লেনদেনের লাভজনকতায় ডেটা বিভাজন এবং AI-এর সীমাবদ্ধতা অতিক্রম করা

FF News Virtual Arena-এর একটি বিশেষ অধিবেশনে শিল্প বিশেষজ্ঞরা ব্যাংকিং কার্যক্রমের একটি গুরুত্বপূর্ণ বাধা নিয়ে আলোচনা করতে একত্রিত হয়েছিলেন: কীভাবে ডেটা বিভক্তকরণ এবং পুরনো আর্কিটেকচার সরাসরি আর্থিক প্রতিষ্ঠানগুলোকে তাদের লেনদেন প্রবাহে মুনাফা হারাতে বাধ্য করে।

আলোচনায় অংশগ্রহণকারীরা:

• Ian Horne, FF News-এর হোস্ট

• Mariia Komissarova, Raiffeisen Bank International-এর ডেটা ও AI রিটেইল বিজনেস লিড

• Breno Alves De Oliveira, PAYABL-এর চিফ প্রোডাক্ট অফিসার

• Kirill Lisitsyn, Torus-এর সহ-প্রতিষ্ঠাতা ও সিইও

প্যানেলটি অব্যবহৃত ডেটা সংগ্রহের লুকানো পরিচালনগত ব্যয়, নন-ডিটার্মিনিস্টিক কৃত্রিম বুদ্ধিমত্তার সীমাবদ্ধতা এবং আর্থিক প্রতিষ্ঠানগুলোকে কাঁচা ডেটাকে বাজারে টিকে থাকার মূল ভিত্তিতে রূপান্তরিত করতে যে কৌশলগুলো অবলম্বন করতে হবে তা নিয়ে আলোচনা করেছে।

মুনাফা ক্ষরণের মূল কারণ: পুরনো এবং কাঠামোগত ডেটার বাধা

Raiffeisen Bank International-এর মতো বাজারে বহু প্রজন্ম ধরে থাকা আর্থিক প্রতিষ্ঠানগুলোর জন্য, পুরনো অবকাঠামো অপ্টিমাইজেশনের একটি প্রধান অভ্যন্তরীণ বাধা হিসেবে দাঁড়িয়ে আছে। Mariia Komissarova ব্যাখ্যা করেছেন যে ব্যাংকগুলোকে লেনদেন প্রবাহে মুনাফা হারাতে বাধ্য করা মূল চ্যালেঞ্জটি মৌলিকভাবে একটি ডেটা সমস্যা।

যেহেতু ঐতিহাসিক ব্যাংকিং অ্যাপ্লিকেশনগুলো আলাদা আলাদা সাইলোতে পরিচালিত হয়, তাই কর্পোরেট লেনদেনের ডেটা স্বচ্ছ ও সুসংগঠিত ফরম্যাটে সংগ্রহ ও কাঠামোবদ্ধ করা অত্যন্ত কঠিন। একটি কাঠামোগত ফ্রেমওয়ার্ক ছাড়া, একটি পৃথক আর্থিক লেনদেনের সঠিক মুনাফা হিসাব করা কার্যত অসম্ভব।

এই বিভাজন ঐতিহাসিক ডেটা গভর্ন্যান্স এবং আধুনিক ফ্রেমওয়ার্ক স্থাপনার অভাব থেকে উদ্ভূত হয়েছে। "ডেটা মেশ" ধারণার মতো উন্নত সাংগঠনিক প্যারাডাইমগুলো বাজারে আবির্ভূত হয়েছে, কিন্তু বড় ব্যাংকিং প্রতিষ্ঠানগুলোতে এখনও সেগুলো যথেষ্ট প্রসারিত হয়নি।

বৈশ্বিক আর্থিক খাত যখন পরিচয় যাচাইকরণ এবং লেনদেন প্রক্রিয়াকরণ জুড়ে ব্যাপক AI রূপান্তরের মধ্য দিয়ে নেভিগেট করছে, তখন এই ডেটা স্তরটি সমাধান করা আর বিলাসিতা নয়। একটি পরিষ্কার ডেটা ভিত্তি প্রতিষ্ঠা করা দীর্ঘমেয়াদী কর্পোরেট টিকে থাকার জন্য একটি পরম আবশ্যকতায় পরিণত হয়েছে।

