Gradient Labs ہر بینک صارف کو ایک AI اکاؤنٹ مینیجر دیتا ہے

بینکاری میں، کسی صارف کے مسئلے کو حل کرنا شاذونادر ہی آسان ہوتا ہے۔ فراڈ یا بلاک شدہ ادائیگیوں جیسے معاملات میں متعدد ٹیموں کے درمیان پیچیدہ طریقۂ کار کی سخت پابندی درکار ہوتی ہے۔ جب سسٹمز ناکام ہو جائیں تو صارفین کو ایک ٹیم سے دوسری ٹیم کے پاس بھیجا جاتا ہے، وہ قطاروں میں انتظار کرتے ہیں، اور ایسے لمحوں میں تاخیر کا سامنا کرتے ہیں جب معاملہ سب سے زیادہ اہم ہوتا ہے۔

Gradient Labs⁠(نئی ونڈو میں کھلتا ہے) اسی پیچیدگی کو سنبھالنے کے لیے بنایا گیا ہے۔ لندن میں قائم یہ کمپنی ایسے AI ایجنٹس بنا رہی ہے جو ہر بینک صارف کو ایک مخصوص اکاؤنٹ مینیجر جیسا تجربہ دیتے ہیں۔ اس کی بنیاد ایسی ٹیم نے رکھی جس نے پہلے Monzo میں AI اور ڈیٹا کی کوششوں کی قیادت کی تھی، اور کمپنی کا پلیٹ فارم OpenAI ماڈلز پر بنایا گیا ہے اور اب یہ پروڈکشن ٹریفک کو GPT‑5.4 mini اور nano پر منتقل کر رہا ہے۔

“ہم GPT‑5.4 mini اور nano کے ساتھ 500 ملی سیکنڈ لیٹنسی دیکھ رہے ہیں، جو قدرتی وائس کنورسیشنز کے لیے بالکل وہی ہے جس کی ہمیں ضرورت ہے،” Gradient Labs کی کو-فاؤنڈر اور چیف سائنٹسٹ Danai Antoniou کہتی ہیں۔ “ہم اپنے ورک لوڈ کا ایک نمایاں حصہ اس پر منتقل کر رہے ہیں۔”

بینکاری میں، صارف تعاملات معیاری عملی طریقۂ کار (SOPs) کے تحت ہوتے ہیں جو یہ طے کرتے ہیں کہ ہر مرحلے پر کیا ہونا چاہیے۔

ایک عام صارف کا انٹرایکشن کچھ اس طرح دکھ سکتا ہے:

1. ایک صارف چوری ہو گئے کارڈ کی اطلاع دینے کے لیے کال کرتا ہے۔
2. سسٹم ان کی شناخت کی تصدیق کرتا ہے، اور درستگیوں اور رکاوٹوں کو ریئل ٹائم میں سنبھالتا ہے۔
3. تصدیق کے بعد، یہ کارڈ کو منجمد کرتا ہے اور متبادل جاری کرنے کا عمل شروع کرتا ہے۔
4. یہ فالو اپ کے سوالات، جیسے ڈیلیوری کا وقت وغیرہ، کے جواب دیتا ہے اور اگلے اقدامات تجویز کرتا ہے۔

ہر مرحلہ ایک متعین طریقۂ کار کے مطابق انجام پاتا ہے، جہاں فیصلے صارف کے ان پٹ، سیاق و سباق، فعال حفاظتی اصولوں، اور صارف و ایجنٹ کے جوابات کی بنیاد پر حقیقی وقت میں کیے جاتے ہیں تاکہ تعمیل یقینی بنائی جا سکے.

Danai Antoniou کے مطابق:“ماڈل کو رکاوٹوں، ضمنی مواصلت (بیک چینلز) اور موضوع کی تبدیلیوں کے دوران طریقۂ کار کی حالت برقرار رکھنی ہوتی ہے، جبکہ ردِعمل کی تیاری کو تیز بھی رکھنا ضروری ہے۔ زیادہ تر فراہم کنندگان تو اس کی کوشش بھی نہیں کر سکے.”

Gradient Labs فراہم کنندگان کو اپنے سب سے مشکل طریقۂ کار پر بینچ مارک کرتا ہے اور ان کا جائزہ اس بنیاد پر لیتا ہے جسے وہ trajectory accuracy کہتے ہیں: آیا سسٹم آغاز سے اختتام تک درست راستہ اختیار کرتا ہے یا نہیں۔

ان کی ابتدائی جانچ میں، GPT‑4.1 واحد ماڈل تھا جس نے 97% ٹریجیکٹری درستگی اور تسلسل حاصل کیا، جبکہ اگلا قریبی فراہم کنندہ 88% تک پہنچ سکا.

Danai Antoniou کے مطابق: “مالیاتی خدمات میں، یہی فرق ہوتا ہے کہ ایک کال کامیابی سے حل ہو یا تعمیل سے متعلق مسئلہ پیدا ہو جائے۔”

اس نتیجے نے یہ طے کیا کہ Gradient Labs نے اپنا سسٹم کیسے ڈیزائن کیا. ٹیم نے ایک ہائبرڈ آرکیٹیکچر بنایا جو ریزننگ پر مبنی مراحل کے لیے OpenAI ماڈلز اور تیز، متعین کاموں کے لیے چھوٹے ماڈلز استعمال کرتا ہے، ساتھ ہی ایسی روٹنگ جو پیچیدگی اور لیٹنسی کی پابندیوں کے مطابق ڈھلتی ہے.

