20-szor kevesebb tokennel végzett pénzügyi egyeztetést az Alteryx tesztje

A nyelvi modellre bízták az egyeztetést

A vállalati mesterségesintelligencia-rendszerekben az ügynöki munkafolyamatok egy része olyan feladatokat is nyelvi modellekre bízhat, amelyeknek egyértelmű, előre meghatározható eredménye van. Ilyen lehet fájlok összehasonlítása, számok egyeztetése vagy egyenlegek ellenőrzése. Az Alteryx szerint ezeknél a feladatoknál a modell önálló használata növeli a tokenfelhasználást, a költséget és a kockázatot.

A NextWave, a pénzügyi szolgáltatásokra szakosodott digitális gyorsítási tanácsadó és az Alteryx partnere ezt egy gyakori, a pénzügyi igazgatói területhez kapcsolódó munkával vizsgálta. A tesztben 120 ügylet adatai alapján kellett összevetni a front office és a back office nézeteit a nyitott ügyletekről, az értékelésekről, a kockázatról és a pénzállományokról. A rendszernek az eltéréseket is meg kellett magyaráznia, és következő lépéseket kellett javasolnia.

Az Alteryx One végezte a szabályalapú összehasonlítást

Az első megközelítésben a nyelvi modell közvetlenül megkapta a front office és a back office fájljait. Feladata az volt, hogy összehasonlítsa az ügyleteket, az értékeléseket, a kockázati adatokat és a pénzállományokat, majd jelezze az eltéréseket és ajánljon további lépéseket.

A második változatban a nyelvi modell az Alteryx One-on közzétett Front Office Back Office Data Reconciliation munkafolyamatot hívta meg a Model Context Protocol, röviden MCP segítségével. Az összehasonlítás logikáját így az Alteryx kezelte determinisztikusan. A vállalat szerint a munkafolyamat végrehajtásába magyarázhatóságot és auditálhatóságot is beépítettek, miközben a nyelvi modell az eredmények értelmezésére és a következő lépések ajánlására koncentrált.

A két módszer között jelentős különbség mutatkozott. Az Alteryx One és a nyelvi modell közös használata 20-szor kevesebb tokent fogyasztott, mint a kizárólag nyelvi modellre épülő megoldás. A determinisztikus munkafolyamat 100 százalékos pontosságot ért el az egyeztetésben, míg a modell önállóan dolgozva a 120 ügyletből két eltérést nem talált meg.

A vállalat szerint a módszer nagyobb feladatoknál is működik

Az Alteryx saját, az új AI-képességeinek, köztük az Ask Alteryxnek, az Agent Studiónak, az MCP Servernek és az Alteryx Skillsnek a bemutatásához kapcsolódó belső tesztjei hasonló mintát mutattak. Nyers, külső logikával nem kiegészített adatokon végzett feladatoknál akár 93 százalékos tokencsökkenést és 85 százalékos gyorsulást mértek. Tiszta, már irányított adatoknál a tokenköltség akár 83 százalékkal csökkent, a sebesség pedig 65 százalékkal nőtt.

A vállalat ezt a VURA keretrendszerrel kapcsolja össze. Ennek célja, hogy az üzleti logika látható, érthető, megismételhető és auditálható legyen. Az Alteryx és a NextWave szerint így a determinisztikus részeket szabályozott munkafolyamatok végezhetik el, a nyelvi modellek pedig az értelmezésre, az összefoglalásra és a következő teendők ajánlására összpontosíthatnak.

A közlemény szerint a két cég pénzügyi szolgáltatókkal is alkalmazza ezt a mintát az egyeztetési és más, a pénzügyi igazgatói területhez kapcsolódó feladatoknál. A teszt eredménye az Alteryx álláspontja szerint azt mutatja, hogy a vállalati AI-rendszerek költsége és megbízhatósága javítható, ha minden részfeladathoz a megfelelő eszközt használják.