Gradient Labs દરેક બેંક ગ્રાહકને AI એકાઉન્ટ મેનેજર આપે છે

બેંકિંગમાં, ગ્રાહકની સમસ્યા ઉકેલવી ભાગ્યે જ સરળ હોય છે. છેતરપિંડી અથવા બ્લૉક થયેલી ચુકવણી જેવા કેસોમાં ઘણી ટીમોમાં જટિલ પ્રક્રિયાઓનું કડક પાલન જરૂરી બને છે. જ્યારે સિસ્ટમો અપૂરી પડે છે, ત્યારે ગ્રાહકોને ટીમોથી ટીમોમાં મોકલવામાં આવે છે, તેઓ કતારમાં રાહ જુએ છે, અને સૌથી મહત્વના સમયે વિલંબનો સામનો કરે છે.

Gradient Labs⁠(નવી વિન્ડોમાં ખૂલે છે) આ જટિલતા સંભાળવા માટે બનાવવામાં આવ્યું છે. લંડન સ્થિત કંપની એવા AI એજન્ટ બનાવી રહી છે જે દરેક બેંક ગ્રાહકને સમર્પિત એકાઉન્ટ મેનેજર જેવો અનુભવ આપે છે. Monzo ખાતે અગાઉ AI અને ડેટા પ્રયાસોને નેતૃત્વ આપનાર ટીમ દ્વારા સ્થાપિત આ કંપનીનું પ્લેટફોર્મ OpenAI મોડલ્સ પર આધારિત છે અને હવે પ્રોડક્શન ટ્રાફિક GPT‑5.4 mini અને nano પર ખસેડી રહ્યું છે.

“અમે GPT‑5.4 mini અને nano સાથે 500-મિલિસેકન્ડ લેટન્સી જોઈ રહ્યા છીએ, જે સ્વાભાવિક વોઇસ કન્વર્સેશન્સ માટે અમને બરાબર જોઈએ છે,” Gradient Labs ખાતે સહ-સ્થાપક અને મુખ્ય વૈજ્ઞાનિક Danai Antoniou કહે છે. “અમે અમારા વર્કલોડનો નોંધપાત્ર ભાગ ત્યાં ખસેડી રહ્યા છીએ.”

બેંકિંગમાં, ગ્રાહક સાથેની ક્રિયાઓ સ્ટાન્ડર્ડ ઓપરેટિંગ પ્રોસિજર (SOPs) દ્વારા નિયંત્રિત થાય છે, જે દરેક પગલે શું થવું જોઈએ તે વ્યાખ્યાયિત કરે છે.

એક સામાન્ય ગ્રાહક ક્રિયા કદાચ આવી દેખાય:

1. એક ગ્રાહક ચોરાયેલ કાર્ડની જાણ કરવા ફોન કરે છે.
2. સિસ્ટમ તેમની ઓળખ ચકાસે છે, અને સુધારાઓ તથા વિક્ષેપોને રિયલ ટાઇમમાં સંભાળે છે.
3. ચકાસણી થયા પછી, તે કાર્ડ ફ્રીઝ કરે છે અને બદલાનું શરૂ કરે છે.
4. તે ડિલિવરીના સમય જેવી અનુગામી પૂછપરછોના જવાબ આપે છે અને આગળના પગલાં સૂચવે છે.

દરેક પગલું નિર્ધારિત પ્રક્રિયાનું પાલન કરે છે, જેમાં નિર્ણય વપરાશકર્તા ઇનપુટ, સંદર્ભ, ચાલતા ગાર્ડરેલ્સ, અને અનુરૂપતા સુનિશ્ચિત કરવા માટે ગ્રાહક તથા એજન્ટના પ્રતિભાવોના આધારે રિયલ ટાઇમમાં લેવાય છે.

“મોડલને વિક્ષેપો, બેકચેનલ્સ અને વિષય પરિવર્તન દરમિયાન પ્રક્રિયાની સ્થિતિ જાળવવી પડે છે અને સાથે પ્રતિભાવ ઉત્પન્ન કરવાનું ઝડપી રાખવું પડે છે,” Antoniou કહે છે. “ઘણા પ્રદાતાઓ તો તેનો પ્રયાસ પણ કરી શક્યા નહોતા.”

