Gradient Labs ਹਰ ਬੈਂਕ ਗਾਹਕ ਨੂੰ AI ਅਕਾਊਂਟ ਮੈਨੇਜਰ ਦਿੰਦਾ ਹੈ

ਬੈਂਕਿੰਗ ਵਿੱਚ, ਗਾਹਕ ਦੀ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਨਾ ਕਦਾਚਿਤ ਹੀ ਸੌਖਾ ਹੁੰਦਾ ਹੈ. ਧੋਖਾਧੜੀ ਜਾਂ ਰੋਕੇ ਗਏ ਭੁਗਤਾਨਾਂ ਵਰਗੇ ਕੇਸਾਂ ਲਈ ਕਈ ਟੀਮਾਂ ਵਿੱਚ ਜਟਿਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਸਖ਼ਤ ਪਾਲਣਾ ਲਾਜ਼ਮੀ ਹੁੰਦੀ ਹੈ. ਜਦੋਂ ਸਿਸਟਮ ਘੱਟ ਪੈਂਦੇ ਹਨ, ਗਾਹਕਾਂ ਨੂੰ ਟੀਮਾਂ ਵਿਚਕਾਰ ਘੁਮਾਇਆ ਜਾਂਦਾ ਹੈ, ਉਹ ਕਤਾਰਾਂ ਵਿੱਚ ਉਡੀਕ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਵੇਲਿਆਂ ਵਿੱਚ ਦੇਰੀ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ ਜਦੋਂ ਦਾਅ ਸਭ ਤੋਂ ਵੱਧ ਹੁੰਦਾ ਹੈ.

Gradient Labs⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਇਸ ਜਟਿਲਤਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ. ਲੰਡਨ-ਅਧਾਰਿਤ ਇਹ ਕੰਪਨੀ AI ਏਜੰਟ ਬਣਾ ਰਹੀ ਹੈ ਜੋ ਹਰ ਬੈਂਕ ਗਾਹਕ ਨੂੰ ਇਕ ਸਮਰਪਿਤ ਅਕਾਊਂਟ ਮੈਨੇਜਰ ਵਰਗਾ ਅਨੁਭਵ ਦਿੰਦੇ ਹਨ. Monzo ਵਿੱਚ ਪਹਿਲਾਂ AI ਅਤੇ ਡਾਟਾ ਯਤਨਾਂ ਦੀ ਅਗਵਾਈ ਕਰ ਚੁੱਕੀ ਟੀਮ ਦੁਆਰਾ ਸਥਾਪਿਤ, ਕੰਪਨੀ ਦਾ ਪਲੇਟਫਾਰਮ OpenAI ਮਾਡਲਾਂ ਤੇ ਬਣਿਆ ਹੈ ਅਤੇ ਹੁਣ ਪ੍ਰੋਡਕਸ਼ਨ ਟ੍ਰੈਫਿਕ ਨੂੰ GPT‑5.4 mini ਅਤੇ nano ਉੱਤੇ ਸ਼ਿਫਟ ਕਰ ਰਿਹਾ ਹੈ.

“ਅਸੀਂ GPT‑5.4 mini ਅਤੇ nano ਨਾਲ 500-ਮਿਲੀਸੈਕਿੰਡ ਲੇਟੈਂਸੀ ਦੇਖ ਰਹੇ ਹਾਂ, ਜੋ ਕੁਦਰਤੀ ਵੌਇਸ ਕੰਵਰਸੇਸ਼ਨਜ਼ ਲਈ ਸਾਨੂੰ ਬਿਲਕੁਲ ਚਾਹੀਦੀ ਹੈ,” Gradient Labs ਦੀ Co-Founder ਅਤੇ Chief Scientist Danai Antoniou ਕਹਿੰਦੀ ਹੈ. “ਅਸੀਂ ਆਪਣਾ ਕੰਮਭਾਰ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਉੱਥੇ ਲੈ ਜਾ ਰਹੇ ਹਾਂ.”