গণ ডেটা গ্রহণের লুকানো ব্যয়ের জাল

পুরনো প্রতিষ্ঠানগুলোর একটি সাধারণ ফাঁদ হলো এই ধারণা যে বেশি পরিমাণ ডেটা সংগ্রহ করলে স্বাভাবিকভাবেই বেশি ব্যবসায়িক মূল্য পাওয়া যায়। পাঁচ থেকে সাত বছর আগে, ঐতিহ্যবাহী শিল্প কৌশলপুস্তকগুলো যতটা সম্ভব বিভিন্ন ডেটা পয়েন্ট সংগ্রহ করার দিকে মনোযোগ দিত, যার মধ্যে সামাজিক মিডিয়া নেটওয়ার্ক থেকে কর্পোরেট সার্ভারে ডেটা ফিড করাও অন্তর্ভুক্ত ছিল।

আধুনিক লেনদেন ইকোসিস্টেম এই মানসিকতাকে ছাড়িয়ে গেছে। আর্থিক প্রতিষ্ঠানগুলো দেখছে যে বিশাল পরিমাণ অকাঠামোবদ্ধ তথ্য কেবল সংরক্ষণ ও রক্ষণাবেক্ষণ করলেই প্রচুর সার্ভার ও ডেটা-ইঞ্জিনিয়ারিং ব্যয় হয়।

"এই পরিমাণ ডেটা, বিশাল পরিমাণ ডেটা সংগ্রহ করতে এবং সংরক্ষণ করতে, এটি বেশ ব্যয়বহুল এবং যদি আপনি এটি থেকে কাজে লাগাতে না পারেন, তাহলে আপনি এই মূল্য নির্ধারণের খেলায় কিছুটা হারতে শুরু করেন..."

যখন কোনো প্রতিষ্ঠান সেই ডেটা থেকে সক্রিয়ভাবে বাণিজ্যিক মূল্য বের না করেই ভারী পরিচালনগত স্টোরেজ ব্যয় বহন করে, তখন তারা প্রতিযোগিতামূলক মূল্য নির্ধারণের খেলায় পিছিয়ে পড়ে। তারা তাদের মার্চেন্টদের সর্বোত্তম হার অফার করতে পারে না কারণ তাদের মূল অবকাঠামোর খরচ কৃত্রিমভাবে বেড়ে যায়।

Kirill Lisitsyn যেমন তুলে ধরেছেন, আধুনিক ডেটা কৌশলকে প্রথমে বিদ্যমান ডেটা সম্পদ থেকে প্রকৃত মূল্য বের করার দিকে মনোনিবেশ করতে হবে। কেবলমাত্র একটি স্পষ্ট ব্যবসায়িক ব্যবহারের ক্ষেত্র প্রতিষ্ঠিত হলেই একটি প্রতিষ্ঠানের অতিরিক্ত ডেটা স্ট্রিম অর্জনে মূলধন বিনিয়োগ করা উচিত, এতে অপ্রয়োজনীয় পরিচালনগত বাধা এবং ব্যয় সংগ্রহ এড়ানো সম্ভব হয়।

নন-ডিটার্মিনিস্টিক ফাঁদ: কেন LLM খারাপ ডেটা ঠিক করতে পারে না

যখন প্রতিষ্ঠানগুলো সম্পূর্ণ ভিন্ন সফটওয়্যার ভাষায় কথা বলে এবং অমানসম্পন্ন ডেটা ফরম্যাট ব্যবহার করে এমন পুরনো সিস্টেমগুলোকে একত্রিত করতে কাজ করছে, অনেকে কোড ও ডেটা রূপান্তর স্বয়ংক্রিয় করতে কৃত্রিম বুদ্ধিমত্তা এবং লার্জ ল্যাঙ্গুয়েজ মডেল (LLM)-এর দিকে ঝুঁকছে। Breno Alves De Oliveira উল্লেখ করেছেন যে ফিনটেকগুলো জটিল ডেটা গ্রহণ করে তা সহজে হজমযোগ্য ফরম্যাটে পুনর্গঠন করতে দক্ষ, একটি প্রক্রিয়া যা AI সরঞ্জাম দ্বারা ব্যাপকভাবে ত্বরান্বিত হয়েছে।

