Gradient Labs ყველა ბანკის კლიენტს AI ანგარიშის მენეჯერს აძლევს

საბანკო სფეროში კლიენტის პრობლემის გადაწყვეტა იშვიათად არის მარტივი. ისეთი შემთხვევები, როგორიცაა თაღლითობა ან დაბლოკილი გადახდები, მოითხოვს რთული პროცედურების მკაცრ დაცვას მრავალ გუნდში. როცა სისტემები ვერ ამართლებს, კლიენტებს ერთი გუნდიდან მეორეში ამისამართებენ, ისინი რიგში ელოდებიან და შეფერხებებს აწყდებიან მაშინ, როცა ფსონი ყველაზე მაღალია.

Gradient Labs⁠(იხსნება ახალ ფანჯარაში) შექმნილია ამ სირთულის სამართავად. ლონდონში დაფუძნებული კომპანია ქმნის AI აგენტებს, რომლებიც თითოეულ ბანკის კლიენტს პერსონალური ანგარიშის მენეჯერის გამოცდილებას აძლევს. კომპანია დააარსა გუნდმა, რომელიც ადრე Monzo-ში AI-ისა და მონაცემების მიმართულებებს ხელმძღვანელობდა; კომპანიის პლატფორმა OpenAI-ის მოდელებზეა აგებული და ახლა საწარმოო ტრაფიკს GPT‑5.4 mini-სა და nano-ზე გადააქვს.

„GPT‑5.4 mini-სა და nano-სთან 500-მილიწამიან დაყოვნებას ვხედავთ, რაც ზუსტად ისაა, რაც ბუნებრივი ხმოვანი საუბრებისთვის გვჭირდება,“ ამბობს დანაი ანტონიუ, Gradient Labs-ის თანადამფუძნებელი და მთავარი მეცნიერი. „ჩვენი დატვირთვის მნიშვნელოვან ნაწილს იქით გადავიტანთ.“

საბანკო სფეროში კლიენტებთან ურთიერთობას სტანდარტული საოპერაციო პროცედურები (SOP-ები) მართავს, რომლებიც განსაზღვრავს, რა უნდა მოხდეს თითოეულ ეტაპზე.

კლიენტთან ტიპური ურთიერთქმედება შეიძლება ასე გამოიყურებოდეს:

1. კლიენტი რეკავს მოპარული ბარათის დასაფიქსირებლად.
2. სისტემა ამოწმებს მის ვინაობას და შესწორებებსა და შეწყვეტებს რეალურ დროში ამუშავებს.
3. ვინაობის დადასტურების შემდეგ ის ბარათს ყინავს და ჩანაცვლების პროცესს იწყებს.
4. ის პასუხობს შემდგომ კითხვებს, მაგალითად, მიწოდების ვადებზე, და შემდეგ ნაბიჯებს სთავაზობს.

თითოეული ნაბიჯი განსაზღვრულ პროცედურას მიჰყვება, ხოლო გადაწყვეტილებები რეალურ დროში მიიღება მომხმარებლის შეყვანის, კონტექსტის, მოქმედი დამცავი მექანიზმებისა და როგორც კლიენტის, ისე აგენტის პასუხების საფუძველზე, შესაბამისობის უზრუნველსაყოფად.

„მოდელმა პროცედურის მდგომარეობა უნდა შეინარჩუნოს შეწყვეტებს, უკუკავშირით ჩართვებსა და თემის ცვლილებებს შორის, თანაც პასუხების გენერირება სწრაფად უნდა ხდებოდეს,“ ამბობს ანტონიუ. „პროვაიდერების უმეტესობა ამის ცდასაც კი ვერ ახერხებდა.“

Gradient Labs პროვაიდერებს მათ ყველაზე რთულ პროცედურებზე ადარებს და აფასებს მათ იმით, რასაც ისინი ტრაექტორიის სიზუსტეს უწოდებენ: მიჰყვება თუ არა სისტემა სწორ გზას თავიდან ბოლომდე.

ერთ-ერთ საწყის შეფასებაში GPT‑4.1 იყო ერთადერთი მოდელი, რომელმაც ტრაექტორიის სიზუსტესა და თანმიმდევრულობაში 97%-ს მიაღწია. მასთან ყველაზე ახლოს მყოფ პროვაიდერს 88% ჰქონდა.

„ფინანსურ სერვისებში ეს არის განსხვავება ზარის წარმატებით დასრულებასა და შესაბამისობის ინციდენტის შექმნას შორის,“ ამბობს ანტონიუ.

ამ შედეგმა განსაზღვრა, როგორ დააპროექტა Gradient Labs-მა თავისი სისტემა. გუნდმა შექმნა ჰიბრიდული არქიტექტურა, რომელიც მსჯელობაზე ინტენსიური ნაბიჯებისთვის OpenAI-ის მოდელებს იყენებს, ხოლო უფრო სწრაფი, დეტერმინისტული ამოცანებისთვის — მცირე მოდელებს, მარშრუტიზაციით, რომელიც სირთულისა და დაყოვნების შეზღუდვების მიხედვით ადაპტირდება.