ਬੈਂਕਿੰਗ ਵਿੱਚ, ਗਾਹਕ ਇੰਟਰੈਕਸ਼ਨ standard operating procedures (SOPs) ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੁੰਦੇ ਹਨ, ਜੋ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਕਿ ਹਰ ਕਦਮ ਤੇ ਕੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.

ਇੱਕ ਆਮ ਗਾਹਕ ਇੰਟਰੈਕਸ਼ਨ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੋ ਸਕਦਾ ਹੈ:

1. ਇੱਕ ਗਾਹਕ ਚੋਰੀ ਹੋਏ ਕਾਰਡ ਦੀ ਰਿਪੋਰਟ ਕਰਨ ਲਈ ਕਾਲ ਕਰਦਾ ਹੈ.
2. ਸਿਸਟਮ ਉਸਦੀ ਪਹਿਚਾਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ, ਅਤੇ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਸੋਧਾਂ ਅਤੇ ਰੁਕਾਵਟਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ.
3. ਪੁਸ਼ਟੀ ਹੋਣ ਉਪਰੰਤ, ਇਹ ਕਾਰਡ ਨੂੰ ਫ੍ਰੀਜ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਬਦਲ ਜਾਰੀ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ.
4. ਇਹ ਅਗਲੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਜਿਵੇਂ ਡਿਲੀਵਰੀ ਦਾ ਸਮਾਂ, ਅਤੇ ਅਗਲੇ ਕਦਮ ਸੁਝਾਉਂਦਾ ਹੈ.

ਹਰ ਕਦਮ ਇੱਕ ਨਿਰਧਾਰਿਤ ਪ੍ਰਕਿਰਿਆ ਦਾ ਪਾਲਣ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਫੈਸਲੇ ਯੂਜ਼ਰ ਇਨਪੁੱਟ, ਸੰਦਰਭ, ਚੱਲ ਰਹੀਆਂ ਗਾਰਡਰੇਲਾਂ ਅਤੇ ਗਾਹਕ ਤੇ ਏਜੰਟ ਦੋਵਾਂ ਦੇ ਜਵਾਬਾਂ ਦੇ ਆਧਾਰ ਤੇ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਤਾਂ ਜੋ ਅਨੁਕੂਲਤਾ ਯਕੀਨੀ ਬਣੇ.

“ਮਾਡਲ ਨੂੰ ਰੁਕਾਵਟਾਂ, ਬੈਕਚੈਨਲਾਂ ਅਤੇ ਵਿਸ਼ਾ-ਬਦਲਾਵਾਂ ਦੌਰਾਨ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਥਿਤੀ ਕਾਇਮ ਰੱਖਣੀ ਪੈਂਦੀ ਹੈ, ਨਾਲ ਹੀ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਦੀ ਗਤੀ ਵੀ ਤੇਜ਼ ਰੱਖਣੀ ਪੈਂਦੀ ਹੈ,” Antoniou ਕਹਿੰਦੀ ਹੈ. “ਜ਼ਿਆਦਾਤਰ ਪ੍ਰਦਾਤਾ ਇਸਦੀ ਕੋਸ਼ਿਸ਼ ਵੀ ਨਹੀਂ ਕਰ ਸਕੇ.”

Gradient Labs ਪ੍ਰਦਾਤਾਵਾਂ ਨੂੰ ਆਪਣੀਆਂ ਸਭ ਤੋਂ ਚੁਣੌਤੀਪੂਰਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤੇ ਬੈਂਚਮਾਰਕ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦਾ ਮੁਲਾਂਕਣ ਉਸ ਆਧਾਰ ਤੇ ਕਰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਉਹ trajectory accuracy ਕਹਿੰਦੇ ਹਨ: ਕੀ ਸਿਸਟਮ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਸਹੀ ਰਸਤੇ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ.

ਉਹਨਾਂ ਦੇ ਸ਼ੁਰੂਆਤੀ evals ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ, GPT‑4.1 ਹੀ ਇਕੱਲਾ ਮਾਡਲ ਸੀ ਜਿਸ ਨੇ 97% trajectory accuracy ਅਤੇ consistency ਹਾਸਲ ਕੀਤੀ. ਇਸਦੇ ਸਭ ਤੋਂ ਨੇੜੇ ਵਾਲਾ ਪ੍ਰਦਾਤਾ 88% ਤੇ ਸੀ.

“ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਵਿੱਚ, ਇਹ ਕਾਲ ਹੱਲ ਕਰਨ ਅਤੇ ਅਨੁਕੂਲਤਾ ਘਟਨਾ ਪੈਦਾ ਕਰਨ ਵਿਚਲਾ ਫਰਕ ਹੈ,” Antoniou ਕਹਿੰਦੀ ਹੈ.

ਇਸ ਨਤੀਜੇ ਨੇ ਇਹ ਨਿਰਧਾਰਤ ਕੀਤਾ ਕਿ Gradient Labs ਨੇ ਆਪਣਾ ਸਿਸਟਮ ਕਿਵੇਂ ਡਿਜ਼ਾਈਨ ਕੀਤਾ. ਟੀਮ ਨੇ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਆਰਕੀਟੈਕਚਰ ਬਣਾਇਆ ਜੋ ਰੀਜ਼ਨਿੰਗ-ਗਹਿਰੇ ਕਦਮਾਂ ਲਈ OpenAI ਮਾਡਲਾਂ ਅਤੇ ਤੇਜ਼, deterministic ਕੰਮਾਂ ਲਈ ਛੋਟੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਨਾਲ ਹੀ ਐਸੀ ਰੂਟਿੰਗ ਜੋ ਜਟਿਲਤਾ ਅਤੇ ਲੇਟੈਂਸੀ ਪਾਬੰਦੀਆਂ ਦੇ ਆਧਾਰ ਤੇ ਅਨੁਕੂਲ ਹੁੰਦੀ ਹੈ.

ਅੰਦਰੂਨੀ ਤੌਰ ਤੇ, ਇਹ ਸਿਸਟਮ ਇੱਕ ਕੇਂਦਰੀ ਰੀਜ਼ਨਿੰਗ ਏਜੰਟ ਦੁਆਰਾ ਆਰਕੈਸਟ੍ਰੇਟ ਕੀਤੀਆਂ ਵਿਸ਼ੇਸ਼ ਕੁਸ਼ਲਤਾਵਾਂ ਤੋਂ ਬਣਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਜਟਿਲ ਕੇਸ ਸੰਦਰਭ ਗੁਆਏ ਬਿਨਾਂ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਅੱਗੇ ਵੱਧ ਸਕਦੇ ਹਨ. 

ਹਰ ਇੰਟਰੈਕਸ਼ਨ ਲਈ, 15+ ਗਾਰਡਰੇਲ ਸਿਸਟਮ ਸਮਾਂਤਰ ਚੱਲਦੇ ਹਨ ਤਾਂ ਜੋ ਗੱਲਬਾਤਾਂ ਨਿਰਧਾਰਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਅਨੁਕੂਲਤਾ ਹੱਦਾਂ ਅੰਦਰ ਰਹਿਣ, ਜਿਸ ਵਿੱਚ ਵਿੱਤੀ ਸਲਾਹ ਦੀ ਪਛਾਣ, ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਸੰਕੇਤ, ਸ਼ਿਕਾਇਤਾਂ, ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨ ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਸ਼ਾਮਲ ਹਨ. 

ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਐਸੇ ਸਿਸਟਮਾਂ ਨੂੰ ਅੰਨ੍ਹੇ ਵਿਸ਼ਵਾਸ ਤੇ ਤੈਨਾਤ ਨਹੀਂ ਕਰਦੀਆਂ. ਉਹਨਾਂ ਨੂੰ ਕਦਮ-ਦਰ-ਕਦਮ ਦੇਖਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਅਸਲ ਦੁਨੀਆ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਵਰਤਾਵ ਕਰਦਾ ਹੈ.

