في عالم يتسم بالتقدم السريع للتكنولوجيا المصرفية، يبرز نموذج FiMI Banking كحل مبتكر يمهد الطريق لتحسين تجربة العملاء في الخدمات المصرفية الهندية. يعتمد هذا النموذج على استخدام أنظمة محادثة متطورة يمكنها الرد على استفسارات المنتجات ومساعدة العملاء في التعامل مع طلباتهم الحسابية، مع ضمان الالتزام الصارم بالمعايير التشغيلية والتنظيمية.

يُظهر الوضع الحالي أن النماذج اللغوية العامة (General-purpose language models) تعاني من صعوبات عند الحاجة إلى معلومات دقيقة أو استخدام أدوات مصرفية بشكل صحيح، مما قد يُعرض عملاء البنوك لمواقف حساسة غير متوقعة. لذلك، تم تصميم FiMI Banking في بيئة مصرفية تجزئة خاضعة للتحكم، مستندة إلى مستندات مصرفية مُعتمدة، وحقائق منظمّة، وخلفيات عملاء مُصطنعة، وأدوات مصرفية.

ركز البحث على تقييم نهجين بعد التدريب: تحسين التفضيلات (Preference optimization) لتحسين سلوك الاستجابة، والتعلم المعزز (Reinforcement learning) مع مكافآت قابلة للتحقق لمهام استخدام الأدوات عبر عدة جولات. كانت النتائج مثيرة للإعجاب، حيث ارتفعت نسبة الرفض للمسائل خارج النطاق من 52% إلى 80%، مما يدل على تحسن ملحوظ في سلامة التفاعلات.

بالإضافة إلى ذلك، ساعد التعلم المعزز في تحسين الأداء في الحالات الحرجة، حيث ارتفعت درجات الأداء من 0.509 إلى 0.718، كما تحسنت كفاءة المهام الحساسة للترتيب كذلك.

هذه النتائج تقدم دليلاً واضحاً على أن كل من تحسين التفضيلات والتعلم المعزز يلبي متطلبات مختلفة لوكلاء المصارف الموثوقين، مما يفتح آفاقًا جديدة للابتكارات في هذا القطاع.