺诈、风险和运营团队打造，利用经过数亿数据训练的人工智能指向返回结果，Ronan说。
　　罗南在接受电子邮件采访时告诉TechCrunch，繁琐的文件审查增加了开户和承保流程的摩擦，但仅靠自动化并不是解决问题的方法。帮助公司检测欺诈、自动化流程并了解信誉，以便他们可以更快地批准更多客户。
　　Inscribe解析、分类和数据匹配财务入职文件，突出显示所提供的文件与使用其AI驱动的欺诈检测恢复的文件之间的任何差异。包括姓名、地址和银行对账单交易在内的文件详细信息会自动数字化，以生成个人客户风险概况包括银行报表和交易的快照。
　　去年9月，Inscribe推出了信用分析和银行对账单自动化组件，该组件提供了做出贷款决策所需的大部分数据点，包括来自银行对账单、交易解析和工资单解析的现金流详细信息。Ronan声称Inscribe可以提取然后在几秒钟内返回关键详细信息，包括姓名、地址、日期、交易和薪水。
　　Inscribe提供的功能类似于许多其他反欺诈工具，例如ResistantAI（在2021年10月筹集了1660万美元）和SmileIdentity（在同年7月筹集了700万美元）。Ronan认为，它的区别在于其AI优先的方法，然而，这取决于通过之前与客户的合作伙伴关系收集的原始数据。
　　我们看到我们领域的欺诈检测和文档自动化公司试图在不与客户交谈的情况下立即构建一个完美的解决方案但他们已经关闭了。他们无法从头开始构建产品因为他们无法访问客户正在使用的数据，罗南说。这又回到了机器学习的第一条规则：从数据开始，而不是机器学习。如果你没有一个好的数据集，你这是在浪费你的时间。你最终要么选择了错误的模型，要么根据无法按预期方式执行的数据训练模型。
　　人工智能绝非完美无缺历史已经证明这一点是真实的。例如，在大流行期间，针对异常行为的欺诈检测系统被新的购物和消费习惯所混淆。在其他地方，自动化算法旨在检测福利欺诈已被证明容易出错，其设计方式基本上是惩罚穷人。
　　但抛开Ronan说法的真实性不谈，Inscribe的平台显然吸引了一些知名客户。TripActions、Ramp、Bluevine和Shift都是这家初创公司的客户。
　　反过来，也赢得了投资者的支持。就在本周，Inscribe完成了由ThresholdVentures领投的2500万美元B轮融资，参与方包括CrosslinkCapital、Foundry、UncorkCapital、Box联合创始人DillonSmith和Intercom联合创始人DesTraynor此次注资使这家初创公司迄今筹集的资金总额达到3800万美元，其中包括2021年4月结束的1050万美元的A轮融资。
　　也许这是Inscribe解决方案部署相对容易的原因。正如Ronan正确指出的那样，Inscribe解决了必须构建内部欺诈检测解决方案或雇用大型数据科学团队的问题。
　　人工智能和机器学习模型从尽可能多的数据中获益，但每个公司都仅限于自己的数据集。因此，本土解决方案根本无法像从众多数据源中提取的解决方案那样有效，Ronan说。这就是公司与文件欺诈检测解决方案合作的原因：犯罪分子以不同的方式进行欺诈，而这些解决方案正在从他们的客户群中提取数据，以更快地识别协同攻击和新兴趋势。
　　农场贩卖也可能有所帮助。最近的一项调查表明，美国金融科技公司平均每年因欺诈损失5100万美元，罗南在我们的采访中向我引用了一项统计数据。
　　罗南说：一个日益数字化、地域分散且速度更快的世界比以往任何时候都更难知道你在与谁做生意让公司不确定哪些潜在客户值得信赖。金融科技公司已经能够建立在线世界，但传统金融机构面临着摆脱遗留系统并拥抱真正的数字化转型的挑战。他们必须在减少欺诈和摩擦的同时做到这一切，以便拥有有竞争力的客户体验。
　　当被问及扩张计划时，Ronan表示Inscribe可能会在未来12到18个月内将其50名员工的规模扩大一倍。