შიდა დონეზე სისტემა შედგება სპეციალიზებული უნარებისგან, რომლებსაც ცენტრალური მსჯელობის აგენტი ორკესტრირებს, რაც რთულ შემთხვევებს სამუშაო ნაკადებს შორის კონტექსტის დაკარგვის გარეშე გადაადგილების საშუალებას აძლევს. 

ყოველი ინტერაქციისთვის პარალელურად 15-ზე მეტი დამცავი სისტემა მუშაობს, რათა საუბრები განსაზღვრული პროცედურებისა და შესაბამისობის საზღვრებში დარჩეს; ეს მოიცავს ფინანსური რჩევის აღმოჩენას, მოწყვლადობის სიგნალებს, საჩივრებს და ვერიფიკაციის გვერდის ავლის ან მგრძნობიარე მონაცემებზე წვდომის მცდელობებს. 

ფინანსური ინსტიტუტები ასეთ სისტემებს ბრმად არ ნერგავენ. მათ ნაბიჯ-ნაბიჯ უნდა დაინახონ, რომ ის რეალურ პირობებში სწორად იქცევა.

„თავიდანვე ისე უნდა დააპროექტო, რომ ჰალუცინაციები არ იყოს,“ ამბობს ანტონიუ. „ეს უნდა იყოს ძირითადი პრინციპი, როცა სისტემას აშენებ.“

როგორც ახალი, ისე არსებული მოდელების შესაფასებლად გუნდი ხელახლა ატარებს რეალურ კლიენტურ საუბრებს და სისტემის ქცევას მოსალოდნელ პროცედურას ადარებს. ისინი ასევე გენერირებენ სინთეზურ საუბრებს, რათა დანერგვამდე სასაზღვრო შემთხვევები და იშვიათი სცენარები გამოსცადონ.

Gradient Labs გუნდებს ასევე აძლევს კონტროლს იმაზე, თუ როგორ დაინერგება სისტემა. ისინი აანალიზებენ მხარდაჭერის ისტორიულ მონაცემებს, რათა დააფიქსირონ, რა ტიპის კლიენტურ საკითხებს ამუშავებს ბანკი და რამდენად ხშირად ხდება ეს. ამის შემდეგ გუნდებს შეუძლიათ აირჩიონ, რომელი კატეგორიები უნდა დაამუშაოს AI-მ — დაიწყონ ნაკლებად სარისკო სამუშაო ნაკადებით და დროთა განმავლობაში გაფართოვდნენ.

პირდაპირ რეჟიმში გაშვებამდე კლიენტებს შეუძლიათ საუბრების სიმულაცია, რათა ნახონ, როგორ პასუხობს სისტემა სხვადასხვა სცენარში და დარწმუნდნენ, რომ ის მოსალოდნელად იქცევა. 

დანერგვა ჩვეულებრივ იწყება ტრაფიკის მცირე პროცენტით, თანმდევი უწყვეტი მონიტორინგითა და ავტომატური შემოწმებებით, რომლებიც აღნიშნავს იმ საუბრებს, რომლებსაც შესაძლოა ადამიანის გადახედვა დასჭირდეს. დროთა განმავლობაში მოცვა ფართოვდება, რადგან სისტემა სტაბილურ შედეგს აჩვენებს.

Gradient Labs-ის კლიენტები აცნობებენ, რომ CSAT-ის მაჩვენებელი ზოგ შემთხვევაში 98%-საც აღწევს და მათ საუკეთესო ადამიან აგენტებსაც კი აჭარბებს. დანერგვების უმეტესობა პირველივე დღეს 50%-ზე მეტი გადაწყვეტის მაჩვენებლით იწყება, მათ შორის ისეთი რთული სამუშაო ნაკადებისთვის, როგორიცაა დავები, ანგარიშის ვერიფიკაცია და თაღლითობა. 

ეს გავლენა კომპანიის ზრდაზეც აისახება. გასული წლის განმავლობაში Gradient Labs-მა შემოსავალი 10-ჯერ მეტით გაზარდა და შემომავალი მხარდაჭერიდან გამავალ და უკანა ოფისის პროცესებზეც გაფართოვდა.

მომავალში Gradient Labs ფოკუსირებულია სისტემებზე, რომლებსაც ინტერაქციებს შორის კონტექსტის შენარჩუნება შეუძლიათ: კლიენტის ისტორიის გაგება, მიმდინარე საკითხების თვალყურის დევნება და წინა საუბრების შეწყვეტილი ადგილიდან გაგრძელება. ეს მიმართულება მჭიდროდ ემთხვევა იმას, თუ როგორ ხედავს Gradient Labs OpenAI-თან თავის გრძელვადიან პარტნიორობას.

როგორც კი მოდელები განაგრძობენ გაუმჯობესებას, იზრდება იმ პროცედურების სპექტრი, რომელთა უსაფრთხოდ ავტომატიზაციაც შესაძლებელია. Gradient Labs-ისთვის ეს ნიშნავს სისტემასთან მიახლოებას, სადაც კლიენტთან ყოველი ინტერაქცია იმავე თანმიმდევრულობით, განსჯითა და უწყვეტობით მუშავდება, როგორც უმაღლესი დონის ადამიან აგენტთან.