الخدمات المصرفية خلال 5 مللي ثانية: كيف تمكَّنت Bud Financial من بناء منصة ذكاء بيانات على IBM watsonx.data

شركة Bud Financial (اختصارًا Bud) تساعد البنوك واتحادات الائتمان وشركات التكنولوجيا المالية على تحويل بيانات المعاملات غير المنسقة إلى ذكاء عملاء يدعم توفير رؤى سلوكية في الوقت الفعلي، وتقديم خدمات مخصصة، واتخاذ قرارات مستنيرة.

يتنوع عملاء Bud، ومقرها لندن، بين شركات التكنولوجيا المالية الناشئة والبنوك العالمية. وأكبر عميل لديها يقدِّم خدماته لأكثر من 10 ملايين مستخدم في قطاع البيع بالتجزئة ويعالج أكثر من 500 مليون معاملة شهريًا، وهو نطاق يتطلب الاعتمادية والدقة في كل مرحلة. أحد أبرز عملائها، بنك HSBC، اعتمد تقنية Bud في عام 2019، وكانت النتيجة انبهارًا أدى إلى أن تصبح لاحقًا مستثمرة فيها.

بالتعاون بين IBM وفريق هندسة Bud، استطاعا بناء بنية تعمل على إثراء كل معاملة مالية في أقل من خمس مللي ثانية وبمعدل دقة يزيد عن 97%. وتنفِّذ هذه البنية ذلك من خلال تصنيف عملية الشراء، وتحديد التاجر، وإضافة علامات الموقع الجغرافي والفئة، واكتشاف الأنماط المتكررة أو غير المعتادة - ما يُتيح للبنوك استخراج رؤى في الوقت الفعلي فور حدوث المعاملة.

الهدف الأساسي لشركة Bud هو العمل كطبقة ذكاء العملاء للبنوك، وتقديم رؤية كاملة للسلوك من خلال إثراء البيانات المالية.

عندما يُجري العميل عملية شراء -مثل فنجان قهوة- يستقبل نظام Bud بيانات المعاملة غير المنسقة من البنك ويصنِّفها (على سبيل المثال: طعام → قهوة → المقاهي). ثم يحدِّد التاجر، ويُرفق الشعار والموقع، ويحدِّد إذا ما كانت عملية الشراء متكررة.

تتم هذه العملية قبل أن يتلقى المستخدم حتى إشعار الدفع. تتدفق المعلومات التي تم إثراؤها مرة أخرى إلى أنظمة البنك لتشغيل ما يلي:

• الكشف عن الغش وتقييم المخاطر.
• أدوات الإدارة المالية الشخصية للمستخدمين النهائيين.
• رؤى دعم العملاء للمستشارين ووكلاء الخدمة.
• توصيات المنتجات المستهدفة وفرص البيع الإضافي، والتي أصبحت ممكنة من خلال فهم أنماط إنفاق العميل وملفه المالي.

القيود التقنية صارمة جدًا: يجب إتمام كل عملية ضمن حلقة تفويض معاملة بطاقة الائتمان - دون أي تأخير إضافي، ودون نتائج إيجابية زائفة. وضع تصنيف خاطئ للدفع قد يؤدي إلى نزاعات أو تفعيل إجراءات غير ضرورية لمكافحة الاحتيال. لذلك، يركِّز تصميم Bud على السرعة واليقين، ويتجاوز التصنيفات غير المؤكَّدة بدلًا من المخاطرة بنتيجة غير صحيحة.

تم تصميم بنية Bud لتوفير إثراء البيانات في الوقت شبه الفعلي (أقل من 5 مللي ثانية) مع تحقيق دقة تتجاوز 97% عبر ملايين المعاملات اليومية. يجمع النظام بين Astra DB، جزء من IBM watsonx.data، وGoogle BigQuery، ونماذج Bud الخاصة في مسار معياري يدعم التصنيف والتحليل السياقي والتحليلات في الوقت الفعلي على نطاق عالمي.

يتصل محرك الاستيعاب الخاص بشركة Bud بعدة مصادر بيانات، وتدفقات المدفوعات في الوقت الفعلي، وموجزات البنوك الدورية، ما يُتيح تكاملًا مرنًا مع أنظمة العملاء المختلفة. يمكن لكل عملية نشر أن تعمل في المنطقة أو الدولة نفسها للامتثال للوائح إقامة البيانات الخاصة بالمؤسسات المالية.

تحلل نماذج الذكاء الاصطناعي الداخلية في Bud بيانات المعاملات عند الاستيعاب. يتم تصنيف كل حدث، وإثراؤه بمعلومات عن التاجر والموقع الجغرافي، وإعادته إلى العميل في غضون مللي ثانية. بعض البنوك تستخدم نتائج الإثراء مباشرةً دون تخزين البيانات، بينما تعمل بنوك أخرى على الاحتفاظ بالمعاملات التي تم إثراؤها للتحليلات لاحقًا.

تطوَّرت بنية Bud عبر ثلاث مراحل: من MySQL إلى Apache Cassandra المُدارة ذاتيًا، وأخيرًا إلى Astra DB. وقد مكَّن هذا الانتقال من تحقيق الأداء والبساطة التشغيلية اللازمة لدعم أعباء العمل المصرفية المتنوعة، بما في ذلك عمليات النشر متعددة البيئات وعمليات النشر الهجينة. ويشمل ذلك الحالات التي يجب أن تبقى فيها البيانات داخل الدولة أو تكون البنية التحتية قريبة من مراكز بيانات البنك.

