მიუხედავად იმისა, რომ ბევრი საწარმო ახლა აქტიურად ცდილობს ხელოვნური ინტელექტის (AI) დანერგვას და გამოყენებას, საკრედიტო ბიუროს გიგანტმა Experian-მა ძალიან გაწონასწორებული მიდგომა აირჩია.
Experian-მა შეიმუშავა საკუთარი შიდა პროცესები, ჩარჩოები და მართვის მოდელები, რომლებიც დაეხმარა მას გენერაციული ხელოვნური ინტელექტის გამოცდაში, მასშტაბურად დანერგვაში და გავლენის მოხდენაში. კომპანიის ეს გზა დაეხმარა ოპერაციების ტრადიციული საკრედიტო ბიუროდან დახვეწილ AI-ზე მომუშავე პლატფორმულ კომპანიად გარდაქმნაში. მისმა მიდგომამ, რომელიც აერთიანებს მოწინავე მანქანურ სწავლებას (ML), აგენტურ AI არქიტექტურასა და მასობრივ ინოვაციებს, გააუმჯობესა ბიზნეს ოპერაციები და გააფართოვა ფინანსური ხელმისაწვდომობა დაახლოებით 26 მილიონი ამერიკელისთვის.
Experian-ის AI-მოგზაურობა მკვეთრად განსხვავდება იმ კომპანიებისგან, რომლებმაც მანქანური სწავლების შესწავლა მხოლოდ ChatGPT-ის 2022 წელს გამოჩენის შემდეგ დაიწყეს. საკრედიტო გიგანტი მეთოდურად ავითარებდა AI შესაძლებლობებს თითქმის ორი ათწლეულის განმავლობაში, ქმნიდა საფუძველს, რომელიც საშუალებას აძლევს მას სწრაფად გამოიყენოს გენერაციული AI მიღწევები.
„AI Experian-ის ქსოვილის ნაწილი იყო ჯერ კიდევ მაშინ, სანამ AI-ში ყოფნა „მოდური“ გახდებოდა“, - განუცხადა VentureBeat-ს ექსკლუზიურ ინტერვიუში შრი სანთანამმა, Experian-ის EVP და პროგრამული უზრუნველყოფის, პლატფორმებისა და AI პროდუქტების გენერალურმა მენეჯერმა. „ჩვენ ვიყენებდით AI-ს ჩვენი მონაცემების ძალის გასახსნელად, რათა უკეთესი გავლენა მოეხდინა ბიზნესსა და მომხმარებლებზე ბოლო ორი ათწლეულის განმავლობაში.“
ტრადიციული მანქანური სწავლიდან AI ინოვაციების ძრავამდე
თანამედროვე გენერაციული AI ეპოქამდეც კი, Experian უკვე იყენებდა და ახორციელებდა ინოვაციებს ML-ით.
სანთანამმა განმარტა, რომ ძირითად, ტრადიციულ სტატისტიკურ მოდელებზე დაყრდნობის ნაცვლად, Experian-მა პიონერობა გაუწია გრადიენტული გამაძლიერებელი გადაწყვეტილების ხეების გამოყენებას მანქანური სწავლების სხვა ტექნიკებთან ერთად საკრედიტო ანდერრაიტინგისთვის. კომპანიამ ასევე შეიმუშავა ახსნადი AI სისტემები - რაც გადამწყვეტია ფინანსურ სერვისებში მარეგულირებელი მოთხოვნების შესასრულებლად - რომელსაც შეუძლია ავტომატური დაკრედიტების გადაწყვეტილებების მიღმა არსებული მსჯელობის არტიკულირება.
რაც ყველაზე მნიშვნელოვანია, Experian-ის ინოვაციების ლაბორატორიამ (ყოფილი Data Lab) ექსპერიმენტები ჩაატარა ენობრივ მოდელებთან და ტრანსფორმატორულ ქსელებთან ChatGPT-ის გამოშვებამდე დიდი ხნით ადრე. ამ ადრეულმა მუშაობამ კომპანიას საშუალება მისცა სწრაფად გამოეყენებინა გენერაციული AI მიღწევები ნულიდან დაწყების ნაცვლად.
„როდესაც ChatGPT-ის მეტეორი მოხვდა, ეს ჩვენთვის აჩქარების საკმაოდ მარტივი მომენტი იყო, რადგან ჩვენ გვესმოდა ტექნოლოგია, გვქონდა განაცხადები მხედველობაში და უბრალოდ პედალს დავაჭირეთ“, - განმარტა სანთანამმა.
