Gradient Labs प्रत्येक बँक ग्राहकाला AI अकाउंट मॅनेजर देते

बँकिंगमध्ये, ग्राहकाची समस्या सोडवणे क्वचितच सोपे असते. फसवणूक किंवा ब्लॉक झालेल्या पेमेंट्ससारख्या प्रकरणांसाठी अनेक टीम्समधील जटिल प्रक्रियांचे काटेकोर पालन करावे लागते. जेव्हा सिस्टम्स कमी पडतात, ग्राहकांना एका टीमकडून दुसरीकडे पाठवले जाते, ते रांगेत थांबतात आणि परिस्थिती सर्वात गंभीर असते नेमके त्याच वेळी त्यांच्या कामाला उशीर होत असतो.

Gradient Labs⁠(नवीन विंडोमध्ये उघडेल) ची निर्मिती ही जटिलता हाताळण्यासाठीच झाली आहे. लंडनमधील ही कंपनी असे AI एजंट्स तयार करते जे प्रत्येक बँक ग्राहकाला समर्पित अकाउंट मॅनेजरसारखा अनुभव देतात. यापूर्वी Monzo मध्ये AI आणि डेटा उपक्रमांचे नेतृत्व केलेल्या टीमने या कंपनीची स्थापना केली असून, त्यांचा प्लॅटफॉर्म OpenAI मॉडेल्सवर आधारित आहे आणि आता ते कामकाजाचे ट्रॅफिक GPT‑5.4 mini आणि nano वर नेत आहेत.

“GPT‑5.4 mini आणि nano सह आम्हाला 500-मिलिसेकंद लॅटन्सी मिळते आहे आणि नैसर्गिक व्हॉइस कन्वर्सेशन्ससाठी आम्हाला नेमके हेच हवे आहे,” असे Gradient Labs मधील सह-संस्थापक आणि मुख्य शास्त्रज्ञ Danai Antoniou म्हणतात. “आम्ही आमच्या कामाचा मोठा भाग तिकडे हलवत आहोत.”

बँकिंगमध्ये, ग्राहकांशी होणारे संवाद हे स्टँडर्ड ऑपरेटिंग प्रोसीजर (SOPs) द्वारे नियंत्रित केले जातात, ज्यात प्रत्येक टप्प्यावर काय घडले पाहिजे हे ठरलेले असते.

एक सामान्य ग्राहक संवाद असा दिसू शकतो:

1. एका ग्राहकाने चोरी झालेल्या कार्डची तक्रार करण्यासाठी कॉल केला आहे.
2. सिस्टमने त्यांची ओळख पडताळणी केली आणि दुरुस्त्या व व्यत्यय रीअल टाइममध्ये हाताळले.
3. पडताळणी झाल्यावर, सिस्टम ते कार्ड फ्रीझ करते आणि बदली कार्डची प्रक्रिया सुरू करते.
4. सिस्टम डिलिव्हरीच्या वेळेसारख्या पुढील प्रश्नांची उत्तरे देते आणि पुढची पावले सुचवते.

प्रत्येक टप्पा एका निश्चित प्रक्रियेप्रमाणे असतो आणि अनुपालनाची खात्री करण्यासाठी वापरकर्ता इनपुट, संदर्भ, सध्याच्या मार्गदर्शनपर सूचना, तसेच ग्राहक आणि एजंट यांच्या प्रतिसादांच्या आधारे रीअल टाइममध्ये निर्णय घेतले जातात.

“मॉडेलला व्यत्यय, मागील चॅनल्स आणि विषयात होणारे बदल यांदरम्यानही प्रक्रियेची स्थिती टिकवून ठेवावी लागते आणि त्याचवेळी प्रतिसाद लवकर जनरेट करावे लागतात,” असे Antoniou म्हणतात. “बहुतेक प्रदाते त्याचा प्रयत्नही करू शकले नाहीत.”

Gradient Labs आपल्या सर्वात आव्हानात्मक प्रक्रियांवर प्रदात्यांची तुलना करते आणि त्यांच्या भाषेत ज्याला ट्रॅजेक्टरीची अचूकता म्हणतात त्यावर त्यांचे मूल्यमापन करते: सिस्टम सुरुवातीपासून शेवटपर्यंत योग्य मार्गाचे अनुसरण करते का.

त्यांच्या सुरुवातीच्या मूल्यांकनांपैकी एका मध्ये, ट्रॅजेक्टरीची अचूकता आणि सातत्य 97% गाठणारे एकमेव मॉडेल GPT‑4.1 हेच होते. त्यानंतरच्या सर्वात जवळच्या प्रदात्याचा स्कोर 88% होता.

“वित्तीय सेवांमध्ये, हा फरक कॉल यशस्वीरीत्या सोडवणे आणि अनुपालन-संबंधी घटना निर्माण करणे यांतील फरकासारखा आहे,” असे Antoniou म्हणतात.

Gradient Labs ने आपली सिस्टम कशी डिझाइन केली हे या निकालाने ठरवले. टीमने असे हायब्रिड आर्किटेक्चर तयार केले जे रीझनिंगचा वापर अधिक करणाऱ्या टप्प्यांसाठी OpenAI चे मॉडेल्स आणि जलद, ठरलेल्या मार्गाच्या कामांसाठी लहान मॉडेल्स वापरते आणि ज्यात जटिलता आणि लॅटन्सीच्या मर्यादांनुसार जुळवून घेणारे राउटिंग वापरले जाते.

