Gradient Labs ለእያንዳንዱ የባንክ ደንበኛ AI የሂሳብ አስተዳዳሪ ይሰጣል

በባንክ ዘርፍ ውስጥ የደንበኛ ችግርን መፍታት ብዙ ጊዜ ቀላል አይሆንም። እንደ ማጭበርበር ወይም የታገዱ ክፍያዎች ያሉ ጉዳዮች በብዙ ቡድኖች መካከል ውስብስብ ሂደቶችን በጥብቅ መከተል ይጠይቃሉ። ሲስተሞች ሲያንሱ፣ ደንበኞች ከአንድ ቡድን ወደ ሌላ ይላካሉ፣ በተራ ይጠብቃሉ፣ እና አደጋው ከፍተኛ በሆነበት ጊዜ መዘግየትን ይጋፈጣሉ።

Gradient Labs⁠(በአዲስ መስኮት ውስጥ ይክፈታል) ይህን ውስብስብነት ለመቆጣጠር የተገነባ ነው። በለንደን የተመሰረተው ኩባንያ ለእያንዳንዱ የባንክ ደንበኛ የተመደበ የሂሳብ አስተዳዳሪ ተሞክሮ የሚሰጡ AI ወኪሎችን እየገነባ ነው። ከዚህ በፊት በMonzo የAI እና የውሂብ ስራዎችን የመሩ ቡድን የመሰረተው ይህ ኩባንያ፣ መድረኩን በOpenAI ሞዴሎች ላይ ገንብቶ አሁን የምርት ትራፊኩን ወደ GPT‑5.4 mini እና nano እያዘዋወረ ነው።

“በGPT‑5.4 mini እና nano 500 ሚሊሰከንድ መዘግየት እያየን ነው፣ እሱም ለተፈጥሯዊ የድምፅ ውይይቶች በትክክል የሚያስፈልገን ነው።” በማለት Danai Antoniou፣ የGradient Labs ተባባሪ መስራች እና ዋና ሳይንቲስት ይናገራል። “የስራ ጫናችንን ትልቅ ክፍል ወደዚያ እየተዛወርን ነው።”

በባንክ ዘርፍ የደንበኛ ግንኙነቶች በእያንዳንዱ ደረጃ ምን መከሰት እንዳለበት የሚገልጹ የመደበኛ አሰራር ሂደቶች (SOPs) ይተዳደራሉ።

የተለመደ የደንበኛ ግንኙነት እንዲህ ሊመስል ይችላል፦

1. ደንበኛ የተሰረቀ ካርድ ለማሳወቅ ይደውላል።
2. ሲስተሙ ማረሚያዎችን እና መቋረጦችን በቅጽበት እያስተናገደ ማንነቱን ያረጋግጣል።
3. ከተረጋገጠ በኋላ ካርዱን ያግዳል እና ምትክ ያስጀምራል።
4. እንደ የመላኪያ ጊዜ ያሉ ተከታታይ ጥያቄዎችን ይመልሳል እና ቀጣይ ደረጃዎችን ይጠቁማል።

እያንዳንዱ ደረጃ የተገለጸ ሂደትን ይከተላል፣ ውሳኔዎችም በተጠቃሚ ግብዓት፣ አውድ፣ እየሰሩ ባሉ ጥበቃ መስፈርቶች እና በደንበኛውና በወኪሉ ምላሾች ላይ ተመስርተው በቅጽበት ይሰጣሉ እንዲሁም ተገዢነትን ያረጋግጣሉ።

“ሞዴሉ የምላሽ መፍጠርን ፈጣን እያደረገ ሲሄድ የሂደቱን ሁኔታ በመቋረጦች፣ በኋላ የሚገቡ አስተያየቶች እና በርዕስ ለውጦች ላይ ማቆየት አለበት።” በማለት Antoniou ይናገራል። “አብዛኞቹ አቅራቢዎች እንኳን ለመሞከር አልቻሉም።”

Gradient Labs አቅራቢዎችን በእነሱ እጅግ ፈታኝ በሆኑ ሂደቶቻቸው ላይ ይመዘናል እና trajectory accuracy ብለው በሚጠሩት መለኪያ ይገመግማቸዋል፦ ሲስተሙ ከመጀመሪያ እስከ መጨረሻ ትክክለኛውን መንገድ እንደሚከተል ወይስ አይደለም።

በመጀመሪያዎቹ ግምገማዎቻቸው ውስጥ፣ GPT‑4.1 97% trajectory accuracy እና ተመሳሳይነት ያስመዘገበ ብቸኛው ሞዴል ነበር። ከእሱ ቀጥሎ የቀረበው አቅራቢ 88% ነበር።

“በፋይናንስ አገልግሎቶች ውስጥ፣ ይህ በጥሪ መፍታት እና የተገዢነት ጉዳይ መፍጠር መካከል ያለው ልዩነት ነው።” ሲል Antoniou ይናገራል።

ይህ ውጤት Gradient Labs ሲስተሙን እንዴት እንደነደፈ ቀረጸ። ቡድኑ ለማመዛዘን ከፍተኛ ትኩረት ለሚፈልጉ ደረጃዎች OpenAI ሞዴሎችን እና ለፈጣን፣ የተወሰኑ ተግባራት አነስተኛ ሞዴሎችን የሚጠቀም ድብልቅ አወቃቀር ገነባ፣ ይህም መስመር ማስተላለፍ በውስብስብነት እና በመዘግየት ገደቦች መሰረት የሚስማማ ነው።