ამ ტექნოლოგიურმა საფუძველმა Experian-ს საშუალება მისცა გვერდი აევლო ექსპერიმენტული ფაზისთვის, რომელსაც ბევრი საწარმო ჯერ კიდევ გადის და პირდაპირ საწარმოო დანერგვაზე გადასულიყო. მაშინ როდესაც სხვა ორგანიზაციები ახლა იწყებდნენ იმის გაგებას, თუ რისი გაკეთება შეეძლოთ დიდ ენობრივ მოდელებს (LLM), Experian უკვე ახორციელებდა მათ არსებულ AI ჩარჩოში, გამოიყენებდა მათ კონკრეტული ბიზნეს პრობლემებისთვის, რომლებიც მანამდე ჰქონდა იდენტიფიცირებული.
ოთხი საყრდენი საწარმოს AI ტრანსფორმაციისთვის
როდესაც გენერაციული AI გამოჩნდა, Experian-ს პანიკა არ დაწყებია და არც მიმართულება შეუცვლია; მან აჩქარება განაგრძო უკვე დაგეგმილი გზით. კომპანიამ თავისი მიდგომა ოთხი სტრატეგიული საყრდენის გარშემო მოაწყო, რომლებიც ტექნიკურ ლიდერებს სთავაზობენ ყოვლისმომცველ ჩარჩოს AI-ს ასათვისებლად:
- პროდუქტის გაუმჯობესება: Experian სწავლობს არსებულ მომხმარებელზე ორიენტირებულ შეთავაზებებს, რათა გამოავლინოს შესაძლებლობები AI-ზე დაფუძნებული გაუმჯობესებებისა და სრულიად ახალი მომხმარებლის გამოცდილებისთვის. დამოუკიდებელი AI ფუნქციების შექმნის ნაცვლად, Experian ახდენს გენერაციული შესაძლებლობების ინტეგრირებას თავის ძირითად პროდუქტების კომპლექტში.
- პროდუქტიულობის ოპტიმიზაცია: მეორე საყრდენი მიმართული იყო პროდუქტიულობის ოპტიმიზაციაზე AI-ს დანერგვით საინჟინრო ჯგუფებში, მომხმარებელთა მომსახურების ოპერაციებსა და შიდა ინოვაციების პროცესებში. ეს მოიცავდა AI კოდირების დახმარების უზრუნველყოფას დეველოპერებისთვის და მომხმარებელთა მომსახურების ოპერაციების გამარტივებას.
- პლატფორმის განვითარება: მესამე საყრდენი - შესაძლოა ყველაზე კრიტიკული Experian-ის წარმატებისთვის - ორიენტირებული იყო პლატფორმის განვითარებაზე. Experian-მა ადრე აღიარა, რომ ბევრი ორგანიზაცია იბრძოლებდა კონცეფციის დამტკიცების ფაზის მიღმა გასასვლელად, ამიტომ მან ინვესტიცია ჩადო პლატფორმის ინფრასტრუქტურის მშენებლობაში, რომელიც სპეციალურად შექმნილია AI ინიციატივების საწარმოში პასუხისმგებლობით მასშტაბირებისთვის.
- განათლება და გაძლიერება: მეოთხე საყრდენი მიმართული იყო განათლებაზე, გაძლიერებასა და კომუნიკაციაზე - სტრუქტურირებული სისტემების შექმნაზე ინოვაციების წასახალისებლად მთელ ორგანიზაციაში, ნაცვლად იმისა, რომ AI ექსპერტიზა შეზღუდული ყოფილიყო სპეციალიზებული გუნდებით.
ეს სტრუქტურირებული მიდგომა სთავაზობს გეგმას საწარმოებს, რომლებიც ცდილობენ გასცდნენ მიმოფანტულ AI ექსპერიმენტებს და მიაღწიონ სისტემურ დანერგვას გაზომვადი ბიზნესის გავლენით.
ტექნიკური არქიტექტურა: როგორ ააშენა Experian-მა მოდულური AI პლატფორმა
ტექნიკური გადაწყვეტილების მიმღებთათვის, Experian-ის პლატფორმის არქიტექტურა აჩვენებს, თუ როგორ უნდა ავაშენოთ საწარმოს AI სისტემები, რომლებიც აბალანსებენ ინოვაციებს მმართველობასთან, მოქნილობასა და უსაფრთხოებასთან.
