Joel Winteregg, CEO ng Vyntra – Serye ng Panayam

Joel Winteregg, CEO of Vyntra, ay isang financial technology executive at software engineer na may halos dalawampung taon ng karanasan sa pagbuo ng teknolohiya para sa pag-iwas sa pandaraya, pagtuklas ng financial crime, at seguridad ng transaksyon. Bago niya pinamunuan ang Vyntra noong Hunyo 2025, nagsilbi siya bilang Group CEO ng Intix at gumugol ng mahigit 18 taon bilang CEO at co‑founder ng NetGuardians, kung saan tumulong siya sa pagbuo ng mga solusyon sa artificial intelligence at machine learning para sa mga institusyong pinansyal. Sa mas maagang bahagi ng kanyang karera, nagtrabaho si Winteregg bilang network at software engineer sa Institute for Information and Communication Technologies, na nakatuon sa mga open‑source na platform ng pamamahala ng seguridad at real‑time na pagkakaugnay ng mga pangyayari. Ngayon, pinamumunuan niya ang Vyntra matapos ang pagsasanib ng Intix at NetGuardians.

Vyntra ay isang kompanya sa financial technology na nagbibigay ng AI‑powered na intelihensiya sa transaksyon sa mga bangko, payment service provider, fintech na kompanya, at iba pang institusyong pinansyal. Itinatag sa pamamagitan ng pagsasanib ng NetGuardians at Intix noong 2025, pinagsasama ng kompanya ang real‑time na obserbasyon ng transaksyon sa pag-iwas sa financial crime, na nagbibigay-daan sa mga institusyon na subaybayan ang daloy ng bayad, tuklasin ang mga operational anomaly, madetect ang pandaraya, subaybayan ang mga panganib sa anti‑money laundering, at imbestigahan ang mga insider threat. Ang platform nito ay nag-iisang sentro ng data ng transaksyon sa iba’t ibang sistema at format habang nag-aaplay ng behavioral analytics at collective intelligence upang matulungan ang mga organisasyon na tumugon sa mga panganib nang hindi labis na pinipigil ang lehitimong mga bayad. Iniulat ng Vyntra na nagsisilbi ito sa mahigit 130 na institusyong pinansyal sa higit 60 bansa.

Gumugol ka ng halos dalawampung taon sa pagbuo ng NetGuardians bilang kilalang manlalaro sa AI‑driven na pag-iwas sa pandaraya, at kamakailan ay pinamunuan mo ang Intix bago naging CEO ng Vyntra. Paano nagbago ang iyong pananaw sa financial crime sa paglipas ng mga tungkuling ito, at anong estratehikong puwang ang layuning punan ng Vyntra ngayon?

Ang financial crime ay hindi na isang hiwalay na operational na isyu. Naging isang sistemikong panganib na ito para sa mga institusyong pinansyal. Sa NetGuardians, Intix at ngayon Vyntra,, malinaw ang pagbabago. Ang pandaraya ay lumipat mula sa pagiging problema ng IT patungo sa antas ng board. Dati ito ay nasa ibaba ng antas ng executive, pag-aari ng mga koponan ng IT at cybersecurity. Ang mga pinansyal, reputasyonal, at regulasyon na kahihinatnan ay ngayon sapat na upang ito ay maging matatag sa agenda ng mga board at C‑suite executives, at ang tugon na kinakailangan nito ay nagbago alinsunod dito. Tumigil na rin ang pandaraya sa pagiging tanong ng pag-detect ng kahina-hinalang transaksyon sa loob ng isang institusyon. Ngayon ito ay gumagana sa iba’t ibang sistema, institusyon, at channel, at patuloy na umuunlad, na naglalantad ng puwang sa pagitan ng kung paano kumikilos ang pandaraya at kung paano ito karaniwang tinutugunan.

Ang Vyntra ay nakatuon sa pagsara ng puwang na iyon, batay sa karanasan sa pagtatrabaho sa mahigit 130 na institusyon sa higit 60 bansa, kung saan ang pag-iwas sa pandaraya at obserbasyon ng transaksyon ay nasa iisang platform. Ibig sabihin nito ay pag-alis sa mga static na kontrol at hiwalay na data, patungo sa real‑time na intelihensiya, pag-unawa sa pag-uugali, at mas konektadong pananaw sa panganib. Ang layunin ay makialam bago pa man mangyari ang pandaraya habang binibigyan ang mga institusyon ng mas mahusay na visibility sa buong lifecycle ng transaksyon.