በውስጥ፣ ሲስተሙ በማዕከላዊ የማመዛዘን ወኪል የሚተባበሩ ልዩ ልዩ ችሎታዎችን ያካተተ ሲሆን፣ ውስብስብ ጉዳዮች አውድ ሳይጠፋ በሂደቶች መካከል እንዲንቀሳቀሱ ያስችላል። 

በእያንዳንዱ ግንኙነት 15+ የጥበቃ ስርዓቶች በተመሳሳይ ጊዜ ይሰራሉ ውይይቶች በተገለጹ ሂደቶች እና በተገዢነት ወሰኖች ውስጥ እንዲቆዩ ለማረጋገጥ፣ ከዚህም ውስጥ የፋይናንስ ምክር መለየት፣ የተጋላጭነት ምልክቶች፣ ቅሬታዎች እና ማረጋገጫን ለመዝለል ወይም ስሱ ውሂብ ለመድረስ የሚደረጉ ሙከራዎች ይገኙበታል። 

የፋይናንስ ተቋማት እንደዚህ ያሉ ሲስተሞችን በእምነት ብቻ አያስገቡም። በእውነተኛ ዓለም ሁኔታዎች ውስጥ በትክክል እንደሚሰራ ደረጃ በደረጃ ማየት ይፈልጋሉ።

“ሐሰተኛ ውጤቶች እንዳይኖሩ ከመሠረቱ ጀምሮ አወቃቀሩን ማቅረብ አለብህ።” ሲል Antoniou ይናገራል። “ሲገነባ የሚመራህ መርህ ይህ መሆን አለበት።”

ቡድኑ አዲስም ሆነ ነባር ሞዴሎችን ለመገምገም እውነተኛ የደንበኛ ውይይቶችን እንደገና ያጫውታል እና የሲስተሙን ባህሪ ከሚጠበቀው ሂደት ጋር ያነጻጽራል። እንዲሁም ማንኛውም ነገር ከመስራት በፊት ጠርዝ ጉዳዮችን እና እምብዛም የሚከሰቱ ሁኔታዎችን ለመፈተሽ ሰው ሠራሽ ውይይቶችን ይፈጥራሉ።

Gradient Labs ቡድኖችን ሲስተሙ እንዴት እንደሚገባ ላይ ቁጥጥር ይሰጣቸዋል። ባንክ የሚያስተናግዳቸውን የደንበኛ ችግሮች አይነቶች እና ምን ያህል ጊዜ እንደሚከሰቱ ለመለየት ታሪካዊ የድጋፍ ውሂብን ይተነትናሉ። ከዚያም ቡድኖች AI የሚያስተናግዳቸውን ምድቦች መምረጥ ይችላሉ፣ ዝቅተኛ አደጋ ያላቸው ሂደቶች በመጀመር በጊዜ ሂደት ወደ ሰፊ ሽፋን ይስፋፋሉ።

ቀጥታ ስራ ከመጀመሩ በፊት፣ ደንበኞች ሲስተሙ በተለያዩ ሁኔታዎች እንዴት እንደሚመልስ ለመገምገም ውይይቶችን ማስመሰል ይችላሉ፣ ይህም እንደሚጠበቀው እንደሚሰራ እምነት ይገነባል። 

ማስገባት ብዙውን ጊዜ በትራፊኩ ትንሽ መቶኛ ይጀምራል፣ ቀጣይ ክትትል እና ራስ-ሰር ፍተሻዎች የሰው ግምገማ ሊያስፈልጋቸው የሚችሉ ውይይቶችን ሲያመለክቱ። በጊዜ ሂደት፣ ሲስተሙ ተመጣጣኝ አፈጻጸም ሲያሳይ ሽፋኑ ይስፋፋል።

የGradient Labs ደንበኞች እስከ 98% የCSAT ውጤቶችን እየዘገቡ ነው፣ በአንዳንድ ሁኔታዎች ከምርጥ ሰው ወኪሎቻቸውም በላይ ውጤት እያሳዩ። አብዛኞቹ ማስገባቶች እንደ ክርክሮች፣ የሂሳብ ማረጋገጫ እና ማጭበርበር ያሉ ውስብስብ ሂደቶችም ቢሆኑ ከመጀመሪያው ቀን በላይ 50% የመፍትሄ መጠን ይጀምራሉ። 

ይህ ተጽዕኖ በኩባንያው እድገት ላይ ታይቷል። Gradient Labs ባለፈው አመት ውስጥ ገቢውን ከ10x በላይ አሳድጎታል፣ ከገቢ የሚገባ ድጋፍ ወደ ውጪ እና ወደ ቢሮ ጀርባ ሂደቶች ተስፋፍቷል።

ወደፊት በመመልከት፣ Gradient Labs አውድን በግንኙነቶች መካከል ማሸከም በሚችሉ ሲስተሞች ላይ ትኩረት አድርጓል፦ የደንበኛ ታሪክን መረዳት፣ በመቀጠል ያሉ ጉዳዮችን መከታተል፣ እና ያለፉ ውይይቶች ከቆሙበት ቦታ መቀጠል። ይህ አቅጣጫ Gradient Labs ከOpenAI ጋር ስላለው የረጅም ጊዜ አጋርነት ከሚያስበው ጋር በጣም ይጣጣማል።

ሞዴሎች እየተሻሻሉ ሲቀጥሉ፣ በደህና ራስ-ሰር ማድረግ የሚቻላቸው ሂደቶች ስፋት ይጨምራል። ለGradient Labs፣ ይህ ማለት እያንዳንዱ የደንበኛ ግንኙነት እንደ ከፍተኛ ደረጃ የሰው ወኪል በተመሳሳይ ቋሚነት፣ ፍርድ እና ቀጣይነት የሚከናወንበት ሲስተም ወደሚቀርብ መሄድ ነው።