კომპანიამ ააგო მრავალშრიანი ტექნიკური სტეკი ძირითადი დიზაინის პრინციპებით, რომლებიც პრიორიტეტს ანიჭებენ ადაპტირებას:
„ჩვენ თავს ვარიდებთ ცალმხრივი გადაწყვეტილებების მიღებას“, - განმარტა სანთანამმა. „თუ ჩვენ ვიღებთ გადაწყვეტილებებს ტექნოლოგიაზე ან ჩარჩოებზე, გვინდა დავრწმუნდეთ, რომ უმეტესწილად... ჩვენ ვიღებთ ისეთ არჩევანს, რომლის შეცვლაც საჭიროების შემთხვევაში შეგვეძლება.“
არქიტექტურა მოიცავს:
ეს მიდგომა განსხვავდება საწარმოებისგან, რომლებმაც ერთჯერადი გამყიდველის გადაწყვეტილებები ან საკუთრების მოდელები აირჩიეს, რაც Experian-ს უფრო დიდ მოქნილობას აძლევს, რადგან AI შესაძლებლობები აგრძელებს განვითარებას. კომპანია ახლა ხედავს, რომ მისი არქიტექტურა გადადის იმაზე, რასაც სანთანამი აღწერს, როგორც „AI სისტემებს, რომლებიც უფრო მეტად არქიტექტურირებულია, როგორც ექსპერტებისა და აგენტების ნაზავი, რომლებიც იკვებება უფრო ფოკუსირებული სპეციალისტით ან მცირე ენობრივი მოდელებით.“
გაზომვადი გავლენა: AI-ზე დაფუძნებული ფინანსური ჩართულობა მასშტაბურად
არქიტექტურული დახვეწილობის გარდა, Experian-ის AI დანერგვა აჩვენებს კონკრეტულ ბიზნეს და საზოგადოებრივ გავლენას, განსაკუთრებით „საკრედიტო უხილავების“ გამოწვევის გადაჭრაში.
ფინანსური სერვისების ინდუსტრიაში „საკრედიტო უხილავები“ ეხება დაახლოებით 26 მილიონ ამერიკელს, რომლებსაც არ აქვთ საკმარისი საკრედიტო ისტორია ტრადიციული საკრედიტო ქულის შესაქმნელად. ეს პირები, ხშირად ახალგაზრდა მომხმარებლები, ახალი იმიგრანტები ან ისტორიულად არასაკმარისად მომსახურებული თემებიდან, აწყდებიან მნიშვნელოვან ბარიერებს ფინანსურ პროდუქტებზე წვდომისას, მიუხედავად იმისა, რომ შესაძლოა იყვნენ კრედიტუნარიანები.
ტრადიციული საკრედიტო ქულის მოდელები ძირითადად ეყრდნობა სტანდარტულ საკრედიტო ბიუროს მონაცემებს, როგორიცაა სესხის გადახდის ისტორია, საკრედიტო ბარათების გამოყენება და დავალიანების დონე. ამ ჩვეულებრივი ისტორიის გარეშე, გამსესხებლები ისტორიულად მიიჩნევდნენ ამ მომხმარებლებს მაღალი რისკის მქონედ ან საერთოდ უარს ამბობდნენ მათ მომსახურებაზე. ეს ქმნის ჩიხურ სიტუაციას, სადაც ადამიანებს არ შეუძლიათ კრედიტის აშენება, რადგან მათ თავიდანვე არ შეუძლიათ საკრედიტო პროდუქტებზე წვდომა.
Experian-მა ეს პრობლემა გადაჭრა ოთხი კონკრეტული AI ინოვაციის საშუალებით:
- ალტერნატიული მონაცემთა მოდელები: მანქანური სწავლების სისტემები, რომლებიც აერთიანებს არატრადიციულ მონაცემთა წყაროებს (ქირის გადახდები, კომუნალური გადასახადები, სატელეკომუნიკაციო გადახდები) კრედიტუნარიანობის შეფასებებში, აანალიზებს ასობით ცვლადს ტრადიციული მოდელების შეზღუდული ფაქტორების ნაცვლად.
