TL;DR
- در بانکداری، حل مشکل مشتری به ندرت ساده است.
- مواردی مانند کلاهبرداری یا پرداختهای مسدود شده مستلزم رعایت دقیق رویههای پیچیده در تیمهای متعدد.
- وقتی سیستمها کوتاه میآیند،.
چه اتفاقی افتاد
در بانکداری، حل مشکل مشتری به ندرت ساده است. مواردی مانند کلاهبرداری یا پرداختهای مسدود شده مستلزم رعایت دقیق رویههای پیچیده در تیمهای متعدد.
است. وقتی سیستمها کوتاه میآیند،.
مشتریان بین تیمها جابهجا میشوند،. در صفها منتظر میمانند،.
و در لحظاتی که ریسکها بالاتر است،. با تاخیر مواجه میشوند.
Gradient Labs(در یک پنجره جدید باز میشود) برای رسیدگی به این پیچیدگی ساخته شده است. این شرکت مستقر در لندن در حال ساخت عوامل هوش مصنوعی است که به هر مشتری بانکی تجربه.
یک مدیر حساب اختصاصی را میدهد. پلتفرم این شرکت که توسط تیمیکه قبلاً تلاشهای هوش مصنوعی و داده در Monzo را رهبری میکردند،.
بر روی مدلهای OpenAI ساخته شده است و اکنون ترافیک تولید را به GPT‑5. 4 mini و nano تغییر میدهد.
«ما شاهد تأخیر 500 میلیثانیهای با GPT-5. 4 mini و nano هستیم،.
که دقیقاً همان چیزی است که ما برای مکالمههای صدای طبیعی و نانو به آن نیاز داریم. دانشمند ارشد در آزمایشگاه گرادینت.
"ما در حال حرکت هستیم بخش قابل توجهی از بار کاری ما به پایان رسیده است. " "ما به سه چیز بهطور همزمان نیاز داشتیم:.
دقت در اجرای دستورالعمل،. نرخ توهم پایین،.
و قابلیت اطمینان فراخوانی عملکرد،. همه تحت محدودیتهای تاخیر صدا.
OpenAI تنها ارائهدهندهای بود که هر سه مورد را تصویب کرد.» دانای آنتونیو،. همبنیانگذار و دانشمند ارشد Gradient Labs در بانکداری،.
تعاملات با مشتریان توسط رویههای عملیاتی استاندارد (SOP) کنترل میشود که مشخص میکند در هر مرحله چه اتفاقی. باید بیفتد.
یک تعامل معمولی با مشتری ممکن است به این صورت باشد:. مشتری تماس میگیرد تا یک کارت دزدیده شده را گزارش کند.
سیستم در زمان واقعی هویت آنها را تصحیح میکند. کارت را منجمد میکند و جایگزینی را آغاز میکند.
به سؤالات بعدی مانند زمان تحویل پاسخ میدهد و مراحل بعدی را پیشنهاد میکند. هر مرحله از یک رویه تعریفشده پیروی میکند،.
با تصمیمگیریها در زمان واقعی بر اساس ورودی کاربر،. زمینه،.
اجرا آنتونیو میگوید:. «این مدل باید وضعیت رویه را در وقفهها،.
کانالهای پشتی و سوئیچهای موضوع حفظ کند و در عین حال سرعت تولید پاسخ را حفظ کند.» «اکثر. ارائهدهندگان حتی نمیتوانستند آن را امتحان کنند.» Gradient Labs ارائهدهندگان را در چالشبرانگیزترین رویههایشان محک میزند و آنها.
را بر اساس آنچه که دقت مسیر مینامند ارزیابی میکند:. آیا سیستم از ابتدا تا انتها مسیر درستی را دنبال میکند یا خیر.
در یکی از ارزیابیهای اولیه آنها، GPT-4. 1 تنها مدلی بود که به دقت و ثبات مسیر 97 درصد رسید.
آنتونیو میگوید:. «در خدمات مالی،.
این تفاوت بین حل یک تماس و ایجاد یک رویداد انطباق است.» این نتیجه نحوه طراحی سیستم Gradient. Labs را شکل داد.
این تیم یک معماری ترکیبی ساخت که از مدلهای OpenAI برای مراحل استدلال و مدلهای کوچکتر استفاده میکند. وظایف تعیینکننده سریعتر، با مسیریابی که بر اساس محدودیتهای پیچیدگی و تأخیر تطبیق مییابد.
