دستیار ولز فارگو با بهره گیری از هوش مصنوعی گوگل، سالانه ۱۰۰ میلیون تعامل دارد.

Chintan Mehta، مدیر عامل شرکت Wells Fargo جزئیاتی را در مورد استقرار برنامه‌های هوش مصنوعی مولد بانک فاش کرد، از جمله اینکه برنامه دستیار مجازی این شرکت، Fargo، از زمان راه‌اندازی آن در ماه مارس، ۲۰ میلیون تعامل را انجام داده است.

ما فکر می کنیم که این در واقع می تواند نزدیک به ۱۰۰ میلیون یا بیشتر انجام دهد [interactions] او عصر چهارشنبه در سانفرانسیسکو در رویدادی که توسط VentureBeat میزبانی شد، گفت: “در حالی که مکالمات بیشتر و قابلیت های بیشتری اضافه می کنیم.”

کشش بانک در هوش مصنوعی قابل توجه است زیرا با اکثر شرکت های بزرگ که تنها در مرحله اثبات مفهوم با هوش مصنوعی مولد هستند، در تضاد است. انتظار می‌رفت بانک‌های بزرگی مانند ولز فارگو با توجه به مقررات مالی گسترده در مورد حریم خصوصی، به کندی حرکت کنند. با این حال، ولز فاگو با یک کلیپ تهاجمی رو به جلو حرکت می کند: بانک ۴۰۰۰ کارمند را از طریق برنامه هوش مصنوعی انسان محور استنفورد، HAI، استخدام کرده است، و مهتا گفت که بانک در حال حاضر “بسیاری” پروژه های هوش مصنوعی مولد را در دست تولید دارد، که بسیاری از آنها هستند. در خدمت کارآمدتر کردن وظایف پشتیبان.

سخنرانی مهتا در رویداد AI Impact Tour، که VentureBeat انجام شد آغاز شد عصر چهارشنبه. این رویداد بر این موضوع متمرکز شد که چگونه شرکت های سازمانی می توانندبه یک طرح حکمرانی هوش مصنوعی برسید، به ویژه در مورد طعم جدید هوش مصنوعی مولد، که در آن برنامه‌ها از مدل‌های زبان بزرگ (LLM) برای ارائه پاسخ‌های هوشمندانه‌تر به سؤالات استفاده می‌کنند. ولز فارگو با ۱٫۷ تریلیون دارایی یکی از سه بانک برتر ایالات متحده است.

استقرار چندگانه LLM ولز فارگو در بالای پلت فرم “Tachyon” آن اجرا می شود

به گفته مهتا، فارگو، یک دستیار مجازی که به مشتریان کمک می کند تا با استفاده از صدا یا نوشتار، پاسخ سوالات بانکی روزمره خود را در تلفن هوشمند خود دریافت کنند، تعاملات ۲٫۷ “چسبنده” در هر جلسه را مشاهده می کند. این برنامه وظایفی مانند پرداخت قبوض، ارسال پول و ارائه جزئیات تراکنش را انجام می دهد. این برنامه بر روی Google Dialogflow ساخته شده است و با استفاده از Google’s Palm 2 LLM راه اندازی شده است. مهتا گفت: این بانک در حال توسعه برنامه Fargo برای پذیرش پیشرفت‌های LLM است و اکنون از چندین LLM در جریان خود برای کارهای مختلف استفاده می‌کند – “زیرا شما به یک مدل بزرگ برای همه چیز نیاز ندارید.”

یکی دیگر از برنامه های Wells Fargo با استفاده از LLMs است Livesync که به مشتریان برای تعیین هدف و برنامه ریزی مشاوره ارائه می دهد. مهتا گفت که این برنامه اخیراً برای همه مشتریان راه اندازی شد و در ماه اول یک میلیون کاربر فعال ماهانه داشت.

شایان ذکر است، Wells Fargo همچنین برنامه‌های کاربردی دیگری را که از LLM‌های منبع باز استفاده می‌کنند، از جمله مدل Llama 2 متا، برای برخی کاربردهای داخلی به کار گرفته است. مدل‌های متن‌باز مانند Llama، ماه‌ها پس از شروع هیجانات پیرامون ChatGPT OpenAI در نوامبر ۲۰۲۲ منتشر شدند. این تأخیر به این معنی است که شرکت‌ها برای آزمایش مدل‌های منبع باز تا جایی که آماده استقرار آنها هستند، مدتی طول کشیده است. گزارش‌های مربوط به شرکت‌های بزرگ که مدل‌های منبع باز را به کار می‌گیرند هنوز نسبتاً نادر است.

مهتا گفت، با این حال، LLM های منبع باز مهم هستند زیرا به شرکت ها اجازه می دهند مدل های بیشتری را تنظیم کنند، که به شرکت ها کنترل بیشتری بر قابلیت های مدل می دهد، که می تواند برای موارد استفاده خاص مهم باشد.