Ang mga pagkalugi sa global banking fraud ay umabot na ngayon sa daan‑daang bilyong dolyar bawat taon, na may lalong sopistikadong mga kampanya ng scam. Mula sa iyong pananaw, anong mga estruktural na pagbabago ang nagbago sa pandaraya upang magmukhang isang industriyalisadong sistema sa halip na hiwalay na kriminal na gawain? 

Ang pangunahing pagbabago ay ang sukat. Ang pandaraya ay naging organisado, paulit‑ulit at lalong industriyalisado, at hindi na ito isang serye ng hiwalay na insidente. Sa loob ng maraming taon, ang pandaraya ay pangunahing nauunawaan batay sa dami. Mas maraming pag‑atake ang nangangailangan ng mas maraming kontrol, at tumugon ang mga institusyon sa pamamagitan ng pagpapahusay ng mga patakaran sa detection at pagpapalakas ng authentication. Ang pamamaraang iyon ay ngayon umabot na sa hangganan nito.

Ang nakikita natin ngayon ay ibang bagay. Ang mga fraudster ay gumagana sa malaking sukat na may koordinasyon at kahusayan ng lehitimong negosyo. Sila ay sumusubok, pinapahusay, at ina‑optimize ang kanilang mga pamamaraan. Sila ay agile, hindi limitado ng compliance o legal na obligasyon, at patuloy na nag‑eeksperimento sa mga bagong kasangkapan at taktika. Ang mga matagumpay na pamamaraan ay muling ginagamit at ibinabahagi, at ang mga kampanya ay dinisenyo na may pagganap sa isip. Pinapabilis ito ng AI, ngunit hindi ito ang ugat na sanhi. Pinapabilis lamang nito ang isang sistemang organisado na. Nagbibigay ito ng mas mabilis na target, mas kapani‑paniwalang komunikasyon, at mas malaking personalisasyon. Ang kombinasyong iyon ay nagpapasikat ng pandaraya at nagiging mas mahirap matuklasan. Tumigil na ito sa pagiging opportunistic at nagsimulang magmukhang isang industriya.

Ang lumalaking bahagi ng pandaraya ngayon ay kinabibilangan ng mga “authorised” na transaksyon, kung saan ang mga biktima ay manipulahin upang magpadala ng pondo mismo. Bakit nahihirapan ang tradisyonal na mga framework ng pag‑iwas sa pandaraya sa kategoryang ito, at ano ang kailangang baguhin sa pinakapundamental?

Ang tradisyonal na mga framework ay nakabatay sa hindi awtorisadong aktibidad. Dinisenyo ang mga ito upang madetect ang mga paglabag, compromised na kredensyal, o kahina‑halang pattern ng pag‑access. Sa authorised fraud, ang sistema ay gumagana ayon sa inaasahan. Ang customer ay nag‑authenticate, ang transaksyon ay nakumpirma, at walang halatang teknikal na anomalya. Mula sa perspektibo ng sistema, lahat ay mukhang lehitimo.

Ang sukat ng problemang ito ay mahalaga. Ayon sa pinakabagong Annual Fraud Report ng UK Finance, tumaas ng 19% ang APP fraud losses noong 2025 sa £576.4 milyon, sa 248,070 na kaso. Ang isyu ay ang pandaraya ay nangyari na bago pa man ang bayad. Ito ay nangyayari sa interaksyon, sa pamamagitan ng manipulasyon at social engineering. Ang kailangang baguhin ay ang pokus. Sa halip na titingnan lamang kung ang transaksyon ay authorised, kailangang maunawaan ng mga institusyon ang konteksto at layunin. Nangangailangan ito ng behavioral insight at real‑time na pagsusuri, hindi lamang mga transaction‑level na tsek.

Ang mga instant payment system ay bumibilis sa buong mundo, ngunit pinipigilan din nila ang oras para madetect ang pandaraya hanggang ilang segundo lamang. Paano dapat muling pag‑isipan ng mga institusyong pinansyal ang risk management sa isang mundo kung saan ang mga transaksyon ay halos agad na hindi na mababago? 

