Em um cenário digital em rápida evolução, indústrias como o setor bancário estão adotando tecnologias de IA para aprimorar a experiência do cliente. Nossa recente colaboração com um grande banco visou explorar como a IA poderia resolver problemas críticos e agilizar as interações com os clientes.
O Caso de Negócio
Transações não reconhecidas nos extratos bancários frequentemente geram chamadas para o suporte ao cliente. Quando os clientes identificam transações desconhecidas, entram em contato com a central de atendimento, e os agentes de suporte precisam vasculhar várias fontes de dados, um processo demorado e propenso a erros. Essa ineficiência não só frustra os clientes, mas também aumenta a carga administrativa do banco. Para resolver isso, propusemos uma solução com IA que identificaria e explicaria instantaneamente as transações não reconhecidas, reduzindo a necessidade de reclamações subsequentes e melhorando a satisfação dos clientes.
Nossa Solução
Utilizamos LangChain e Azure OpenAI para criar um assistente de IA capaz de analisar e contextualizar dados de transações de forma contínua. O assistente funciona em sistemas isolados dentro de um ambiente multi-nuvem, garantindo desempenho ideal e segurança. Ele utiliza técnicas de Recuperação e Geração Aumentada (RAG) para fornecer dados precisos e em tempo real, melhorando a eficiência operacional e a experiência do cliente.
Os modelos de IA, incluindo GPT-Turbo e GPT-4, ajudam o assistente a entender consultas complexas, oferecendo rapidamente insights financeiros precisos. Isso não apenas acelera a resolução de problemas, mas também ajuda o banco a manter conformidade regulatória, fortalecendo sua reputação.
Desafios e Soluções
À medida que o projeto se expandiu, novas fontes de dados trouxeram mais complexidade. Nossa solução inicial, um único agente ReAct, teve dificuldades com a crescente complexidade das tarefas, resultando em um desempenho mais lento e, ocasionalmente, “alucinações” — quando a IA gerava informações falsas. Para resolver isso, refatoramos o sistema para um modelo de múltiplos agentes. Cada agente é responsável por um tipo específico de consulta, tornando o sistema mais eficiente, preciso e escalável. Essa solução melhorou a velocidade, reduziu erros e lidou melhor com a complexidade crescente dos dados.
Conclusão
A refatoração para um sistema multiagente nos permitiu gerenciar melhor a complexidade crescente do projeto. Ao direcionar as consultas para agentes especializados, melhoramos o tempo de resposta e reduzimos o risco de alucinações. Essa solução não só atendeu às necessidades atuais do banco, mas também oferece uma estrutura escalável para melhorias futuras. A parceria demonstra o potencial transformador da IA nos serviços financeiros, aprimorando a experiência do cliente e ajudando o banco a alcançar conformidade regulatória, lealdade dos clientes e expansão de mercado.