این بانک یک پلتفرم هوش مصنوعی به نام Tachyon برای اجرای برنامه های هوش مصنوعی خود ساخته است، چیزی که شرکت در مورد آن صحبت زیادی نکرده است. اما مهتا گفت: اما بر اساس سه پیش فرض ساخته شده است: اینکه یک مدل هوش مصنوعی بر جهان حکومت نمی کند، این که بانک برنامه های خود را روی یک ارائه دهنده خدمات ابری اجرا نمی کند، و این داده ها ممکن است در هنگام انتقال بین داده های مختلف با مشکل مواجه شوند. فروشگاه ها و پایگاه های داده به گفته مهتا، این پلتفرم را به اندازه کافی انعطاف پذیر می کند تا مدل های جدید و بزرگتر را با انعطاف پذیری و عملکرد در خود جای دهد. این امکان را برای مواردی مانند تقسیم مدل و تقسیم تانسور فراهم می کند، تکنیک هایی که حافظه و نیازهای محاسباتی آموزش مدل و استنتاج را کاهش می دهند. (به ما مراجعه کنید مصاحبه با مهتا در ماه مارس درباره استراتژی بانک.)

مهتا گفت که پلتفرم ولز فارگو را جلوتر از تولید کرده است، اگرچه به گفته او این پلتفرم چیزی است که رقبا باید بتوانند در طول زمان آن را تکرار کنند.

LLM های چندوجهی آینده هستند و کار بزرگی خواهند بود

به گفته مهتا، LLM های چندوجهی که به مشتریان اجازه می دهند با استفاده از تصاویر و ویدئو، و همچنین متن یا صدا ارتباط برقرار کنند، “بسیار مهم” خواهند بود. او یک مثال فرضی از یک اپلیکیشن تجاری ارائه کرد، که در آن عکسی از یک کشتی کروز آپلود می‌کنید و می‌گویید “آیا می‌توانید آن را انجام دهید؟” و یک دستیار مجازی هدف را درک می کند و توضیح می دهد که یک کاربر برای رزرو سفر در کشتی کروز چه کاری باید انجام دهد.

او گفت، در حالی که LLM ها برای انجام متن بسیار خوب توسعه یافته اند، حتی مدل های چندوجهی پیشرفته مانند Gemini به متن زیادی از کاربر نیاز دارند تا زمینه را به آن ارائه دهند. او گفت: “چند وجهی ورودی” که در آن یک LLM بدون نیاز به متن زیاد، هدف را درک می کند، مورد توجه بیشتری است. او گفت که برنامه ها رسانه های بصری هستند.

او گفت که ارزش اصلی بانکداری، تطبیق سرمایه با نیاز کاربر خاص، نسبتاً ثابت است و بیشتر نوآوری‌ها در “پایان تجربی و توانمندی داستان” خواهد بود. وقتی از او پرسیده شد که Wells Fargo به کجا می‌رود، او گفت که اگر LLM‌ها بتوانند «عامل‌تر» شوند یا به کاربران اجازه دهند تا کارهایی مانند رزرو یک سفر دریایی را با درک ورودی چندوجهی انجام دهند و آنها را طی یک سری مراحل برای انجام کاری هدایت کنند. “یک معامله بزرگ” خواهد بود. مهتا گفت که حوزه دوم ارائه مشاوره است، جایی که درک قصد چندوجهی نیز مهم است.

مقررات آهسته، حکمرانی هوش مصنوعی را به یک چالش تبدیل کرده است

مهتا در مورد مدیریت برنامه های کاربردی هوش مصنوعی گفت که پاسخ بانک برای این کار تمرکز بر این بوده است که هر برنامه برای چه چیزی استفاده می شود. او گفت که بانک “در هر مرحله از راه اسناد و مدارک لازم را دارد.” در حالی که با اکثر چالش‌های حاکمیتی مقابله شده است، او موافقت کرد که حوزه‌های پیرامون امنیت اپلیکیشن‌ها، از جمله امنیت سایبری و کلاهبرداری، چالش های باقی مانده.

وقتی از مهتا پرسیده شد که چه چیزی او را در شب بیدار نگه می‌دارد، به مقررات بانکی اشاره کرد که به طور فزاینده‌ای از پیشرفت‌های فناوری در هوش مصنوعی مولد عقب مانده است و حوزه‌هایی مانند امور مالی غیرمتمرکز. یک دلتا بین جایی که می‌خواهیم باشیم و جایی که مقررات امروزی است وجود دارد. و این از نظر تاریخی درست است، به جز سرعت گسترش آن دلتا بسیار افزایش یافته است.»

او گفت: تغییرات مقرراتی «پیامدهای بزرگی» برای چگونگی عملکرد Wells Fargo از جمله در زمینه اقتصاد خواهد داشت. ” بانک مجبور است زمان مهندسی بسیار بیشتری را صرف «ساخت داربست در اطراف اشیا» کند، زیرا نمی‌داند پس از عرضه برنامه‌ها به بازار چه انتظاری داشته باشد.

مهتا گفت که این شرکت همچنین زمان زیادی را صرف کار روی هوش مصنوعی قابل توضیح می کند، حوزه ای از تحقیقات که به دنبال درک این موضوع است که چرا مدل های هوش مصنوعی به نتایجی می رسند.