Gradient Labs به هر مشتری بانک یک مدیر حساب هوش مصنوعی می‌دهد

در بانکداری، حل یک مشکل مشتری به‌ندرت ساده است. مواردی مانند تقلب یا پرداخت‌های مسدودشده نیازمند پایبندی دقیق به رویه‌های پیچیده در چندین تیم هستند. وقتی سیستم‌ها کم می‌آورند، مشتریان بین تیم‌ها پاس داده می‌شوند، در صف می‌مانند و در لحظاتی که اهمیت موضوع در بالاترین حد است با تأخیر روبه‌رو می‌شوند.

Gradient Labs⁠(در یک پنجره جدید باز می‌شود) برای مدیریت این پیچیدگی ساخته شده است. این شرکت مستقر در لندن در حال ساخت عامل‌های هوش مصنوعی است که به هر مشتری بانک تجربه یک مدیر حساب اختصاصی را می‌دهند. این شرکت که توسط تیمی بنیان‌گذاری شده که پیش‌تر هدایت تلاش‌های هوش مصنوعی و داده در Monzo را بر عهده داشت، پلتفرمش را بر پایه مدل‌های OpenAI ساخته و اکنون در حال انتقال ترافیک عملیاتی به GPT‑5.4 مینی و نانو است.

Danai Antoniou، هم‌بنیان‌گذار و دانشمند ارشد Gradient Labs، می‌گوید: «ما با GPT‑5.4 مینی و نانو تأخیر ۵۰۰ میلی‌ثانیه‌ای می‌بینیم، که دقیقاً همان چیزی است که برای مکالمات صوتی طبیعی نیاز داریم. در حال انتقال بخش قابل‌توجهی از بار کاری‌مان هستیم.»

در بانکداری، تعاملات با مشتری توسط رویه‌های اجرایی استاندارد (SOP) هدایت می‌شوند که مشخص می‌کنند در هر مرحله چه باید رخ دهد.

یک تعامل معمول با مشتری ممکن است این‌گونه باشد:

1. یک مشتری تماس می‌گیرد تا کارت سرقت ‌شده‌اش را گزارش کند.
2. سیستم هویت او را تأیید می‌کند و اصلاحات و وقفه‌ها را به‌صورت بلادرنگ مدیریت می‌کند.
3. پس از تأیید، کارت را مسدود می‌کند و فرایند جایگزینی را آغاز می‌کند.
4. به پرسش‌های بعدی، مانند زمان تحویل، پاسخ می‌دهد و گام‌های بعدی را پیشنهاد می‌کند.

هر مرحله از یک رویه تعریف‌شده پیروی می‌کند و تصمیم‌ها به‌صورت بلادرنگ بر اساس ورودی کاربر، زمینه، حفاظت‌های فعال و پاسخ‌های مشتری و عامل گرفته می‌شوند تا رعایت قوانین تضمین شود.

Antoniou می‌گوید: «مدل باید در طول وقفه‌ها، پاسخ‌های کوتاه تأییدی و تغییر موضوع، وضعیت رویه را حفظ کند و در عین حال، تولید پاسخ را سریع نگه دارد. بیشتر ارائه‌دهندگان حتی نمی‌توانستند برایش تلاش کنند.»

Gradient Labs ارائه‌دهندگان را بر اساس دشوارترین رویه‌هایشان محک می‌زند و آن‌ها را بر مبنای چیزی ارزیابی می‌کند که خودشان دقت مسیر می‌نامند: این‌که آیا سیستم از ابتدا تا انتها مسیر درست را دنبال می‌کند یا نه.

در یکی از ارزیابی‌های اولیه آن‌ها، GPT‑4.1 تنها مدلی بود که به ۹۷٪ دقت و ثبات مسیر رسید. نزدیک‌ترین ارائه‌دهنده بعدی ۸۸٪ بود.

Antoniou می‌گوید: «در خدمات مالی، این همان تفاوت بین حل یک تماس و ایجاد یک مشکل قانونی است.»

این نتیجه بر نحوه طراحی سیستم Gradient Labs اثر گذاشت. تیم یک معماری ترکیبی ساخت که از مدل‌های OpenAI برای گام‌های نیازمند استدلال و از مدل‌های کوچک‌تر برای وظایف سریع‌تر و قطعی استفاده می‌کند، با مسیریابی‌ای که بر اساس پیچیدگی و محدودیت‌های تأخیر تطبیق می‌یابد.