Ang bilis ay naging isa sa mga pangunahing salik sa parehong pandaraya at pag‑iwas. Maraming scam ngayon ay nagaganap sa loob ng isang araw, at kapag nailipat na ang pondo, madalas itong inaalis o binabawi sa loob ng ilang minuto. Kasabay nito, dinisenyo ang payment infrastructure upang maghatid ng agarang serbisyo, at pinapabilis ng regulasyon ang pagbabago. Ang Instant Payments Regulation ng EU ay nag‑aatas sa lahat ng eurozone payment service provider na magpadala ng instant credit transfers at mag‑alok ng Verification of Payee services mula Oktubre 2025.

Nagdudulot ito ng tensyon sa pagitan ng bilis at kaligtasan. Sa kapaligirang iyon, ang pagkaantala ng interbensyon ay hindi na praktikal. Dapat mag‑operate ang risk management sa real time. Sa halip na pabagalin ang mga bayad, ang risk detection, decision‑making, at tugon ay kailangang sapat na bilis upang mangyari sa loob mismo ng daloy ng bayad. Binabago nito nang pundamental kung paano dapat mag‑isip ang mga institusyon tungkol sa pandaraya. Kailangan ng mga institusyon na lumipat mula sa post‑event analysis patungo sa in‑flow prevention, pinahihinto ang mga fraudulent na transaksyon bago ang settlement, hindi na sinusuri ito pagkatapos.

Ang AI ay ngayon ginagamit sa parehong panig ng ekwasyon, ng mga fraudster upang palakihin ang mga pag‑atake at ng mga institusyong pinansyal upang madetect ang mga ito. Ano ang magiging anyo ng susunod na yugto ng arms race na ito, at saan mo nakikita ang pagbalanse ng kapangyarihan? 

Ang arms race ay pinapabilis ng AI, ngunit ang kinalabasan ay hindi lamang nakabatay sa teknolohiya. Depende rin ito sa kung gaano kaepektibo ang pagbabahagi at pag‑aaplay ng intelihensiya. Ang mga fraudster ay gumagana na bilang lubos na koordinadong mga network, at ang mga institusyong pinansyal ay kailangang tumugon sa parehong paraan. Nagbabahagi sila ng imprastruktura, data, at taktika, at kapag isang pamamaraan ay na‑block, agad itong inaangkop at inilalagay sa ibang lugar. Pinapalakas ito ng AI sa pamamagitan ng mas mabilis na iterasyon at mas kapani‑paniwalang, scalable na mga kampanya.

Sa panig ng depensa, may malinaw na pagbabago mula sa pagtrato sa pandaraya bilang problema ng isang institusyon patungo sa pagkilala nito bilang hamon sa antas ng network. Ang mga inisyatiba tulad ng FPAD ng EBA CLEARING at mga pag‑unlad mula sa SWIFT ay nagpapakita ng paglipat patungo sa shared, real‑time na fraud intelligence, lalo na sa konteksto ng instant payments. Mahalaga ito dahil marami sa pinakamahalagang signal ay nasa labas ng isang institusyon, tulad ng mule accounts, behavioural anomalies, o mga umuusbong na pattern. Kapag ang intelihensyang iyon ay ibinahagi at kinonsumo sa real time, humahaba ang detection. Kapag hindi, ang pandaraya ay basta lilipat sa ibang lugar. Ang balanse ay papabor sa mga makakagsama ng real‑time analysis at collective intelligence. Ang mga gumagana nang mag‑isa ay mahihirapang makasabay.

Binibigyang‑diin ng Vyntra ang behavioural analytics at real‑time transaction intelligence. Paano ito naiiba sa rule‑based na mga sistema, at bakit nagiging kritikal na signal ang pag‑uugali sa detection ng pandaraya? 