তবে, Komissarova মূল লেনদেন অবকাঠামোর জন্য জেনারেটিভ অ্যালগরিদমের উপর অতি-নির্ভরতার বিষয়ে একটি শক্তিশালী প্রযুক্তিগত সতর্কতা জারি করেছেন। LLM স্বাভাবিকভাবেই নন-ডিটার্মিনিস্টিক, অর্থাৎ তাদের আউটপুট নিরঙ্কুশের পরিবর্তে সম্ভাব্যতা-ভিত্তিক, যা তাদের অ্যালগরিদমিক হ্যালুসিনেশনের পদ্ধতিগত ঝুঁকির সামনে রাখে।

লেনদেনের জগতে, যেখানে ত্রুটিগুলো সরাসরি আর্থিক খাতায় প্রভাব ফেলে, সম্পূর্ণ নির্ভুলতার নিচে নামা অগ্রহণযোগ্য। একটি LLM-এ ভুল বা অকাঠামোবদ্ধ ডেটা ফিড করলে ভুল গণনা তৈরির সম্ভাবনা উল্লেখযোগ্যভাবে বাড়িয়ে দেয়, যা আর্থিক প্রতিষ্ঠানগুলোকে কোটি কোটি টাকার ক্ষতিতে ফেলতে পারে।

প্যানেলটি একমত হয়েছে যে কোনো প্রযুক্তিগত রামবাণ নেই; কোম্পানিগুলো কেবল একটি জেনারেটিভ মডেলে বিশৃঙ্খল ডেটাসেট ছুঁড়ে দিতে পারে না এবং নিখুঁত ব্যবসায়িক যুক্তি আশা করতে পারে না। একটি নির্ভরযোগ্য ডেটা স্তর তৈরিতে সময় ও মূলধনের সুশৃঙ্খল বিনিয়োগ প্রয়োজন, পাশাপাশি দক্ষ অভ্যন্তরীণ বিশেষজ্ঞদেরও প্রয়োজন যারা ডেটা পাইপলাইনটি সঠিকভাবে কাঠামোবদ্ধ করতে পারেন।

সমীকরণ ভারসাম্য: ডিটার্মিনিস্টিক হাইব্রিড কোর

পরম আর্থিক নির্ভুলতা ত্যাগ না করে আধুনিক AI-এর গতি নিরাপদে কাজে লাগাতে, প্যানেলিস্টরা একটি হাইব্রিড কাঠামোগত আর্কিটেকচার প্রস্তাব করেছেন। এই মডেলটি শেষ ব্যবহারকারীর কর্মপ্রবাহ সহজ করতে ডিটার্মিনিস্টিক প্রক্রিয়াকরণ ইঞ্জিনের সাথে নমনীয় ভাষা ইন্টারফেসের ভারসাম্য বজায় রাখে:

• ডিটার্মিনিস্টিক ভিত্তি: মূল ডেটা স্তরটি কঠোরভাবে ডিটার্মিনিস্টিক থাকতে হবে। Torus-এর মতো বিশেষায়িত ইন্টেলিজেন্স প্ল্যাটফর্মগুলো ইচ্ছাকৃতভাবে তাদের ব্যাকএন্ড লজিক "৮০% সম্ভাব্যতা" মডেলের পরিবর্তে সম্পূর্ণ গাণিতিক নির্ভুলতার উপর মনোযোগ দিয়ে তৈরি করে, এটি নিশ্চিত করে যে স্কিম ফি এবং লেনদেনের রেকর্ডগুলো নিখুঁতভাবে মিলে যায়।

• কথোপকথন ইন্টারফেস: একবার যাচাইকৃত ডেটা অখণ্ডতার একটি বেসলাইন প্রতিষ্ঠিত হলে, প্রতিষ্ঠানগুলো ডেটা ব্যাখ্যা করতে, ব্যবহারকারীর মিথস্ক্রিয়া সরল করতে এবং বিশ্লেষণাত্মক কাজগুলো ত্বরান্বিত করতে উপরে LLM স্তর যুক্ত করতে পারে।