در داخل، این سیستم از مهارت‌های تخصصی تشکیل شده که توسط یک عامل استدلال مرکزی هماهنگ می‌شوند و به موارد پیچیده اجازه می‌دهند بدون از دست دادن زمینه بین گردش‌کارها جابه‌جا شوند. 

برای هر تعامل، بیش از ۱۵ سامانه حفاظتی به‌صورت موازی اجرا می‌شوند تا اطمینان حاصل شود مکالمات در چارچوب رویه‌ها و مرزهای قانونی تعریف‌شده باقی می‌مانند؛ از جمله شناسایی مشاوره مالی، نشانه‌های آسیب‌پذیری، شکایت‌ها و تلاش برای دور زدن تأیید هویت یا دسترسی به داده‌های حساس. 

نهادهای مالی چنین سیستم‌هایی را صرفاً بر پایه اعتماد مستقر نمی‌کنند. آن‌ها باید قدم‌به‌قدم ببینند که سیستم در شرایط واقعی درست رفتار می‌کند.

Antoniou می‌گوید: «باید از پایه معماری را برای صفر بودن توهم طراحی کنید. این باید اصل راهنما هنگام ساخت باشد.»

برای ارزیابی هم مدل‌های جدید و هم مدل‌های موجود، تیم مکالمات واقعی مشتریان را بازپخش می‌کند و رفتار سیستم را با رویه مورد انتظار مقایسه می‌کند. آن‌ها همچنین مکالمات مصنوعی تولید می‌کنند تا پیش از استقرار هر چیزی، موارد لبه و سناریوهای نادر را آزمایش کنند.

Gradient Labs همچنین به تیم‌ها کنترل می‌دهد که سیستم چگونه معرفی شود. آن‌ها داده‌های تاریخی پشتیبانی را تحلیل می‌کنند تا انواع مسائل مشتریانی را که یک بانک با آن‌ها سروکار دارد و فراوانی وقوعشان مشخص کنند. سپس تیم‌ها می‌توانند انتخاب کنند که هوش مصنوعی کدام دسته‌ها را مدیریت کند؛ ابتدا با گردش‌کارهای کم‌ریسک‌تر شروع می‌کنند و به‌مرور گسترش می‌دهند.

پیش از راه‌اندازی، مشتریان می‌توانند مکالمات را شبیه‌سازی کنند تا ببینند سیستم در سناریوهای مختلف چگونه پاسخ می‌دهد و اطمینان پیدا کنند که مطابق انتظار رفتار می‌کند. 

استقرار معمولاً با درصد کمی از ترافیک آغاز می‌شود و پایش مداوم و بررسی‌های خودکار، مکالماتی را که ممکن است به بازبینی انسانی نیاز داشته باشند علامت‌گذاری می‌کنند. با گذشت زمان، با اثبات عملکرد پایدار سیستم، پوشش گسترش می‌یابد.

مشتریان Gradient Labs گزارش می‌کنند که امتیازهای رضایت مشتری آن‌ها تا ۹۸٪ هم می‌رسد و در برخی موارد از بهترین عامل‌های انسانی‌شان هم بهتر عمل می‌کند. بیشتر استقرارها از روز اول با نرخ حل‌وفصل بیش از ۵۰٪ آغاز می‌شوند، حتی برای گردش‌کارهای پیچیده‌ای مانند اختلافات، تأیید حساب و تقلب. 

این اثرگذاری در رشد شرکت نیز بازتاب یافته است. Gradient Labs در یک سال گذشته درآمد خود را بیش از ۱۰ برابر افزایش داده و از پشتیبانی ورودی به فرایندهای خروجی و بک‌آفیس گسترش یافته است.

در آینده، Gradient Labs بر سیستم‌هایی متمرکز است که بتوانند زمینه را در طول تعاملات حفظ کنند: درک سابقه مشتری، پیگیری مسائل جاری، و ادامه دادن از همان‌جایی که مکالمات قبلی متوقف شده‌اند. این مسیر کاملاً با نگاه Gradient Labs به همکاری بلندمدت خود با OpenAI همسو است.

با ادامه بهبود مدل‌ها، دامنه رویه‌هایی که می‌توان با اطمینان خودکار کرد گسترش می‌یابد. برای Gradient Labs، این یعنی نزدیک‌تر شدن به سیستمی که در آن هر تعامل با مشتری با همان ثبات، قضاوت و تداومی مدیریت می‌شود که از یک عامل انسانی طراز اول انتظار می‌رود.