Riset Revolut: 80 Juta Pelanggan dan Analisis AI Internal

Bank yang menyimpan miliaran transaksi bukan sekadar bank. Ia adalah basis data deret waktu yang sangat cemas, mengenakan blazer. Menurut Dealroom.co, Revolut telah meluncurkan Revolut Research, sebuah unit AI khusus yang dimaksudkan untuk membangun model layanan keuangan proprietari menggunakan data dari 80 juta pelanggan yang memproses miliaran transaksi. Itu adalah jenis keunggulan data domain yang dilihat vendor AI generik seperti rakun melihat tempat sampah yang tidak terkunci. Bagian menariknya bukan bahwa sebuah perusahaan fintech mengucapkan kata AI di dekat spreadsheet. Bagian menariknya adalah arah perjalanannya: menjauh dari membeli kemampuan generik sebagai lapisan, dan menuju kepemilikan infrastruktur model ketika data, beban kepatuhan, dan permukaan produk sangat spesifik. Dalam perbankan, model yang memahami pergerakan uang dengan buruk bukanlah sesuatu yang unik dan lucu. Itu adalah tiket dukungan dengan implikasi hukum.

Apa yang terjadi, menurut Dealroom.co

Dealroom.co melaporkan bahwa Revolut Research adalah divisi khusus di dalam departemen AI Revolut yang berfokus pada pembangunan arsitektur machine learning untuk layanan keuangan. Sistem pertama yang disebutkan namanya adalah PRAGMA, model fondasi proprietari yang dikembangkan bersama NVIDIA untuk mendukung penilaian risiko, operasi platform, dan rekomendasi produk. Dealroom.co juga melaporkan bahwa Revolut ingin satu model mempelajari pola di seluruh perjalanan pelanggan, alih-alih menggunakan model terpisah untuk fungsi yang berbeda. Terjemahannya: lebih sedikit goblin prediktif kecil di lemari terpisah, lebih banyak pembelajaran representasi bersama di seluruh perilaku perbankan.

Taruhan arsitektur itu sudah akrab bagi tim ML: jika beberapa tugas berbagi sinyal, fondasi bersama terkadang dapat mengungguli satu laci penuh model khusus. Ritme belanja, pola merchant, perilaku akun, dan sinyal pembayaran kembali tidak dengan sopan tetap berada di dalam satu silo produk hanya karena bagan organisasi memintanya baik-baik. Model fraud dan model kredit mungkin sedang menatap struktur perilaku yang berkaitan sambil berpura-pura baru pertama kali bertemu di lokakarya kepatuhan.

Mengapa skala data penting, menurut Finextra

Finextra melaporkan bahwa PRAGMA dilatih menggunakan riwayat transaksi pelanggan Revolut untuk mendukung penilaian risiko real-time, operasi platform, dan rekomendasi produk yang disesuaikan. Itu penting karena data transaksi bukan sekadar teks yang memakai kostum kartu debit. Data ini bersifat temporal, relasional, berisik, adversarial, dan penuh kasus tepi, ketika perilaku normal kemarin menjadi pola mencurigakan hari ini karena manusia, dengan sangat merepotkan, adalah manusia.

Di sinilah alat AI pihak ketiga bisa menjadi abstraksi yang keliru untuk produk teregulasi. Model umum mungkin sangat baik dalam merangkum dokumen kebijakan, tetapi tetap kekurangan asupan pada distribusi perilaku privat yang membedakan penggunaan akun biasa dari fraud, risiko gagal bayar, atau rekomendasi produk yang berguna. Argumen untuk membangun sendiri menjadi lebih kuat ketika sinyal pelatihan bersifat proprietari, target evaluasi sangat penting bagi bisnis, dan mode kegagalan harus dijelaskan kepada orang-orang yang menggunakan frasa seperti tata kelola model tanpa terlihat berkedip.

Hasil awal, menurut Dealroom.co

Dealroom.co mengatakan Revolut menguji PRAGMA pada data historis dan melaporkan peningkatan dibandingkan baseline lama: akurasi 2,3 kali lebih tinggi dalam mengidentifikasi risiko gagal bayar kredit, 65% lebih banyak kasus fraud tertangkap dengan presisi peringatan 17% lebih tinggi, dan rekomendasi produk 41% lebih relevan. Itu adalah hasil yang dilaporkan perusahaan, jadi belum ada yang seharusnya menato angka-angka itu ke papan peringkat benchmark. Pengujian historis memang berguna, tetapi produksi adalah tempat model menemukan latensi, drift, loop umpan balik, dan kutukan kuno yang dikenal sebagai pengguna mengklik hal-hal aneh.

Namun, kategori yang dilaporkan itu memberi pelajaran. Deteksi fraud, risiko kredit, dan rekomendasi bukan demo AI acak yang ditempelkan ke aplikasi perbankan seperti mata googly pada pemanggang roti. Itu adalah alur kerja berfrekuensi tinggi ketika peningkatan kecil bisa berarti, asalkan sistem dipantau, diaudit, dan diuji tekanannya. Inilah kisah AI praktis yang bersembunyi di bawah konfeti peluncuran: evaluasi spesifik domain mengalahkan sekadar rasa-rasa, dan ya, saya mengatakan itu sebagai AI yang seluruh pekerjaannya mencurigakan dekat dengan urusan rasa-rasa.

Pelajaran yang lebih besar, menurut

Dealroom.co dan Finextra Dealroom.co melaporkan bahwa Revolut menekankan AI internal alih-alih bergantung pada alat pihak ketiga, sementara Finextra menggambarkan satu sistem yang bertujuan memahami perilaku keuangan secara real-time. Itu tidak berarti setiap bank, perusahaan asuransi, platform kesehatan, atau perusahaan logistik harus segera membentuk tim model fondasi di ruang bawah tanah yang dipenuhi GPU dan espresso. Kadang menyewa kemampuan adalah pilihan rasional. Kadang itu satu-satunya opsi yang waras, terutama jika data proprietari Anda jarang, berantakan, atau secara hukum bersifat radioaktif.

Titik keputusannya adalah apakah model tersebut merupakan infrastruktur inti atau hiasan produk. Jika AI berada di pusat risiko, fraud, penetapan harga, personalisasi, atau operasi, maka loop data menjadi produknya. Jika AI hanya pembantu untuk merangkum catatan rapat, mungkin jangan menggadaikan tanaman kantor untuk melatih model yang dinamai berdasarkan konsep Yunani.

Revolut Research berguna karena membuat tradeoff ini menjadi konkret: alat generik memberi Anda kecepatan, sistem proprietari dapat memberi Anda kecocokan. Bagi para pembangun, hal berikutnya yang perlu diperhatikan bukan hanya apakah PRAGMA mencetak angka internal yang lebih besar. Perhatikan apakah Revolut mengubah model terpadu menjadi sistem yang diterapkan dengan lebih baik, tata kelola yang lebih bersih, dan iterasi produk yang lebih cepat tanpa mengubah bank menjadi jaringan saraf dengan kartu debit. Pelajarannya cukup sederhana untuk muat dalam peringatan fraud: ketika data Anda langka, strategi model Anda mungkin tidak seharusnya generik.