Ang rule‑based na mga sistema ay likas na static. Umaasa ito sa mga pre‑defined na kondisyon at kilalang pattern. Gumagana ito hanggang sa isang punto, ngunit nagiging hindi gaanong epektibo habang umuunlad ang pandaraya. Ang behavioural analysis ay iba. Tinitingnan nito kung paano lumilihis ang mga aksyon mula sa inaasahang pattern sa real time. Kasama rito kung paano nakikipag‑ugnayan ang user, kung paano ginagawa ang mga desisyon, at kung paano nagkakasya ang mga transaksyon sa mas malawak na konteksto. Ang nagpapalakas sa modernong behavioural detection ay ang kombinasyon ng mga pamamaraan na nagtutulungan. Ang unsupervised learning ay natutukoy ang mga anomaly nang hindi kailangang malaman kung ano ang anyo ng pandaraya nang maaga, ang supervised learning ay kumukuha mula sa kilalang pattern ng pandaraya upang paghusayin ang detection sa paglipas ng panahon, at ang active learning ay patuloy na nagdadala ng mga real‑world na resulta pabalik sa modelo, kaya ang sistema ay bumubuti sa bawat desisyon na ginagawa nito.

Mahalaga ito dahil ang modernong pandaraya ay dinisenyo upang magmukhang lehitimo sa antas ng transaksyon. Sa maraming modernong senaryo ng pandaraya, ang pag‑uugali ang pinakamalinaw na indikasyon na may mali, kahit na ang transaksyon mismo ay mukhang lehitimo. Sa pamamagitan ng pagtutok sa pag‑uugali at konteksto, maaaring matukoy ng mga institusyon ang panganib nang mas maaga, madalas bago pa man makumpleto ang transaksyon.

Patuloy na lumalawak ang talakayan tungkol sa “community intelligence” o pagbabahagi ng data ng pandaraya sa pagitan ng mga institusyon. Sa praktika, gaano katotoo ang malawakang kolaborasyon sa pagitan ng mga institusyong pinansyal sa harap ng mga regulasyong limitasyon, at aling mga modelo ang talagang epektibo? 

Ang kolaborasyon ay lumilipat mula sa opsyonal patungo sa mahalaga, ngunit kailangan itong magkaroon ng praktikal na anyo. Hindi ito bagong konsepto para sa Vyntra. Ang shared intelligence ay bahagi ng aming pamamaraan sa loob ng maraming taon, dahil ang pandaraya ay hindi kailanman gumagana nang maayos sa loob ng mga hangganan ng institusyon. Ilang modelo ang lumilitaw sa praktika. Ang mga consortium o shared‑utility na pamamaraan ay nag‑ipon ng data sa pamamagitan ng isang sentral na katawan. Ang mga federated at privacy‑preserving na disenyo ay nagpapahintulot sa mga institusyon na mag‑train sa mga shared pattern nang hindi inilalantad ang raw na data ng customer. Ang mga network‑level intelligence initiative, tulad ng FPAD ng EBA CLEARING, ay nagtutulak ng fraud signals sa mga kalahok sa real time habang lumalaki ang instant payments. Bawat isa ay gumagana sa loob ng umiiral na regulasyon sa halip na lumihis dito, na siyang dahilan kung bakit ito ay praktikal sa malakihang sukat. Sa aming karanasan, ang mga institusyon na nagbabahagi ng intelihensiya sa loob ng isang mapagkakatiwalaan, GDPR‑compliant na network ay nakikita ang pagtaas ng detection rates ng humigit‑kumulang 20%, bagaman ang eksaktong bilang ay nag‑iiba depende sa disenyo ng network at antas ng partisipasyon. Habang pinapabilis ng regulasyon ng instant payment ang dami ng cross‑border na transaksyon, ang mga institusyon at network na nag‑invest ngayon sa shared intelligence infrastructure ay mas magiging handa upang pamahalaan ang pandaraya na tiyak na susunod sa paglago na iyon.

Maraming institusyong pinansyal ang patuloy na nahihirapan sa mataas na false‑positive rates, na nagdudulot ng alitan para sa mga customer at operational inefficiencies. Paano nababawasan ng mga modernong AI‑driven na sistema ang false positives nang hindi pinapataas ang exposure sa panganib? 