Gradient Labs પ્રદાતાઓને તેમની સૌથી પડકારજનક પ્રક્રિયાઓ પર બેન્ચમાર્ક કરે છે અને તેઓ જેને trajectory accuracy કહે છે તેના આધારે મૂલ્યાંકન કરે છે: સિસ્ટમ શરૂઆતથી અંત સુધી સાચો માર્ગ અનુસરે છે કે નહીં.

તેમની શરૂઆતની એક evalમાં, GPT‑4.1 એ 97% trajectory accuracy અને consistency હાંસલ કરનાર એકમાત્ર મોડલ હતું. તેના સૌથી નજીકનો પ્રદાતા 88% પર હતો.

“નાણાકીય સેવાઓમાં, એ કૉલ ઉકેલવા અને અનુરૂપતા ઘટના સર્જવા વચ્ચેનો ફરક છે,” Antoniou કહે છે.

આ પરિણામે Gradient Labs એ તેની સિસ્ટમ કેવી રીતે ડિઝાઇન કરી તે નક્કી કર્યું. ટીમે એક હાઇબ્રિડ આર્કિટેક્ચર બનાવ્યું, જે રিজનિંગ-ઘન પગલાં માટે OpenAI મોડલ્સ અને વધુ ઝડપી, નિર્ધારિત કાર્યો માટે નાના મોડલ્સનો ઉપયોગ કરે છે, સાથે એવું રૂટિંગ છે જે જટિલતા અને લેટન્સી મર્યાદાઓ મુજબ અનુકૂળ બને છે.

આંતરિક રીતે, સિસ્ટમ એક કેન્દ્રિય রিজনિંગ એજન્ટ દ્વારા સંકલિત વિશિષ્ટ કુશળતાઓથી બનેલી છે, જે જટિલ કેસોને સંદર્ભ ગુમાવ્યા વગર વર્કફ્લોમાં આગળ વધવા દે છે. 

દરેક ક્રિયા માટે, 15થી વધુ ગાર્ડરેલ સિસ્ટમ્સ સમાંતર રીતે ચાલે છે જેથી વાતચીત નિર્ધારિત પ્રક્રિયા અને અનુરૂપતા સીમાઓમાં રહે, જેમાં નાણાકીય સલાહની ઓળખ, નબળાઈના સંકેતો, ફરિયાદો, અને ચકાસણી બાઇપાસ કરવા અથવા સંવેદનશીલ ડેટા મેળવવાના પ્રયાસો શામેલ છે. 

નાણાકીય સંસ્થાઓ આવા સિસ્ટમો વિશ્વાસ પર ડિપ્લોય કરતી નથી. તેમને વાસ્તવિક પરિસ્થિતિઓમાં તે યોગ્ય રીતે વર્તે છે તે પગલું દર પગલું જોવું પડે છે.

“તમારે શરૂઆતથી જ એવી રચના કરવી પડે કે હેલ્યુસિનેશન ન થાય,” Antoniou કહે છે. “તમે બનાવતા હો ત્યારે એ માર્ગદર્શક સિદ્ધાંત હોવો જોઈએ.”

નવા અને હાલના બંને મોડલ્સનું મૂલ્યાંકન કરવા માટે, ટીમ વાસ્તવિક ગ્રાહક વાતચીતો ફરી ચલાવે છે અને સિસ્ટમના વર્તનની અપેક્ષિત પ્રક્રિયા સાથે સરખામણી કરે છે. કંઈપણ ડિપ્લોય થાય તે પહેલાં, તેઓ એજ કેસ અને દુર્લભ પરિસ્થિતિઓની ચકાસણી માટે કૃત્રિમ વાતચીતો પણ બનાવે છે.