از لحاظ داخلی،. سیستم از مهارتهای تخصصی تشکیل شده است که توسط یک عامل استدلال مرکزی تنظیم شدهاند و به موارد.
پیچیده اجازه میدهد تا در جریانهای کاری بدون از دست دادن زمینه حرکت کنند. برای هر تعامل،.
بیش از 15 سیستم نرده محافظ به صورت موازی اجرا میشود تا اطمینان حاصل شود که مکالمات. در چارچوب رویههای تعریف شده و مرزهای انطباق،.
از جمله تشخیص مشاوره مالی،. سیگنالهای آسیب پذیری،.
شکایات،. و تلاش برای دور زدن تأیید یا دسترسی به دادههای حساس باقی میمانند.
موسسات مالی چنین سیستمهایی را بر روی ایمان به کار نمیبرند. آنها باید گام به گام ببینند که در شرایط دنیای واقعی به درستی رفتار میکند.
آنتونیو میگوید: «شما باید از ابتدا بدون توهم معمار شوید. "این باید اصل راهنما باشد که شما در حال ساختن هستید.
" برای ارزیابی هر دو مدل جدید و موجود، تیم دوباره پخش میکند. مکالمات واقعی با مشتری و مقایسه رفتار سیستم با رویه مورد انتظار.
آنها همچنین مکالمات مصنوعی را برای آزمایش موارد لبه و سناریوهای نادر قبل از استقرار هر چیزی ایجاد. میکنند.
آزمایشگاههای گرادیان همچنین به تیمها کنترل نحوه معرفی سیستم را میدهد. آنها دادههای پشتیبانی تاریخی را تجزیه و تحلیل میکنند تا انواع مشکلات مشتری را که بانک انجام میدهد.
و تعداد دفعات وقوع آنها را ترسیم کند. سپس تیمها میتوانند انتخاب کنند که هوش مصنوعی چه دستههایی را مدیریت کند،.
که با جریانهای کاری کمخطر شروع میشود و در طول زمان گسترش مییابد. مشتریان میتوانند قبل از شروع به کار،.
مکالمات را شبیهسازی کنند تا نحوه واکنش سیستم را در سناریوهای مختلف بررسی کنند و اطمینان حاصل کنند. که مطابق انتظار رفتار میکند.
استقرار معمولاً با درصد کمیاز ترافیک آغاز میشود،. با نظارت مستمر و بررسیهای خودکار که مکالماتی را که ممکن است نیاز به بررسی انسانی داشته.
باشد پرچم گذاری میکند. با گذشت زمان، پوشش بهعنوان سیستم گسترش مییابد عملکرد ثابتی را نشان میدهد.
مشتریان Gradient Labs نمرات CSAT را تا 98% گزارش میکنند،. در برخی موارد بهتر از بهترین عوامل انسانی خود عمل میکنند.
بیشتر استقرارها با نرخ حلوفصل بیش از 50 درصد در روز اول شروع میشوند،. حتی برای جریانهای کاری پیچیده مانند اختلافات،.
تأیید حساب و کلاهبرداری. این تأثیر در رشد شرکت منعکس میشود.
Gradient Labs در طول سال گذشته بیش از 10 برابر درآمد را افزایش داده است و از پشتیبانی. ورودی به فرآیندهای برونگرا و back-office گسترش یافته است.
این جهت دقیقاً با نحوه تفکر Gradient Labs در مورد مشارکت بلندمدت خود با OpenAI هماهنگ است. ما فقط مدلی را برای امروز انتخاب نمیکنیم،.
ما در حال ساختن بر روی پلتفرمیهستیم که مسیر را میبینیم از مدلهای استدلالی که در. همان جهت محصول ما هستند.» دانای آنتونیو،.
یکی از بنیانگذاران و دانشمند ارشد در Gradient Labs،. همانطور که مدلها به بهبود ادامه میدهند،.
دامنه رویههایی که میتوان بهطور ایمن خودکار شوند،. گسترش مییابد.
برای Gradient Labs،. این به معنای نزدیکتر شدن به سیستمیاست که در آن هر تعامل با مشتری با همان ثبات،.
قضاوت و هماهنگی انسانی بهعنوان یک برتری،. هماهنگی و قضاوت انسانی انجام میشود.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.