اندرونی طور پر، سسٹم مخصوص مہارتوں پر مشتمل ہے جنہیں ایک مرکزی ریزننگ ایجنٹ منظم کرتا ہے، جس سے پیچیدہ کیسز سیاق و سباق کھوئے بغیر مختلف ورک فلوز میں منتقل ہو سکتے ہیں۔ 

ہر تعامل کے لیے 15 سے زائد گارڈ ریل سسٹمز بیک وقت چلتے ہیں تاکہ گفتگو متعین طریقۂ کار اور تعمیل کی حدود میں رہے، جن میں مالی مشورے کی شناخت، کمزوری کے اشارے، شکایات، اور تصدیق کو نظرانداز کرنے یا حساس معلومات تک رسائی کی کوششیں شامل ہیں. 

مالیاتی ادارے ایسے سسٹمز کو محض یقین کی بنیاد پر تعینات نہیں کرتے. انہیں مرحلہ وار دیکھنا ہوتا ہے کہ یہ حقیقی دنیا کے حالات میں درست رویہ اختیار کرتا ہے.

Antoniou کے مطابق:“آپ کو ابتدا ہی سے نظام کو اس طرح ڈیزائن کرنا ہوگا کہ ہیلوسینیشن نہ ہوں۔ تعمیر کے دوران یہی بنیادی اصول ہونا چاہیے."

نئے اور موجودہ دونوں ماڈلز کا جائزہ لینے کے لیے ٹیم حقیقی صارفین کی گفتگوؤں کو دوبارہ چلاتی ہے اور نظام کے رویے کا موازنہ متوقع طریقۂ کار سے کرتی ہے۔ وہ تعیناتی سے پہلے غیر معمولی اور کم پیش آنے والے حالات کو جانچنے کے لیے مصنوعی گفتگوئیں بھی تیار کرتے ہیں.

Gradient Labs ٹیموں کو یہ کنٹرول بھی دیتا ہے کہ نظام کو کیسے متعارف کرایا جائے۔ وہ ماضی کے سپورٹ ڈیٹا کا تجزیہ کر کے بینک کے صارفین کے مسائل اور ان کی تکرار کو سمجھتے ہیں۔ اس کے بعد ٹیمیں طے کرتی ہیں کہ AI کن زمروں کو سنبھالے—کم خطرے والے ورک فلو سے آغاز کر کے وقت کے ساتھ دائرہ بڑھایا جاتا ہے.

لائیو ہونے سے پہلے، صارف مختلف منظرناموں میں سسٹم کے جواب کا جائزہ لینے کے لیے گفتگوؤں کی نقل کر سکتے ہیں، جس سے اعتماد بنتا ہے کہ یہ توقع کے مطابق برتاؤ کررہا ہے. 

تعیناتی عموماً ٹریفک کے ایک چھوٹے حصے سے شروع ہوتی ہے، جہاں مسلسل نگرانی اور خودکار جانچ ایسے مکالمات کی نشاندہی کرتی ہے جنہیں انسانی جائزے کی ضرورت ہو سکتی ہے۔ وقت کے ساتھ، جب نظام مسلسل بہتر کارکردگی دکھاتا ہے تو اس کا دائرۂ کار بڑھا دیا جاتا ہے.

Gradient Labs کے صارفین 98% تک کے CSAT اسکورز رپورٹ کرتے ہیں، اور بعض صورتوں میں اپنے بہترین انسانی ایجنٹس سے بھی بہتر کارکردگی دکھاتے ہیں۔ زیادہ تر تعیناتیاں پہلے ہی دن 50% سے زائد حل کی شرح کے ساتھ شروع ہوتی ہیں، حتیٰ کہ تنازعات، اکاؤنٹ کی تصدیق اور دھوکہ دہی جیسے پیچیدہ ورک فلو کے لیے بھی. 

یہ اثر کمپنی کی ترقی میں بھی نمایاں ہے۔ Gradient Labs نے گزشتہ ایک سال میں اپنی آمدنی میں 10 گنا سے زیادہ اضافہ کیا ہے، اور اِن باؤنڈ سپورٹ سے آگے بڑھ کر آؤٹ باؤنڈ اور بیک آفس عمل تک توسیع کی ہے.

آگے دیکھتے ہوئے، Gradient Labs ایسے نظاموں پر توجہ مرکوز کیے ہوئے ہے جو مختلف تعاملات کے درمیان سیاق و سباق کو برقرار رکھ سکیں—صارف کی ہسٹری کو سمجھنا، جاری مسائل کو ٹریک کرنا، اور وہیں سے گفتگو کو آگے بڑھانا جہاں پہلے ختم ہوئی تھی. یہ سمت Gradient Labs کی OpenAI کے ساتھ طویل مدتی شراکت داری کے تصور سے قریبی طور پر ہم آہنگ ہے.

جیسے جیسے ماڈلز بہتر ہوتے جا رہے ہیں، ان طریقۂ کار کی حد بھی بڑھ رہی ہے جنہیں محفوظ طریقے سے خودکار بنایا جا سکتا ہے. Gradient Labs کے لیے اس کا مطلب ایک ایسے سسٹم کے مزید قریب جانا ہے جہاں ہر صارف تعامل کو اسی یکسانیت، فیصلہ سازی، اور تسلسل کے ساتھ سنبھالا جائے جیسے ایک اعلیٰ درجے کا انسانی ایجنٹ سنبھالتا ہے.