এই কাঠামোগত ভিত্তি প্রতিষ্ঠানগুলোকে বাণিজ্যিক অনুমান তৈরি ও পরীক্ষা করতে ডেটা লেকের মতো ধারণাগুলো ব্যবহার করতে দেয়। ঐতিহাসিকভাবে, একটি প্রক্রিয়াকরণ প্রবণতা আবিষ্কার করতে বা একটি মূল্য নির্ধারণ ভেরিয়েবল মূল্যায়ন করতে বিশাল ম্যানুয়াল ডেটাবেস কোয়েরির প্রয়োজন ছিল।

একটি ঐক্যবদ্ধ হাইব্রিড কোরের মাধ্যমে, পণ্য দলগুলো তাদের সাফল্যের সম্ভাবনা মূল্যায়ন করতে দ্রুত অনুমান পরীক্ষা করতে পারে। শেষ পর্যন্ত, এই ফ্রেমওয়ার্ক ব্যাংকগুলোকে একই সময়ে তাদের অভ্যন্তরীণ পরিসংখ্যান, প্রতিযোগী পরিসীমা এবং ম্যাক্রো বাজারের পরিবর্তন বিশ্লেষণ করতে সক্ষম করে। এই ডেটা-চালিত পদ্ধতি রূপান্তর প্রবাহ, লেনদেন রাউটিং এবং পণ্য অভিজ্ঞতা জুড়ে লক্ষ্যভিত্তিক সমন্বয়কে নির্দেশ করে, প্রয়োজনীয় মূলধন বিনিয়োগকে কর্পোরেট মুনাফার পূর্বানুমানযোগ্য চালকে রূপান্তরিত করে।

ভার্চুয়াল অ্যারেনা প্যানেলের মূল হাইলাইটস:

• ডেটা কাঠামোর বাধা: ভিন্ন ফরম্যাট ব্যবহারকারী পুরনো সিস্টেম জুড়ে ডেটা সংগ্রহ করা সঠিক লেনদেন মুনাফা ট্র্যাকিংকে অত্যন্ত জটিল করে তোলে।

• ডেটা স্থবিরতার উচ্চ মূল্য: স্পষ্ট ব্যবহারের ক্ষেত্র ছাড়া বিশাল পরিমাণ ডেটা সংরক্ষণ করলে পরিচালনগত ওভারহেড বেড়ে যায়, যা মার্চেন্ট মূল্য নির্ধারণে ব্যাংকগুলোকে কম প্রতিযোগিতামূলক করে তোলে।

• পরিমাণের চেয়ে মূল্য: আধুনিক ডেটা ইন্টেলিজেন্স বাহ্যিক ডেটা স্ট্রিম কেনার আগে বিদ্যমান সম্পদ থেকে সর্বোচ্চ উপযোগিতা বের করাকে অগ্রাধিকার দেয়।

• নন-ডিটার্মিনিস্টিক AI-এর বিপদ: যেহেতু জেনারেটিভ AI মডেলগুলো সম্ভাব্যতা-ভিত্তিক, তাই অকাঠামোবদ্ধ মূল ডেটায় সেগুলো ব্যবহার করলে আর্থিক গণনার ত্রুটির ঝুঁকি থাকে।

• হাইব্রিড সিস্টেমের ব্লুপ্রিন্ট: সফল আর্কিটেকচারগুলো ব্যবহারকারীর ব্যাখ্যার জন্য উপরে কথোপকথন LLM সরঞ্জামের সাথে ১০০% নির্ভুল, ডিটার্মিনিস্টিক ডেটা স্তর একত্রিত করে।

• অনুমান-চালিত উদ্ভাবন: মূল ডেটা ফ্রেমওয়ার্কগুলো পুনরায় প্রকৌশলগত করা দলগুলোকে দ্রুত প্রক্রিয়াকরণ পরিবর্তনগুলো যাচাই করতে দেয়, মূলধন বিনিয়োগের ঝুঁকি কমায়।

The post Overcoming Data Fragmentation and the Limits of AI in Transaction Profitability appeared first on FF News | Fintech Finance.