Bank Utah menggunakan AI gen untuk mengamati masalah yang muncul pada mitra fintech

First Electronic Bank menggunakan teknologi AI generatif dari Spring Labs untuk menganalisis komunikasi pelanggan mitra fintechnya dan mengidentifikasi masalah sebelum masalah tersebut menjadi besar.

Lembaga yang berbasis di Salt Lake City, yang hanya beroperasi secara daring, dengan aset senilai $429 juta ini memiliki beberapa mitra fintech nasional yang besar dengan jutaan nasabah. Seperti semua bank yang menyediakan layanan perbankan, lembaga ini mendapat tekanan dari regulator untuk memastikan mitra fintech-nya tidak melanggar hukum apa pun dan membuat nasabah senang. Selama tahun lalu, beberapa bank telah menerima perintah persetujuan yang menegur mereka atas kekurangan kepatuhan mitra fintech mereka, termasuk Bank Titik HijauBahasa Indonesia: Tepi Sungai Cross Dan Evolve Bank dan Kepercayaan.

“Kita harus mencari tahu kapan ada masalah, lebih cepat, sehingga kita dapat mengatasinya,” kata CEO bank Derek Higginbotham dalam sebuah wawancara. “Jika tidak, masalah akan muncul, berkembang, dan kemudian akan muncul dengan cara yang lebih buruk bagi semua orang.”

Bank telah menggunakan Zanko ComplianceAssist dari Spring Labs untuk menemukan sinyal dalam komunikasi nasabah yang menunjukkan ada sesuatu yang tidak beres.

Memahami keluhan nasabah yang diterima oleh mitra fintech merupakan “hal yang sangat penting bagi bank sponsor dan fintech mereka saat ini, karena regulator tengah mempertimbangkan masalah, apakah bank sponsor benar-benar menjalankan kontrol yang cukup efektif atas fintech mereka agar model (perbankan sebagai layanan) ini dapat berjalan?” kata John Sun, CEO dan salah satu pendiri Spring Labs, dalam sebuah wawancara. “Sering kali, keterlibatan nasabah merupakan jendela pertama untuk mengetahui apa yang sebenarnya terjadi antara nasabah dan fintech, dan jelas bank sponsor ingin melihat gambaran yang akurat tentang hal itu.”

Mitra fintech First Electronic Bank mengumpulkan semua komunikasi nasabah mereka — transkrip panggilan telepon, email, pesan teks, dan pesan lainnya — dari perangkat lunak manajemen hubungan nasabah dan manajemen kasus, lalu mengubahnya menjadi berkas data yang mereka bagikan dengan bank melalui antarmuka pemrograman aplikasi dan transfer berkas. Data ini kemudian dimasukkan ke dalam model AI generatif Spring Labs.

“Sulit bagi manusia untuk mengetahui semua yang ada di sana,” kata Higganbotham. “Kami harus mencari cara untuk mensintesis informasi tersebut sehingga agen manusia tersebut bisa menjadi lebih cerdas.”

Perangkat lunak Spring Labs pertama-tama mengkategorikan keluhan untuk peninjau manusia First Electronic Bank.

Ini adalah jenis tugas yang kedengarannya sederhana, tetapi ketika dilakukan oleh beberapa agen layanan pelanggan di berbagai perusahaan, “mereka masing-masing akan menafsirkan berbagai hal secara sedikit berbeda,” kata Higginbotham. Meminta manusia untuk melakukan semua penandaan keluhan memaksa bank untuk membatasi jumlah kategori menjadi beberapa lusin kategori.

“Ini adalah masalah yang tidak terlalu dipikirkan kebanyakan orang — kita semua menggunakan data yang dikategorikan tanpa memikirkannya,” kata Higganbotham. “Ketika Anda benar-benar harus menjadi penjaga data tersebut dan membuat tag, sangat sulit untuk mendapatkan kedalaman dan konsistensi.”

AI dapat mengkategorikan ke tingkat ketepatan yang jauh lebih dalam, katanya. Bank memberi sistem tag tertentu untuk digunakan tetapi juga memungkinkannya mengidentifikasi tren dan membuat labelnya sendiri.

Model bahasa besar lebih baik dalam menandai keluhan daripada manusia, kata Sun.

Dalam analisis data dari lebih dari 100 perusahaan teknologi finansial, timnya menemukan bahwa agen layanan pelanggan mampu mengidentifikasi keluhan dan risiko regulasi yang terkait dengannya dengan akurasi sekitar 60%, “yang cukup rendah karena sulit untuk melatih setiap agen layanan pelanggan garis depan untuk menjadi profesional kepatuhan,” kata Sun.

