Gradient Labs vsakemu komitentu priskrbi skrbnika računa z UI

V bančništvu je reševanje težave komitenta le redko preprosto. Primeri, kot so goljufije ali blokirana plačila, zahtevajo dosledno upoštevanje kompleksnih postopkov v več ekipah. Ko sistemi ne zadoščajo, komitenti prehajajo od ene ekipe do druge, čakajo v vrstah in se soočajo z zamudami v trenutkih, ko je tveganje največje.

Podjetje Gradient Labs⁠(odpre se v novem oknu) je bilo zasnovano za obvladovanje te kompleksnosti. Podjetje s sedežem v Londonu gradi agente umetne inteligence, ki vsakemu bančnemu komitentu omogočajo izkušnjo osebnega skrbnika računa. Podjetje je ustanovila ekipa, ki je prej vodila pobude na področju umetne inteligence in podatkov pri Monzu, njegova platforma pa je zgrajena na modelih OpenAI in zdaj preusmerja produkcijski promet na modela GPT‑5.4 mini in nano.

»Pri modelih GPT‑5.4 mini in nano opažamo 500-milisekundno zakasnitev, kar je točno to, kar potrebujemo za naravne glasovne pogovore,« pravi Danai Antoniou, soustanoviteljica in glavna znanstvenica pri podjetju Gradient Labs. »Na agente prenašamo pomemben del naših delovnih obremenitev.«

V bančništvu interakcijo s komitenti urejajo standardni operativni postopki (SOP-i), ki določajo, kaj se mora zgoditi na vsakem koraku.

Tipična interakcija s komitentom je lahko videti tako:

1. Komitent pokliče, da prijavi ukradeno kartico.
2. Sistem preveri njegovo identiteto ter v realnem času obravnava popravke in prekinitve.
3. Po potrditvi zamrzne kartico in sproži izdajo nadomestne.
4. Odgovori na dodatna vprašanja, na primer o času dostave, in predlaga naslednje korake.

Vsak korak sledi določenemu postopku, odločitve pa se sprejemajo v realnem času na podlagi uporabnikovega vnosa, konteksta, aktivnih varovalk ter odzivov stranke in agenta, da se zagotovi skladnost.

»Model mora ohranjati stanje postopka med prekinitvami, povratnimi signali in menjavami tem, pri tem pa ohranjati hitro generiranje odgovorov,« pravi Antoniou. »Večina ponudnikov tega ni mogla niti poskusiti storiti.«

Gradient Labs primerja ponudnike na podlagi njihovih najzahtevnejših postopkov in jih ocenjuje glede na to, kar imenujejo natančnost poti: ali sistem od začetka do konca sledi pravilni poti.

V eni od njihovih začetnih evalvacij je bil GPT‑4.1 edini model, ki je dosegel 97-% natančnost in doslednost na poti. Naslednji najbližji ponudnik je dosegel 88 %.

»V finančnih storitvah je to razlika med tem, da klic razrešite, in tem, da ustvarite incident neskladnosti,« pravi Antoniou.

Ta rezultat je vplival na to, kako je podjetje Gradient Labs zasnovalo svoj sistem. Ekipa je razvila hibridno arhitekturo, ki uporablja modele OpenAI za korake, zahtevne z vidika sklepanja, in manjše modele za hitrejše, deterministične naloge, pri čemer se usmerjanje prilagaja glede na kompleksnost in omejitve zakasnitve.

Sistem je notranje sestavljen iz specializiranih veščin, ki jih usklajuje osrednji agent za sklepanje, kar kompleksnim primerom omogoča prehajanje med delovnimi tokovi brez izgube konteksta. 

Za vsako interakcijo deluje več kot 15 varovalnih sistemov, ki zagotavljajo, da pogovori ostanejo znotraj določenih postopkov in meja skladnosti, vključno z zaznavanjem finančnega svetovanja, signalov ranljivosti, pritožb ter poskusov obidenja preverjanja ali poskusov dostopa do občutljivih podatkov. 

Finančne institucije takšnih sistemov ne uvajajo zgolj na zaupanje. Videti morajo korak za korakom, da deluje pravilno v realnih pogojih.

»Arhitekturo morate zasnovati od temeljev tako, da ne prihaja do halucinacij,« pravi Antoniou. »To mora biti vodilno načelo med gradnjo.«

Da bi ekipa ocenila tako nove kot obstoječe modele, znova predvaja resnične pogovore s komitenti in primerja vedenje sistema s pričakovanim postopkom. Prav tako ustvarjajo sintetične pogovore za testiranje robnih primerov in redkih scenarijev, preden je kar koli uvedeno.

Gradient Labs ekipam omogoča tudi nadzor nad načinom uvajanja sistema. Analizirajo pretekle podatke o podpori, da opredelijo vrste težav komitentov, ki jih banka obravnava, in pogostost njihovega pojavljanja. Ekipe lahko nato izberejo, katere kategorije naj obravnava umetna inteligenca, začenši z delovnimi tokovi z manjšim tveganjem, nato pa to sčasoma širijo.

Pred začetkom uporabe lahko komitenti simulirajo pogovore in preverijo, kako se sistem odziva v različnih scenarijih, ter si tako zagotovijo, da deluje po pričakovanjih. 

Uvajanje se običajno začne z majhnim deležem prometa, pri čemer se pri nenehnem spremljanju in avtomatiziranih pregledih označujejo pogovori, ki morda zahtevajo človeški pregled. Sčasoma se obseg širi, ko sistem izkazuje dosledno delovanje.

Stranke podjetja Gradient Labs poročajo o ocenah CSAT, ki dosegajo tudi 98 %, v nekaterih primerih pa presegajo celo njihove najboljše človeške svetovalce. Večina uvedb že prvi dan doseže več kot 50-odstotno stopnjo razrešitve, tudi pri zahtevnih delovnih procesih, kot so spori, preverjanje računov in goljufije. 

Ta vpliv se odraža v rasti podjetja. Podjetje Gradient Labs je v zadnjem letu prihodke povečalo za več kot desetkrat in se razširilo s področja vhodne podpore na izhodne in zaledne procese.

V prihodnje se bo podjetje Gradient Labs osredotočalo na sisteme, ki lahko ohranjajo kontekst med interakcijami: razumejo zgodovino komitenta, spremljajo tekoče težave in nadaljujejo tam, kjer so se prejšnji pogovori končali. Ta usmeritev je tesno usklajena z načinom, na katerega v podjetju Gradient Labs razmišljajo o svojem dolgoročnem partnerstvu z družbo OpenAI.

Ko se modeli še naprej izboljšujejo, se širi nabor postopkov, ki jih je mogoče varno avtomatizirati. Za podjetje Gradient Labs to pomeni približevanje sistemu, v katerem je vsaka interakcija s komitentom obravnavana z enako doslednostjo, presojo in kontinuiteto kot pri vrhunskem človeškem agentu.