أصبحت Astra DB الآن المخزن الرئيسي لبيانات المعاملات في Bud، وهي مصممة للتعامل مع الزيادات غير المتوقعة في حجم المعاملات مع الوفاء بمتطلبات استضافة العملاء.

بالنسبة إلى العملاء الذين يحتاجون إلى رؤى عبر حسابات متعددة، تعمل Bud على إرسال المعاملات التي تم إثراؤها إلى BigQuery، ما يُتيح التحليل واسع النطاق واكتشاف الأنماط وإعداد التقارير. ويسمح هذا الفصل بين أعباء عمل المعاملات والتحليلات لشركة Bud بالحفاظ على كلٍّ من السرعة والعمق في معالجة البيانات.

يتم تدريب نماذج الإثراء في Bud وصيانتها بالكامل داخليًا. يتم استبعاد النماذج الأساسية الكبيرة عمدًا من الحلقة الزمنية الفعلية لمنع الهلوسة وضمان قابلية التفسير. بدلًا من ذلك، يعتمد Bud على نماذجه الخاصة المدعومة بمصنِّفين بشريين يتحققون باستمرار من أنواع المعاملات الجديدة أو غير المتطابقة. ويحقق هذا النهج دقة تصنيف تزيد عن 97% مع الحفاظ على الشفافية والحوكمة.

تم تحسين نظام Bud حول ثلاثة متطلبات تقنية غير قابلة للتفاوض: الدقة والموثوقية والأداء في أقل من 5 مللي ثانية. يمكن أن تؤدي الإيجابيات الزائفة، مثل التصنيف الخاطئ، إلى إرباك العملاء أو حدوث نزاعات، لذا يولي محرك الإثراء الأولوية للصحة والدقة وقابلية التفسير على التصنيفات الافتراضية. وفي الوقت نفسه، يجب أن يعمل المسار بأكمله ضمن حلقة تفويض المدفوعات، ما يعني أن كل قرار إثراء يجب أن يتم إنجازه في غضون بضع مللي ثانية دون إضافة أي تأخير ملحوظ للمستخدم النهائي.

لمنع هذه المشكلات، أنشأت Bud عمليات مراقبة تضمن مراجعة الإنسان لأي فئات معاملات غامضة. كما يركِّز نهج الشركة على قابلية الملاحظة والتكيف الإقليمي: يمكن لكل عميل اختيار النشر في بيئات متعددة المستأجرين أو مخصصة حسب متطلبات الامتثال الخاصة به.

يعمل محرك الإثراء في Bud بدقة تتجاوز 97%، وزمن انتقال أقل من 5 مللي ثانية، ويغطي عالميًا 20 مليون تاجر و30 مليون موقع، ما يضمن قدرة البنوك على تصنيف وتوفير السياق للمعاملات على نطاق واسع دون التأثير في تجربة المستخدم.

يساعد منتج Bud لإدارة الشؤون المالية الموجَّه للعملاء، Engage، على زيادة استخدام القنوات الرقمية من خلال منح العملاء رؤية أوضح وأكثر موثوقية لسلوكياتهم في الإنفاق.

تستخدم خدمة أخرى من Bud، وهو Assess، بيانات المعاملات التي تم إثراؤها لتقييم المقترضين ذوي الملف الائتماني المحدود ("thin-file")، من خلال تحليل القدرة الشرائية وأنماط الإنفاق في الوقت الفعلي، ما يساعد المقرضين على اتخاذ قرارات ائتمانية أكثر استنارة وعدلًا.

تسلِّط تجربة Bud الضوء على أن الذكاء الاصطناعي الفعَّال في القطاع المالي يتطلب الجمع بين الأتمتة والحكم البشري. يضمن تصميم الفريق القائم على مفهوم "الإنسان في الحلقة" تحديث النماذج باستمرار لتواكب أنواع التجار الجديدة وفئات المدفوعات وأنماط الإنفاق المتغيرة، مثل ظهور خدمات التنقل التشاركي أو معاملات "اشترِ الآن وادفع لاحقًا".

تساعد المراقبة المستمرة وإعادة التدريب في الحفاظ على دقة نظام الإثراء ومرونته وقابليته للتفسير - وهي قيم أساسية لأي ذكاء اصطناعي يتم نشره في الصناعات الخاضعة للتنظيم.

توضِّح منصة البيانات في الوقت الفعلي لدى Bud Financial كيف تمكَّنت Astra DB من تنفيذ عمليات بيانات ذات زمن انتقال قصير وموزعة عالميًا، بما يلبي متطلبات الحجم والدقة اللازمة لأعباء العمل المصرفية الحديثة. يوفر الجمع بين أداء Cassandra المُدارة في Astra DB وقدرات التحليل في BigQuery لشركة Bud بنية موحَّدة تدعم كلًّا من الإثراء في الوقت الفعلي وتوليد الرؤى طويلة المدى.

الخطوة التالية في مسيرة Bud هي دمج ذكاء المعاملات والتحليلات، لتعزيز القدرة على فهم العملاء بشكل شبه فوري.

مع توفير Astra DB لأساس المعاملات، تواصِل Bud توسيع منصتها لتقديم ذكاء فوري وقابل للتفسير على نطاق مصرفي واسع.

تعرَّف على المزيد حول Astra DB