“ਤੁਹਾਨੂੰ ਬਿਨਾਂ ਹਾਲੂਸੀਨੇਸ਼ਨ ਵਾਲੇ ਸਿਸਟਮ ਲਈ ਬੁਨਿਆਦ ਤੋਂ ਆਰਕੀਟੈਕਟ ਕਰਨਾ ਪੈਂਦਾ ਹੈ,” Antoniou ਕਹਿੰਦੀ ਹੈ. “ਜਦੋਂ ਤੁਸੀਂ ਬਣਾ ਰਹੇ ਹੋ, ਇਹੀ ਮਾਰਗਦਰਸ਼ਕ ਸਿਧਾਂਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ.”

ਨਵੇਂ ਅਤੇ ਮੌਜੂਦਾ ਦੋਵੇਂ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ, ਟੀਮ ਅਸਲੀ ਗਾਹਕ ਗੱਲਬਾਤਾਂ ਨੂੰ ਮੁੜ ਚਲਾਉਂਦੀ ਹੈ ਅਤੇ ਸਿਸਟਮ ਦੇ ਵਰਤਾਵ ਦੀ ਉਮੀਦਿਤ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਤੁਲਨਾ ਕਰਦੀ ਹੈ. ਉਹ ਤੈਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ edge cases ਅਤੇ ਕਦਾਚਿਤ ਆਉਣ ਵਾਲੀਆਂ ਸਥਿਤੀਆਂ ਦੀ ਜਾਂਚ ਲਈ synthetic ਗੱਲਬਾਤਾਂ ਵੀ ਬਣਾਉਂਦੇ ਹਨ.

Gradient Labs ਟੀਮਾਂ ਨੂੰ ਇਸ ਗੱਲ ਤੇ ਵੀ ਕੰਟਰੋਲ ਦਿੰਦਾ ਹੈ ਕਿ ਸਿਸਟਮ ਕਿਵੇਂ ਪੇਸ਼ ਕੀਤਾ ਜਾਵੇ. ਉਹ ਇਤਿਹਾਸਕ ਸਹਾਇਤਾ ਡਾਟੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਨਕਸ਼ਾ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਬੈਂਕ ਕਿਹੜੀਆਂ ਕਿਸਮਾਂ ਦੀਆਂ ਗਾਹਕ ਸਮੱਸਿਆਵਾਂ ਸੰਭਾਲਦਾ ਹੈ ਅਤੇ ਉਹ ਕਿੰਨੀ ਵਾਰ ਹੁੰਦੀਆਂ ਹਨ. ਫਿਰ ਟੀਮਾਂ ਚੁਣ ਸਕਦੀਆਂ ਹਨ ਕਿ AI ਕਿਹੜੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਸੰਭਾਲੇ, ਘੱਟ-ਜੋਖਿਮ ਵਰਕਫਲੋਜ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰਕੇ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਸਤਾਰ ਕਰਕੇ.

ਲਾਈਵ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਗਾਹਕ ਵੱਖ-ਵੱਖ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸਿਸਟਮ ਦੇ ਜਵਾਬ ਦੀ ਸਮੀਖਿਆ ਕਰਨ ਲਈ ਗੱਲਬਾਤਾਂ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਇਹ ਭਰੋਸਾ ਬਣਦਾ ਹੈ ਕਿ ਇਹ ਉਮੀਦ ਅਨੁਸਾਰ ਵਰਤਾਵ ਕਰਦਾ ਹੈ. 

ਤੈਨਾਤੀ ਆਮ ਤੌਰ ਤੇ ਟ੍ਰੈਫਿਕ ਦੇ ਇੱਕ ਛੋਟੇ ਪ੍ਰਤੀਸ਼ਤ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ, ਜਿੱਥੇ ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਅਤੇ ਆਟੋਮੇਟਿਡ ਜਾਂਚਾਂ ਉਹ ਗੱਲਬਾਤਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਪੈ ਸਕਦੀ ਹੈ. ਸਮੇਂ ਨਾਲ, ਜਿਵੇਂ ਸਿਸਟਮ ਲਗਾਤਾਰ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਕਵਰੇਜ ਵਧਦੀ ਜਾਂਦੀ ਹੈ.