- ახსნადი AI შესაბამისობისთვის: ჩარჩოები, რომლებიც ინარჩუნებენ მარეგულირებელ შესაბამისობას იმის არტიკულირებით, თუ რატომ მიიღება კონკრეტული ქულების გადაწყვეტილებები, რაც საშუალებას იძლევა გამოიყენონ კომპლექსური მოდელები მკაცრად რეგულირებულ საკრედიტო გარემოში.
- ტრენდული მონაცემების ანალიზი: AI სისტემები, რომლებიც იკვლევენ, თუ როგორ ვითარდება ფინანსური ქცევები დროთა განმავლობაში, ვიდრე სტატიკური სურათების მიწოდებას, აღმოაჩენენ ნიმუშებს ბალანსის ტრაექტორიებსა და გადახდის ქცევებში, რომლებიც უკეთ წინასწარმეტყველებენ მომავალ კრედიტუნარიანობას.
- სეგმენტზე სპეციფიკური არქიტექტურები: მორგებული მოდელის დიზაინები, რომლებიც მიმართულია საკრედიტო უხილავების სხვადასხვა სეგმენტზე - მათზე, ვისაც აქვს თხელი ფაილები, და მათზე, ვისაც საერთოდ არ აქვს ტრადიციული ისტორია.
შედეგები მნიშვნელოვანია: ფინანსურ ინსტიტუტებს, რომლებიც იყენებენ ამ AI სისტემებს, შეუძლიათ დაამტკიცონ 50%-ით მეტი განაცხადი ადრე უხილავი მოსახლეობისგან, რისკის მაჩვენებლების შენარჩუნებით ან გაუმჯობესებით.
პრაქტიკული რეკომენდაციები ტექნიკური გადაწყვეტილების მიმღებთათვის
საწარმოებისთვის, რომლებიც ცდილობენ ლიდერობას AI-ს დანერგვაში, Experian-ის გამოცდილება გვთავაზობს რამდენიმე პრაქტიკულ რეკომენდაციას:
ააშენეთ ადაპტირებადი არქიტექტურა: შექმენით AI პლატფორმები, რომლებიც იძლევა მოდელის მოქნილობის საშუალებას, ნაცვლად იმისა, რომ ექსკლუზიურად დადოთ ფსონი ერთ მიმწოდებელზე ან მიდგომაზე.
ადრეულ ეტაპზე ინტეგრირება მოახდინეთ მმართველობა: შექმენით ჯვარედინი ფუნქციონალური გუნდები, სადაც უსაფრთხოების, შესაბამისობისა და AI დეველოპერები თანამშრომლობენ თავიდანვე, ნაცვლად იზოლირებულად მუშაობისა.
ფოკუსირება მოახდინეთ გაზომვად გავლენაზე: პრიორიტეტი მიანიჭეთ AI აპლიკაციებს, როგორიცაა Experian-ის საკრედიტო გაფართოება, რომლებიც უზრუნველყოფენ ხელშესახებ ბიზნეს ღირებულებას და ამავე დროს აგვარებენ უფრო ფართო საზოგადოებრივ გამოწვევებს.
განიხილეთ აგენტური არქიტექტურები: გასცდით მარტივ ჩეთბოტებს და გადადით ორკესტრირებულ, მრავალაგენტიან სისტემებზე, რომლებსაც შეუძლიათ უფრო ეფექტურად გაუმკლავდნენ კომპლექსურ სპეციფიკურ ამოცანებს.
ფინანსური სერვისებისა და სხვა რეგულირებადი ინდუსტრიების ტექნიკური ლიდერებისთვის Experian-ის მოგზაურობა აჩვენებს, რომ პასუხისმგებლიანი AI მმართველობა არ არის ინოვაციების ბარიერი, არამედ მდგრადი, სანდო ზრდის ხელშემწყობი.
მეთოდური ტექნოლოგიური განვითარებისა და მომავალზე ორიენტირებული აპლიკაციის დიზაინის გაერთიანებით, Experian-მა შექმნა გეგმა იმის შესახებ, თუ როგორ შეუძლიათ ტრადიციულ მონაცემთა კომპანიებს გადაიქცნენ AI-ზე მომუშავე პლატფორმებად მნიშვნელოვანი ბიზნეს და საზოგადოებრივი გავლენით.
გსურთ კომენტარის დატოვება?
კომენტარის დასატოვებლად საჭიროა ავტორიზაცია
შესვლა რეგისტრაციაკომენტარები არ არის
იყავით პირველი, ვინც დატოვებს კომენტარს