康纳·伯克（Conor Burke）的职业生涯大部分时间都在爱尔兰一家大型银行的后台部门度过。他的团队负责将开户流程数字化——尤其是那些耗费银行数百万美元且无法有效识别欺诈的、以文档密集为特征的手动审核工作流。据他介绍，最大的挑战在于如何在不削弱风险控制和反欺诈能力的前提下，消除人为因素。
受此启发，伯克与他的双胞胎兄弟罗南·伯克推出了由人工智能驱动的文件欺诈检测服务 Inscribe。罗南表示，Inscribe 专为金融科技和金融行业中的反欺诈、风险管理和运营团队打造，它利用在数亿个数据点上训练的人工智能来返回结果。
“繁琐的文档审查会给账户开立和承保流程带来摩擦，但仅靠自动化并非解决方案，”罗南（Ronan）在回复《TechCrunch》的电子邮件采访中表示。“我们认为，缺乏欺诈检测的自动化是鲁莽的，这就是为什么 Inscribe 提供了一揽子解决方案，帮助企业检测欺诈、自动化流程并评估信用状况，从而更快地批准更多客户。”
Inscribe 解析、分类并对金融开户文档进行数据匹配，利用其基于人工智能的欺诈检测技术，突出显示所提供文档与通过该技术恢复的文档之间的任何差异。包括姓名、地址和银行对账单交易在内的文档细节会被自动数字化，生成包含银行对账单快照和交易信息的个人客户风险档案。
去年九月，Inscribe 推出了信贷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的现金流详情、交易解析和工资单解析。罗南声称，Inscribe 能在几秒钟内提取并返回关键细节，包括姓名、地址、日期、交易和薪资信息。
在其提供的功能方面，Inscribe 与市面上许多其他反欺诈工具类似，例如 Resistant AI（于 2021 年 10 月筹集了 1660 万美元）和 Smile Identity（于同年 7 月筹集了 700 万美元）。然而，罗南认为，Inscribe 的独特之处在于其以人工智能为先的方法，这依赖于通过此前与客户合作所收集的原始数据。
“我们曾看到同行中的欺诈检测和文档自动化公司试图一开始就构建完美的解决方案，却不与客户沟通——但它们随后都倒闭了。它们未能克服冷启动问题；由于无法获取客户正在使用的数据，它们无法从头开始构建产品，”罗南说。“这回到了机器学习的第一条规则：从数据开始，而不是从机器学习开始。如果你没有一个好的数据集，你就是在浪费时间。最终你会选择错误的模型，或者在一个无法按预期表现的模型上训练数据。”
AI 绝非完美无缺——历史已经充分证明了这一点。例如，在疫情期间，专注于异常行为的欺诈检测系统被新的购物和消费习惯所迷惑。此外，旨在检测福利欺诈的自动化算法已被证明容易出错，并且其设计方式本质上是在惩罚穷人因贫穷而遭受的不公。
但撇开罗南主张的真实性不谈，显然 Inscribe 的平台有一些特质正吸引着知名客户。TripActions、Ramp、Bluevine 和 Shift 都是该公司的客户。
投资者也相继被说服。就在本周，Inscribe 完成了由 Threshold Ventures 领投、Crosslink Capital、Foundry、Uncork Capital、Box 联合创始人 Dillon Smith 以及 Intercom 联合创始人 Des Traynor 参投的 2500 万美元 B 轮融资。加上 2021 年 4 月完成的 1050 万美元 A 轮融资，该公司截至目前累计融资总额已达 3800 万美元。
或许是因为 Inscribe 的解决方案部署起来相对简便。正如 Ronan 所指出的那样，Inscribe 解决了企业必须自建内部欺诈检测方案或雇佣大型数据科学团队的问题。
Ronan 表示：“AI 和机器学习模型需要尽可能多的数据，但每家公司只能使用自己的数据集。因此，自建的方案在效果上远不如能够从多个数据源获取数据的方案。”“这就是公司选择与文档欺诈检测解决方案合作的原因：犯罪分子实施欺诈的方式多种多样，而这些解决方案能够从整个客户群中收集数据，从而更快地识别协同攻击和新出现的趋势。”
制造恐慌可能也在推波助澜。最近的一项调查显示，美国金融科技公司每年因欺诈损失平均达 5100 万美元，这是罗南在采访中引用的数据。
Ronan 说：“世界日益数字化、地理分布更加分散且节奏更快，这使得企业比以往任何时候都更难确认交易对象的身份，导致企业难以判断哪些潜在客户是值得信赖的。”“金融科技公司已经能够针对在线世界进行产品构建，但传统金融机构则面临着摆脱遗留系统并拥抱真正数字化转型的挑战。而且，它们必须在减少欺诈和摩擦的同时，提供具有竞争力的客户体验。”
当被问及扩张计划时，Ronan 表示，Inscribe 很可能在未来 12 到 18 个月内将其 50 人的员工规模扩大一倍。