Fintech startup Slope, zaměřený na přechod B2B ekonomiky do online prostředí, spustil SlopeGPT. Jde o první model vyhodnocování platebních rizik v rámci B2B platební brány pracující s možnostmi GPT-4.
Startup Slope založili Lawrence Lin Murata a Alice Deng (americký Forbes je oba vybral do své edice 30 pod 30) v San Francisku v roce 2021. Od té chvíle na svůj projekt dokázali od investorů získat více než 157 milionů dolarů (jen v posledním kole financování to v říjnu 2022 bylo 125 milionů).
Ve světě technologií a umělé inteligence ale nejde o žádné nováčky. Už dříve než své AI podporované rizikové modely nasadili k řešení podvodů a úvěrů, ve fintech společnostech přispěli k výzkumu hlubokého učení ve společnostech jako IBM a Tesla. Vybudovali také systémy využívající umělou inteligenci v reálném čase k řešení problémů života a smrti při zobrazování mozku pomocí magnetické rezonance a autonomního řízení. Aktuálně je středobodem jejich zájmu oblast, jíž dominují tradiční rámce, kde ale do budoucna budou stále úspěšnější adaptivní systémy pracující v reálném čase.
První s AI
Riziko je každodenní přirozeností fungování všech platebních společností. Jeho zvládnutí a získání kontroly dělá každý další problém o řád jednodušší. Právě vyšší míra vyřešení rizika je také zásadní pro přesun B2B ekonomiky do online světa. Nedostatek důvěry je jedním z hlavních důvodů, co brání B2B a přeshraničním platbám ve větším přesunu do online prostředí. Řešení nabízejí novější a rychlejší platební metody typu FedNow, RTP nebo ACH (jde o typ elektronické sítě pro převod finančních prostředků používaný v USA, podobně jako SWIFT v Evropě ACH zajišťuje mezibankovní zúčtování úvěrových a debetních transakcí, pozn. red.).
A startup Slope díky svému SlopeGPT našel způsob, jak využít možnosti velkých jazykových modelů (LLM) k vyřešení základního problému rizika. A to způsobem, jakým to zatím žádná existující metoda nedokáže.
Bankovní údaje jsou jedním z nejčastěji používaných zdrojů informací pro řízení plateb a rizika podvodů nejen ve fintech společnostech. Data, která obsahují časové určení, popis, částku a další informace, jsou neocenitelná pro hodnocení rizik, protože jsou k dispozici v reálném čase, je jich hodně a je obtížné je zfalšovat.
Popisy transakcí mají potenciál být obzvláště informativní, protože je lze použít k pochopení a rozložení peněžních toků ve firmě. Jejich prostřednictvím lze získat v reálném čase informace například z výkazu zisků a ztrát kategorizované do jednotlivých položek typu výnosů, výdajů nebo nejrůznějších typů plateb.
Zároveň jsou popisy a podrobnosti transakcí často nestrukturované a nestandardizované, což ztěžuje identifikaci typů transakcí a rozkládání peněžních toků do jednotlivých kategorií (výnosy, výdaje, půjčky, investice), což je důležité pro posouzení platebního rizika.
Díky využití velkých jazykových modelů může SlopeGPT přesněji kategorizovat bankovní data, poskytovat přesnější obrázek situace v daném podniku a díky tomu tak zlepšovat zjišťování potenciálních rizik.
Pravidla a sémantika
Fintechové společnosti tradičně chápaly transakční data tak, že je kategorizovaly pomocí slovníků, klíčových slov a dalších přístupů založených na pravidlech. Ty však mají dva problémy - rozmanitost a zvláštnosti deskriptorů transakcí, které ztěžují, případně zcela znemožňují, aby pravidla spolehlivě charakterizovala transakce.
Žádné dvě firmy nejsou zcela stejné a totožný popis transakce může pro různé firmy znamenat dvě zcela odlišné věci. Například příjem financí prostřednictví ACH může být pro některé firmy příjmem, ale pro jiné je zdrojem financování.