Profesional kepatuhan mengidentifikasi masalah kepatuhan dalam keluhan pelanggan dengan akurasi 70% hingga 80%, katanya, sedangkan perangkat lunak Spring Labs akurat 90% hingga 95% sepanjang waktu.

Di First Electronic Bank, setelah semua keluhan ditandai, model AI mencari pola dan tren.

“Anda dapat mengamati perubahan yang terjadi secara temporal,” kata Higganbotham. “Jika ada beberapa jenis hal yang muncul, Anda dapat melihat nilai relatif antara perilaku berbagai hal.”

Sistem AI generatif juga menghasilkan peringatan dan laporan tentang wawasan spesifik yang diambil dari keluhan pelanggan.

Di masa mendatang, sistem ini dapat digunakan untuk mengarahkan keluhan yang paling penting atau paling sensitif terhadap waktu ke para ahli.

Sejauh ini, sistem ini belum menggantikan staf mana pun, kata Higganbotham.

“Kami memiliki agen manusia yang telah meninjau keluhan dan mengetahui usaha patungan tersebut dengan sangat baik,” katanya. “Jadi, ini memberi mereka wawasan tambahan tentang apa yang sedang terjadi dalam program tersebut.”

Jika sistem mengungkap suatu masalah, seorang pengawas manusia akan mencatatnya dan memastikan bahwa kebutuhan nasabah ditangani oleh salah satu penyedia layanan nasabah First Electronic Bank.

Higganbotham melihat penerapan teknologi ini sebagai upaya untuk melindungi konsumen dan mengatasi risiko perusahaan.

“Pendorong terbesar bagi saya adalah memastikan bahwa peraturan perlindungan konsumen, termasuk prinsip-prinsip seputar tindakan atau praktik yang tidak adil, menipu, atau kasar, dipenuhi,” kata Higganbotham.

Bank memilih Spring Labs karena kedalaman keterampilan teknologi dan pengetahuan bisnis keuangan konsumen dari timnya, katanya.

Model AI generatif bagus dalam tugas-tugas yang memerlukan pemahaman bahasa yang kuat tetapi tidak memerlukan banyak deduksi logis lebih lanjut atau penemuan fakta atau pengenalan pola yang mendalam, kata Sun.

“Banyak sekali pemrosesan bahasa, banyak sekali membaca keluhan atau membaca artikel berita atau membaca peraturan dan mencoba menerapkannya dalam berbagai arah,” kata Sun.

Perangkat lunak Spring Labs mengandalkan model bahasa kecil, katanya, untuk melindungi proses tertentu. Ia menggunakan model bahasa besar untuk beberapa kemampuan pemrosesan dan generatif. Ia dapat bekerja dengan model apa pun, katanya.

Sistem kepatuhan lama berbasis kata kunci lebih mungkin memicu hasil positif palsu dan hasil negatif palsu, kata Sun. Misalnya, sistem seperti itu tidak dapat memahami konteks atau kata kode.

“Jika seseorang mengucapkan kata ‘Asia’ dalam konteks yang sepenuhnya tidak berbahaya, hal itu dapat dianggap sebagai pelanggaran potensial atas pemberian pinjaman yang adil,” kata Sun, dalam sebuah contoh positif palsu.

Selain mengkategorikan dan menandai keluhan pelanggan, sistem Spring Labs dapat digunakan untuk menetapkan alur kerja untuk keluhan pelanggan, dan beberapa klien sudah menggunakannya dengan cara ini, kata Sun.

Beberapa ahli sepakat bahwa penggunaan kasus AI generatif ini masuk akal.

“Saya pikir konsep dan pendekatannya valid,” kata Marcia Tal, pendiri PositivityTech, sebuah perusahaan yang membantu perusahaan memahami keluhan pelanggan, dalam sebuah wawancara. “Semua bank berusaha untuk memperkuat kecanggihan, akuntabilitas, dan tanggung jawab mereka di area ini (perbankan sebagai layanan).”

Namun, ia mencatat bahwa sistem AI generatif tidak boleh menjadi satu-satunya pengamat interaksi pelanggan — manusia dengan keahlian domain perlu dilibatkan. Dan saat data diserahkan antara entitas dan sistem, privasi pelanggan harus dilindungi.

“Kekayaan percakapan yang terjadi (dalam interaksi layanan pelanggan) itu nyata,” kata Tal. “Orang-orang terkadang bercerita tentang apa yang terjadi pada mereka. Mengapa Anda ingin hal itu berakhir di tempat lain? Atau mengapa sebuah lembaga tidak peduli dengan data itu sebagaimana aset data lainnya yang dimilikinya?”