Ang false positives ay madalas na bunga ng limitadong konteksto. Kapag ang mga desisyon ay batay sa makitid na signal, ang mga sistema ay nag‑overcompensate. Binabawasan ito ng mga modernong pamamaraan sa pamamagitan ng pagsasama ng mas maraming data at mas mahusay na konteksto. Ang behavioural insight, kasaysayan ng transaksyon, at real‑time na signal ay nagbibigay-daan sa mas tumpak na pagsusuri ng panganib. Ang layunin ay hindi lamang mag‑block ng mas maraming transaksyon, kundi gumawa ng mas magagandang desisyon. Sa buong industriya, ang mga pangunahing institusyong pinansyal na nag‑deploy ng behavioural AI systems ay nag‑ulat ng pagbaba ng false positives mula 60% hanggang 90% kumpara sa legacy rule‑based controls. Ang false positives ay sumisira sa tiwala kapag ang lehitimong mga customer ay paulit‑ulit na napuputol. Kapag ang mga sistema ay makaka‑distinguish sa pagitan ng tunay na anomaly at lehitimong pag‑uugali, maaari nilang bawasan ang hindi kailangang alitan habang pinapanatili ang matibay na proteksyon.

Ang internal fraud at insider threats ay patuloy na hindi gaanong napag‑uusapan kumpara sa mga panlabas na pag‑atake. Gaano kahalaga ang panganib na ito ngayon, at paano dapat muling pag‑isipan ng mga institusyon ang pagmamanman ng internal na pag‑uugali at mga pattern ng access? 

Ang internal risk ay madalas na minamaliit, ngunit ito ay bahagi ng parehong mas malawak na hamon. Ayon sa ACFE, ang banking at financial services ay nagrekord ng mas maraming kaso ng occupational fraud kaysa sa anumang ibang industriya sa pag-aaral, na may median loss na $120,000 bawat kaso at median detection time na 12 buwan. Habang mas matagal na bukas ang window na iyon, mas malaki ang pagkalugi. Tulad ng external fraud na lalong umaasa sa pag‑uugali at mga pattern ng access, ganoon din ito sa loob. Kailangan ng pagmamanman na lumampas sa static na permiso at periodic na tsek.

Ang pag‑unawa kung paano ginagamit ang mga sistema, kung paano umuunlad ang mga pattern ng access, at kung saan nagaganap ang mga anomaly ay kritikal. Ang epektibong internal oversight ay hindi surveillance ng mga empleyado. Ito ay proporsyonal na pagsusuri ng aktibidad sa loob ng sensitibong financial systems, na nakatuon sa access at pag‑uugali na may tunay na panganib. Mahalaga ang pagkakaibang iyon, dahil ang blanket monitoring nang walang konteksto ay nagbubunga ng ingay sa halip na insight, at may sariling operational at cultural na kahihinatnan. Ang prinsipyo ay pare‑pareho: ang pag‑uugali ang nagbibigay ng pinaka‑makabuluhang signal kapag ang ibang indikasyon ay mukhang normal.

Sa pagtingin sa susunod na limang taon, naniniwala ka ba na ang fraud prevention ay magiging ganap na autonomous at predictive, o mananatili pa rin ang human judgement bilang kritikal na layer sa sistema? Saan sa huli magtatapos ang balanse? 

Ang fraud prevention ay magiging mas automated at mas predictive, lalo na habang nagiging mahalaga ang real‑time decisioning. Ang mga sistema ay lalong hahawakan ang malaking bahagi ng detection at intervention, lalo na kung saan kritikal ang bilis.

Gayunpaman, hindi ito magiging ganap na autonomous. Mananatiling kinakailangan ang judgement bilang layer, sa loob ng mga institusyon at sa panig ng customer. Mula sa pananaw ng institusyon, palaging may mga kaso kung saan ang konteksto, kalabuan, at pag‑escalate ay nangangailangan ng tao na pumasok. Maraming senaryo ng pandaraya, lalo na ang authorised scams, ay patuloy na may kasamang manipulasyon ng tao at social engineering, na hindi kayang basahin ng automation lamang. Pinatitibay ito ng direksyon ng regulasyon. Maging sa pamamagitan ng PSR reimbursement regime ng UK o mga proposal ng PSD3 ng EU, ang mga institusyon ay itinatakda sa mas mataas na pamantayan para sa pag‑iwas sa pandaraya at proteksyon ng mga customer. Pinapataas nito ang pangangailangan para sa oversight, hindi lamang automation. Sa loob ng limang taon, ang maghihiwalay sa mga institusyong tama ang ginagawa mula sa mga nahuhuli ay ang eksaktong kaalaman kung paano magtutulungan ang automation at judgement.

Salamat sa mahusay na panayam, ang mga mambabasa na nais pang matuto ay dapat bumisita sa Vyntra.