Některé z fintechových společností proto kompenzují nedostatky přístupů založených na pravidlech ruční kontrolou bankovních transakcí každého zákazníka a vytvářením vlastní sady pravidel. Je ale jasné, že tento způsob kontroly je velmi nákladný a neškálovatelný.
Velké jazykové modely jako GPT-4 jsou postaveny na zachycování sémantického významu. Už dříve prokázaly schopnost zachytit koncepty a význam, i když jsou vyjádřeny mnoha různými způsoby, pomocí přirozeného jazyka. Jakmile je sémantika bankovních transakcí vložena a zachycena pomocí velkých jazykových modelů, je možné seskupit podobné transakce a analyzovat jejich výskyt. Díky tomu lze dle startupu Slope lépe určit typ každé transakce. I když příjem prostředků prostřednictvím ACH může představovat zdroje financování pro jednoho zákazníka a výnosy pro jiného, výnosy mají tendenci se vyskytovat konzistentně s proměnlivými částkami, zatímco zdroje financování se objevují sporadicky a jsou v předvídatelné výši.
GPT-4 vítězí
Slope tak při vytváření své B2B platební platformy pracoval s hypotézou, že vložená data zpracovaná prostřednictvím velkého jazykového modelu povedou k přesnějším kategorizacím transakcí než metody založené na pravidlech. Důvodem je, že zachycují význam nekonzistentních deskriptorů transakcí a klastry je možné přizpůsobit specificky pro každou firmu.
Startup se svůj předpoklad rozhodl otestovat na datovém souboru čítajícím 2,5 milionu bankovních transakcí shromážděných za rok a půl fungování firmy. Testovali LLM, včetně GPT-4 a BERT (předtrénovaná technika strojového učení založená na transformátorech pro zpracování přirozeného jazyka vyvinutá společností Google, pozn. red.), stejně jako tradiční metriky podobnosti, jako je Levenštejnova vzdálenost (metrika zavedená v roce 1965 ruským matematikem Vladimirem Iosifovičem Levenštejnem pro měření editační vzdálenosti v prostoru textových řetězců, pozn. red.). Všechny metody potom porovnali se současným produkčním analyzátorem, který společnost Slope využívá a je primárně založen na pravidlech.
Výsledky jsou jednoznačné. GPT-4 je nejvýkonnější. SlopeGPT zpracovává nezpracovaná transakční data, vkládá je do GPT-4, který pak transformuje transakce na vložení. Posléze dochází k seskupení na úrovni zákazníka a analýzy, aby se určilo, jakou složku peněžního toku obsahují (např. tržby, mzdy). Následně se data použijí ke generování generování dalších údajů (např. sezónnost, trendy prodeje), které jsou spojeny s dalšími rizikovými prvky. Výsledky jsou pak převedeny do modelu platebního rizika. Konečným výstupem je vektor rozhodnutí, který může zahrnovat schválení nebo odmítnutí, případně stanovení ceny.
SlopeGPT už startup nasadil do ostrého provozu. Uvedl, že mu pomohl odhalit rizikové signály, které dosavadní modely rizik přehlédly. Navíc v sobě SlopeGPT má zakomponován systém upozornění v reálném čase, který sleduje aktuální metriky zákazníků typu stability každého zdroje peněžních toků pro podnikání, podmíněnou opakující se pravděpodobnost každého zdroje a jeho očekávanou hodnotu, případně detekci anomálií (např. zjišťování bodů obratu v obchodních operacích, tj. pokud se očekává, že peněžní tok nastane, ale nestane se tak).
Že se startupu daří, dokazují i jména partnerů. Patří mezi ně například VISA nebo MasterCard. Mezi klienty se pak řadí například Brandboom, B2B e-commerce platforma, BluePallet, platforma usnadňující svým členům velkoobchodní nákup a prodej chemikálií a přísad nebo společnost Epcom, přední celosvětový distributor bezdrátových a bezpečnostních systémů.