Gradient Labs ટીમોને સિસ્ટમ કેવી રીતે રજૂ કરવી તેના પર નિયંત્રણ પણ આપે છે. તેઓ ઐતિહાસિક સપોર્ટ ડેટાનું વિશ્લેષણ કરે છે જેથી બેંક કયા પ્રકારની ગ્રાહક સમસ્યાઓ સંભાળે છે અને તે કેટલી વાર બને છે તે નકશાબદ્ધ કરી શકાય. ત્યારબાદ ટીમો નક્કી કરી શકે છે કે AI કઈ કેટેગરીઓ સંભાળે, નીચા જોખમવાળા વર્કફ્લોથી શરૂઆત કરીને સમય સાથે વિસ્તરણ કરે.

લાઇવ જતાં પહેલાં, ગ્રાહકો વિવિધ પરિસ્થિતિઓમાં સિસ્ટમ કેવી રીતે પ્રતિસાદ આપે છે તેની સમીક્ષા કરવા વાતચીતોનું સિમ્યુલેશન કરી શકે છે, જેથી તે અપેક્ષા મુજબ વર્તે છે એવો વિશ્વાસ ઉભો થાય. 

ડિપ્લોયમેન્ટ સામાન્ય રીતે ટ્રાફિકના નાના ટકા સાથે શરૂ થાય છે, જ્યાં સતત મોનિટરિંગ અને સ્વચાલિત ચકાસણીઓ એવી વાતચીતોને ચિહ્નિત કરે છે જેને માનવીય સમીક્ષા જરૂરી હોઈ શકે. સમય સાથે, સિસ્ટમ સતત કામગીરી દર્શાવે તેમ કવરેજ વિસ્તરે છે.

Gradient Labsના ગ્રાહકો 98% જેટલા ઊંચા CSAT સ્કોરની જાણ કરે છે, અને કેટલાક કેસોમાં તેઓ તેમના શ્રેષ્ઠ માનવીય એજન્ટોથી પણ સારું પ્રદર્શન કરે છે. મોટાભાગની ડિપ્લોયમેન્ટ્સ પહેલા જ દિવસે 50%થી વધુ રિઝોલ્યુશન દર સાથે શરૂ થાય છે, ભલે વર્કફ્લો વિવાદો, એકાઉન્ટ ચકાસણી અને છેતરપિંડી જેવા જટિલ હોય. 

આ અસર કંપનીની વૃદ્ધિમાં પણ દેખાય છે. Gradient Labs એ ગયા વર્ષ દરમિયાન આવકમાં 10xથી વધુ વધારો કર્યો છે અને ઇનબાઉન્ડ સપોર્ટમાંથી આઉટબાઉન્ડ તથા બેક-ઓફિસ પ્રક્રિયાઓમાં વિસ્તરણ કર્યું છે.

આગળ જોતા, Gradient Labs એવા સિસ્ટમ્સ પર ધ્યાન કેન્દ્રિત કરી રહ્યું છે જે ક્રિયાઓ વચ્ચે સંદર્ભ જાળવી શકે: ગ્રાહકનો ઇતિહાસ સમજવો, ચાલુ સમસ્યાઓને ટ્રૅક કરવી, અને અગાઉની વાતચીત જ્યાં અટકી હતી ત્યાંથી ફરી શરૂ કરવું. આ દિશા Gradient Labs તેના OpenAI સાથેના દીર્ઘકાલીન ભાગીદારી વિશે જેમ વિચારે છે તે સાથે નજીકથી સુસંગત છે.

જેમ જેમ મોડલ્સ સુધરતા જાય છે, તેમ સલામતીથી ઓટોમેટ કરી શકાય તેવી પ્રક્રિયાઓની શ્રેણી વિસ્તરે છે. Gradient Labs માટે, તેનો અર્થ એવો સિસ્ટમ તરફ આગળ વધવું છે જ્યાં દરેક ગ્રાહક ક્રિયા ટોચના સ્તરના માનવીય એજન્ટ જેવી જ સ્થિરતા, નિર્ણયક્ષમતા અને સતતતા સાથે સંભાળવામાં આવે.