आतून या सिस्टीममध्ये केंद्रीय रीझनिंग एजंटद्वारे हाताळलेल्या विशेष कौशल्यांनी बनलेली आहे, ज्यामुळे जटिल प्रकरणे संदर्भ न गमावता विविध वर्कफ्लोजमध्ये पुढे जाऊ शकतात. 

प्रत्येक संवादासाठी, संभाषणे निश्चित प्रक्रियांमध्ये आणि अनुपालनाच्या सीमांत राहतील याची खात्री करण्यासाठी 15+ मार्गदर्शक सिस्टम्स समानांतर पद्धतीने चालतात, ज्यात आर्थिक सल्ला ओळखणे, कमजोरीचे संकेत, तक्रारी आणि पडताळणी टाळण्याचे किंवा संवेदनक्षम डेटामध्ये प्रवेश मिळवण्याचे प्रयत्न यांचा समावेश आहे. 

वित्तीय संस्था अशा सिस्टम्सचा वापर फक्त विश्वासावर करत नाहीत. त्यांना प्रत्यक्ष परिस्थितीत ती सिस्टम योग्यरीत्या वागते हे टप्प्याटप्प्याने पाहणे आवश्यक असते.

“भ्रम अजिबात नसतील यासाठी सुरुवातीपासून आर्किटेक्चर तयार करावे लागते,” असे Antoniou म्हणतात. “तुम्ही तयार करत असताना हेच मार्गदर्शक तत्त्व असायला हवे.”

नवीन आणि विद्यमान दोन्ही मॉडेल्सचे मूल्यमापन करण्यासाठी टीम वास्तविक ग्राहक संभाषणे पुन्हा चालवते आणि सिस्टमच्या वर्तनाची तुलना अपेक्षित प्रक्रियेशी करते. काहीही वापरण्यापूर्वी टोकाची प्रकरणे आणि दुर्मिळ परिस्थिती तपासण्यासाठी ते मुद्दाम तयार केलेली संभाषणेही वापरतात.

Gradient Labs टीम्सना सिस्टमवर काम कसे सुरू करावे यावर नियंत्रणही देते. बँक कोणत्या प्रकारच्या ग्राहक समस्यांना हाताळते आणि त्या किती वेळा घडतात हे मॅप करण्यासाठी ते ऐतिहासिक सपोर्ट डेटाचे विश्लेषण करतात. त्यानंतर कोणत्या श्रेणी AI ने हाताळाव्यात हे टीम्स निवडू शकतात, ज्यात कमी जोखमीच्या वर्कफ्लोपासून सुरुवात करून कालांतराने त्यांचा व्याप वाढवला जातो.

लाइव्ह होण्यापूर्वी, ग्राहक विविध परिस्थितींमध्ये सिस्टमचा प्रतिसाद कसा असतो हे पाहण्यासाठी संभाषणांचे सिम्युलेशन करू शकतात, ज्यामुळे सिस्टम अपेक्षेप्रमाणे वागते याबद्दल आत्मविश्वास निर्माण होतो. 

प्रत्यक्ष वापर साधारणपणे ट्रॅफिकच्या लहान टक्केवारीपासून सुरू होतो, सतत मॉनिटरिंग आणि आपोआप चालणाऱ्या तपासण्या मानवी पुनरावलोकनाची गरज असू शकणारी संभाषणे चिन्हांकित करतात. कालांतराने, सिस्टम सातत्याने कामगिरी दाखवत गेल्यावर कव्हरेज वाढवले जाते.

Gradient Labs चे ग्राहक 98% पर्यंतचे उच्च CSAT स्कोअर्स नोंदवतात आणि काही प्रकरणांत तर त्यांच्या सर्वोत्तम मानवी एजंट्सपेक्षाही चांगली कामगिरी करतात. बहुतांश प्रत्यक्ष वापर पहिल्याच दिवशी 50% पेक्षा जास्त सोडवणूक दरापासून सुरू होतात, अगदी वाद, खाते पडताळणी आणि फसवणूक यांसारख्या जटिल वर्कफ्लोसाठीही. 

हा प्रभाव कंपनीच्या वाढीत दिसून येतो. मागील वर्षात Gradient Labs ने महसूल 10 पटीपेक्षा जास्त वाढवला आहे आणि इनबाउंड सपोर्ट पासून आउटबाउंड आणि बॅक-ऑफिस प्रक्रियांपर्यंत विस्तार केला आहे.

पुढचा विचार करता, Gradient Labs अशा सिस्टम्सवर लक्ष देत आहे ज्या निरनिराळ्या संवादांदरम्यान संदर्भ टिकवू शकतील: ग्राहकाचा इतिहास समजून घेणे, सुरू असलेल्या समस्यांचा मागोवा ठेवणे आणि मागील संभाषणे जिथे थांबली होती तिथून पुन्हा सुरू करणे. ही दिशा OpenAI सोबतच्या दीर्घकालीन भागीदारीबद्दल Gradient Labs ज्या प्रकारे विचार करते त्याच्या अनुषंगानेच आहे.

मॉडेल्समध्ये सतत सुधारणा होत असताना, सुरक्षितपणे ऑटोमेट करता येणाऱ्या प्रक्रियांची संख्या वाढत जाते. Gradient Labs साठी याचा अर्थ अशा सिस्टमच्या अधिक जवळ जाणे होता, जिथे प्रत्येक ग्राहक संवाद सर्वोच्च दर्जाच्या मानवी एजंटसारख्या सातत्याने, निर्णयक्षमतेने आणि सलगतेने हाताळला जातो.