En travaillant ensemble au sein de l’équipe de gestion des risques d’Uber, Yifu Diao et Ming Fang se sont rendu compte qu’avec l’hypercroissance que l’entreprise connaissait, il y avait des problèmes de fraude. Le premier projet de Diao dans l’entreprise après ses débuts en 2014 consistait à créer un moteur de règles appelé Mastermind pour lutter contre la fraude. Ce moteur, dit-il, a permis aux analystes des risques de créer et de déployer des règles sans l’aide d’ingénieurs.
« Bien qu’il ait été conçu à l’origine pour la fraude, il a également été utilisé pour d’autres cas tels que la sécurité et le support client », a déclaré Diao. « Il prenait 10 000 décisions par seconde au moment où je suis parti. »
Lorsque Fang a rejoint l’équipe de gestion des risques d’Uber en 2016, il était nécessaire d’utiliser Mastermind au moment de l’expédition – lorsque les chauffeurs et les passagers sont appariés. Cependant, la répartition était l’un des systèmes les plus critiques d’Uber, et il avait une échelle beaucoup plus grande que les cas d’utilisation précédents tout en ayant une exigence de latence très stricte.
« Ming [Fang] a fait d’énormes optimisations pour Mastermind, ce qui a permis ce nouveau cas d’utilisation et a considérablement réduit la fraude », se souvient Diao. Mastermind est maintenant utilisé par des centaines d’analystes et d’opérateurs, et il prend des décisions en temps réel à travers des centaines de points de contact utilisateur.
Diao a passé sa dernière année chez Uber à travailler sur un produit de prêt, qui utilisait également Mastermind pour la souscription. Il a ensuite rejoint une startup de cartes de crédit et s’est rendu compte que ce produit avait également besoin d’un moteur de règles pour gérer les risques de fraude, de crédit et de conformité. Cependant, cette startup n’avait pas de ressources comme Uber pour construire un tel moteur en interne.
« De plus, l’explicabilité est importante pour les entreprises de technologie financière afin qu’elles puissent montrer aux régulateurs comment les décisions sont prises », a déclaré Diao. « Il est devenu évident pour moi qu’il y avait un besoin pour un moteur de règles en tant que service. »
Il a immédiatement pensé à Fang, qui travaillait alors chez Google à la tête de son Cloud AI Feature Store. Le duo avait discuté de quelques idées de startups ces dernières années et ils ont décidé de faire équipe pour former Sperta en juin (Sperta signifie « expert » en italien) et de créer leur propre moteur de règles en tant que service. Sa mission est d’aider les services financiers et les entreprises technologiques à automatiser les décisions et à gérer les risques de fraude, de crédit et de conformité.
La plupart des offres actuelles de moteurs de règles proposent une interface utilisateur sans code pour créer des règles en quelques clics de souris. Le duo pense que cela ne fonctionnera pas bien « lorsque la logique devient plus complexe », a déclaré Diao.
Le principal différenciateur de Sperta des autres dans l’espace (d’autres acteurs qui ont récemment levé des fonds incluent Alloy et Unit21), selon Diao, est son langage d’expression.
« Nos utilisateurs cibles sont les analystes et les data scientists, qui connaissent déjà SQL », a déclaré Diao. « Nous avons donc décidé de créer un langage d’expression avec une syntaxe similaire à SQL. Nous avons eu beaucoup de succès avec cette approche dans Mastermind. Cela a permis aux analystes de s’intégrer en seulement une semaine. »
Les règles ne fonctionneront pas bien si elles ne sont pas testées, explique Diao. Et un nombre élevé de faux positifs peut avoir un réel impact négatif sur la croissance. Les faux positifs peuvent signifier une perte de clients pour les institutions financières et les entreprises.
« Nous en sommes parfaitement conscients », a déclaré Diao. « C’est pourquoi nous activons les tests unitaires de règles pour les contrôles de validité, les backtests pour mesurer les performances des règles et le pourcentage de déploiement pour appliquer en toute sécurité les modifications des règles. »
Pour répondre aux besoins « de bout en bout » de ses clients, Sperta construit une plate-forme de décision en matière de risque avec le moteur de règles en son cœur. Sperta s’intègre également aux fournisseurs de données et permet également aux analystes de transformer les fonctionnalités obtenues auprès de ces fournisseurs.
Deux mois seulement après sa création, Sperta a levé 3 millions de dollars en financement de démarrage lors d’un cycle co-dirigé par Kindred Ventures et Uncork Capital qui comprenait la participation de certains investisseurs providentiels. C’est en ce moment qu’on en parle publiquement.
« Les clients peuvent également apporter leurs propres modèles, et Sperta fournit une interface claire pour l’intégration », a déclaré Diao. « Si les décisions ne peuvent pas être prises automatiquement, les cas peuvent être envoyés à l’outil de gestion des cas de Sperta. Alors que les modèles nous donnent des prédictions probabilistes, les règles nous donnent des décisions explicables et des actions déterministes. Nous sommes très enthousiastes à l’idée d’aider Internet à prendre de meilleures décisions plus rapidement.
Sperta, a déclaré Fang, permet aux clients d’intégrer plus facilement des modèles à son interface utilisateur.
« Nous pouvons structurer les données qu’ils souhaitent utiliser pour détecter les risques et prendre des décisions », a-t-il déclaré à TechCrunch. « Nous pouvons structurer la façon dont ils utilisent les données pour nous assurer que leur prise de décision est sûre et plus propre. »
Pour les fintechs en particulier, un moteur de règles est très important au stade de l’intégration. La fraude est une priorité pour toutes les institutions financières, fintech ou traditionnelles. Et avec plus de transactions effectuées en ligne que jamais, la possibilité de fraude est également plus élevée que jamais.
Alors naturellement, les fintechs et les institutions financières en général sont des clients cibles.
Les concurrents, a déclaré Diao, facturent en moyenne environ 1 $ par décision. Bien qu’il ne soit pas précis, Diao a déclaré que Sperta facturerait moins que cela.
L’entreprise prévoit d’utiliser son nouveau capital principalement pour l’embauche. Elle développe toujours son produit mais espère avoir un MVP d’ici la fin de l’année.
Pour Kanyi Maqubela de Kindred Ventures, Kindred Ventures pense que le travail de Diao et Fang chez Uber était « révolutionnaire » dans le domaine de la prévention de la fraude.
« Une version généralisée et puissante d’un moteur de décision est absolument nécessaire sur le marché actuel, où les éditeurs de logiciels prennent des millions de décisions de souscription chaque jour », a-t-il écrit par e-mail. « Les éditeurs de logiciels ont besoin d’une solution suffisamment sensible pour permettre à la fois la personnalisation, tout en maintenant la conformité… Une architecture réussie est suffisamment flexible pour être modulaire, mais suffisamment sécurisée pour maintenir la conformité et la facilité d’utilisation. Sperta y est déjà parvenu, quelques mois seulement après sa mise sur le marché.
Andy McLoughlin, associé directeur d’Uncork Capital, convient que les idées des fondateurs d’avoir construit un moteur de règles chez Uber leur donnent « un avantage immédiat ».
« Dans notre diligence, nous avons entendu des mécontentements répétés à l’égard des solutions existantes qui ne sont pas en mesure d’offrir certaines des fonctionnalités les plus avancées que Sperta propose dans la version 1.0 », a-t-il écrit par e-mail. « Les concurrents ont fait du bon travail pour amorcer le marché, mais nous voyons une énorme opportunité de fournir la bonne solution. »