Gradient Labs ਦੇ ਗਾਹਕ 98% ਤੱਕ ਦੇ CSAT ਸਕੋਰ ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ, ਅਤੇ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਆਪਣੇ ਸਭ ਤੋਂ ਵਧੀਆ ਮਨੁੱਖੀ ਏਜੰਟਾਂ ਨੂੰ ਵੀ ਪਿੱਛੇ ਛੱਡਦੇ ਹਨ. ਜ਼ਿਆਦਾਤਰ ਤੈਨਾਤੀਆਂ ਪਹਿਲੇ ਦਿਨ ਹੀ 50% ਤੋਂ ਵੱਧ resolution ਦਰਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀਆਂ ਹਨ, ਇੱਥੋਂ ਤੱਕ ਕਿ disputes, account verification ਅਤੇ fraud ਵਰਗੇ ਜਟਿਲ ਵਰਕਫਲੋਜ਼ ਲਈ ਵੀ. 

ਇਹ ਪ੍ਰਭਾਵ ਕੰਪਨੀ ਦੀ ਵਾਧੇ ਵਿੱਚ ਵੀ ਦਿੱਸਦਾ ਹੈ. Gradient Labs ਨੇ ਪਿਛਲੇ ਸਾਲ ਦੌਰਾਨ ਆਪਣੀ ਆਮਦਨ 10x ਤੋਂ ਵੱਧ ਵਧਾਈ ਹੈ, ਅਤੇ inbound support ਤੋਂ outbound ਅਤੇ back-office ਪ੍ਰਕਿਰਿਆਵਾਂ ਤੱਕ ਵਿਸਤਾਰ ਕੀਤਾ ਹੈ.

ਅੱਗੇ ਵੇਖਦੇ ਹੋਏ, Gradient Labs ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਤੇ ਧਿਆਨ ਕੇਂਦ੍ਰਿਤ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਇੰਟਰੈਕਸ਼ਨਾਂ ਵਿੱਚ ਸੰਦਰਭ ਲੈ ਕੇ ਚੱਲ ਸਕਣ: ਗਾਹਕ ਦਾ ਇਤਿਹਾਸ ਸਮਝਣਾ, ਚੱਲ ਰਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਟ੍ਰੈਕ ਕਰਨਾ, ਅਤੇ ਜਿੱਥੇ ਪਿਛਲੀਆਂ ਗੱਲਬਾਤਾਂ ਮੁੱਕੀਆਂ ਸਨ ਉੱਥੇ ਤੋਂ ਮੁੜ ਸ਼ੁਰੂ ਕਰਨਾ. ਇਹ ਦਿਸ਼ਾ ਇਸ ਗੱਲ ਨਾਲ ਘੰਮਭੀਰ ਤੌਰ ਤੇ ਮਿਲਦੀ ਹੈ ਕਿ Gradient Labs OpenAI ਨਾਲ ਆਪਣੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਭਾਈਵਾਲੀ ਬਾਰੇ ਕਿਵੇਂ ਸੋਚਦਾ ਹੈ.

ਜਿਵੇਂ ਜਿਵੇਂ ਮਾਡਲ ਸੁਧਰਦੇ ਜਾਂਦੇ ਹਨ, ਉਹ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਰੇਂਜ ਵੀ ਵਧਦੀ ਜਾਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਆਟੋਮੇਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ. Gradient Labs ਲਈ ਇਸਦਾ ਮਤਲਬ ਹੈ ਉਸ ਸਿਸਟਮ ਦੇ ਹੋਰ ਨੇੜੇ ਜਾਣਾ ਜਿੱਥੇ ਹਰ ਗਾਹਕ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ ਮਨੁੱਖੀ ਏਜੰਟ ਵਰਗੀ ਹੀ ਲਗਾਤਾਰਤਾ, ਫੈਸਲਾ-ਸਮਰੱਥਾ ਅਤੇ ਨਿਰੰਤਰਤਾ ਨਾਲ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ.