JawabanDipublikasikan16 sumber
Revolut Luncurkan Revolut Research untuk Membangun AI Perbankan Sendiri
Revolut Research dibentuk sebagai divisi riset AI khusus yang menjadi mesin pengembangan dan penerapan model perbankan internal perusahaan. PRAGMA adalah keluarga model Transformer bergaya encoder yang dilatih melalui pembelajaran mandiri menggunakan riwayat transaksi dan aktivitas perbankan.
Diterbitkan olehDiedit dengan GPT-5.6 LunaGambar dibuat dengan GPT Image 1.5
Jawaban penelitian
Poin-poin penting
- Revolut Research dibentuk sebagai divisi riset AI khusus yang menjadi mesin pengembangan dan penerapan model perbankan internal perusahaan.
- PRAGMA adalah keluarga model Transformer bergaya encoder yang dilatih melalui pembelajaran mandiri menggunakan riwayat transaksi dan aktivitas perbankan.
- Model ini dilaporkan dilatih dari sekitar 26 juta riwayat pelanggan, 24 miliar peristiwa perbankan, dan data dari 111 negara.
- Menurut studi kasus NVIDIA, PRAGMA meningkatkan akurasi identifikasi risiko gagal bayar 2,3 kali lipat, menangkap 65% lebih banyak kasus penipuan, meningkatkan presisi peringatan fraud 17%, serta membuat rekomendasi p...
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Revolut announce about the launch of Revolut Research, why was the division created, how does it support the company’s “build, don’. Article summary: Revolut announced Revolut Research, a dedicated AI research division within its broader AI organisation.. Topic tags: general web, ai, workflow, productivity, code. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visu
Revolut ingin membangun AI, bukan sekadar menambal sistem lama
Revolut mengumumkan Revolut Research, divisi khusus untuk riset kecerdasan buatan (AI) di dalam organisasi AI perusahaan. Divisi ini bertugas mengubah riset machine learning (ML) yang dirancang khusus untuk sektor perbankan menjadi kemampuan yang dapat digunakan dalam produk nyata.
Langkah tersebut mencerminkan filosofi perusahaan yang disebut “build, don’t bolt on”—membangun sendiri, bukan menempelkan solusi pihak ketiga satu per satu. Dalam praktiknya, Revolut ingin mengurangi ketergantungan pada banyak model yang terpisah dan tabel fitur yang dibuat secara manual, lalu menggantinya dengan satu fondasi model yang bisa digunakan ulang untuk berbagai kebutuhan.
Revolut Research juga menjadi basis riset untuk PRAGMA, singkatan dari PRe-trained Banking Foundation Model. Model ini dikembangkan Revolut bersama NVIDIA, bukan merupakan produk yang dibuat NVIDIA seorang diri. 10
13
Apa itu PRAGMA?
PRAGMA merupakan keluarga model fondasi untuk memahami rangkaian peristiwa perbankan, seperti pembayaran, transfer, serta sinyal perilaku dan penggunaan produk. Arsitekturnya menggunakan Transformer bergaya encoder, bukan model bahasa yang terutama dirancang untuk menghasilkan teks.
Model ini mempelajari pola perilaku finansial melalui pendekatan masked modelling atau pemodelan bertopeng. Dalam proses pelatihan, sebagian informasi pada rangkaian peristiwa disembunyikan, lalu model belajar memperkirakan bagian yang hilang. Karena proses ini bersifat self-supervised, model dapat mempelajari pola umum dari data perbankan sebelum disesuaikan untuk tugas tertentu.
Publikasi PRAGMA menyebut rentang ukuran model dari 10 juta hingga 1 miliar parameter. Untuk menyesuaikannya dengan kebutuhan spesifik, model yang telah dilatih dapat di-fine-tune secara lebih ringan, termasuk menggunakan teknik LoRA. 1
Dilatih dari miliaran peristiwa perbankan
Menurut keterangan yang tersedia, PRAGMA dilatih menggunakan data perbankan mentah yang memiliki penanda waktu. Data tersebut mencakup pembayaran, transfer, dan sinyal lain terkait produk serta perilaku pelanggan.
Skalanya dilaporkan mencakup sekitar 26 juta riwayat pelanggan, 24 miliar peristiwa perbankan, dan cakupan 111 negara. 10
1 Angka-angka tersebut berbeda dari sejumlah laporan sekunder yang menyebut jumlah peristiwa atau pengguna lain, sehingga angka dalam makalah PRAGMA dan studi kasus NVIDIA menjadi acuan yang lebih tepat untuk menjelaskan model yang dipublikasikan.
Satu fondasi untuk banyak tugas
Strategi “build, don’t bolt on” ditujukan untuk membuat satu lapisan kecerdasan perilaku yang dapat digunakan di berbagai bagian bisnis. Alih-alih mempertahankan model terpisah untuk setiap fungsi, PRAGMA dirancang agar dapat diadaptasi untuk:
- penilaian skor kredit dan risiko gagal bayar;
- deteksi serta pencegahan penipuan;
- segmentasi pelanggan;
- pengukuran keterlibatan pelanggan;
- rekomendasi produk yang lebih personal; dan
- berbagai prediksi nilai atau perilaku pelanggan lainnya.
6
10
Dengan pendekatan ini, informasi dari satu tugas ML dapat membantu pengembangan tugas lain. Bagi perusahaan fintech yang beroperasi di banyak pasar dan berada di bawah aturan keuangan yang ketat, model bersama juga berpotensi membuat pengembangan sistem lebih konsisten—meski penerapannya tetap harus memperhatikan validasi, tata kelola data, dan persyaratan regulasi di setiap pasar.
Hasil yang dilaporkan Revolut dan NVIDIA
Dalam studi kasus NVIDIA, PRAGMA dilaporkan menghasilkan peningkatan dibandingkan model produksi yang digunakan sebelumnya, yaitu:
- 2,3 kali lipat akurasi yang lebih baik dalam mengidentifikasi risiko gagal bayar;
- 65% lebih banyak kasus penipuan yang berhasil ditangkap;
- 17% lebih tinggi presisi peringatan penipuan; dan
- 41% lebih relevan dalam rekomendasi produk.
Angka tersebut merupakan klaim benchmark dari Revolut dan NVIDIA terhadap baseline produksi perusahaan. Hasil itu bukan audit independen atau perbandingan industri secara menyeluruh, sehingga tidak otomatis berarti PRAGMA mengungguli semua sistem perbankan lain. 6
Infrastruktur NVIDIA H100, tetapi detail klasternya belum jelas
Pengembangan dan pelatihan PRAGMA menggunakan infrastruktur komputasi terakselerasi NVIDIA. Studi kasus NVIDIA menyebut penggunaan GPU NVIDIA H100 di Nebius AI Cloud, bersama teknik seperti sequence packing dan dynamic batching untuk membuat pelatihan skala besar lebih efisien. 10
Namun, materi yang tersedia tidak memberikan verifikasi independen mengenai jumlah pasti GPU H100 yang digunakan maupun topologi klasternya. Karena itu, klaim tentang infrastruktur sebaiknya berhenti pada fakta bahwa PRAGMA dijalankan di atas komputasi terakselerasi NVIDIA dan menggunakan H100, tanpa menambahkan angka kapasitas yang belum didukung sumber.
Riset PRAGMA mendahului peluncuran divisi
Peluncuran Revolut Research bukan titik awal seluruh proyek AI tersebut. Sebelumnya, Revolut dan NVIDIA telah memublikasikan riset mengenai keluarga model PRAGMA. NVIDIA juga telah menerbitkan studi kasus yang menjelaskan upaya perusahaan mengonsolidasikan sistem terpisah untuk fraud, kredit, engagement, dan rekomendasi ke dalam satu fondasi bersama. 1
6
Dengan demikian, pembentukan Revolut Research lebih tepat dipahami sebagai pelembagaan upaya riset dan pengembangan yang sudah menghasilkan model terpublikasi serta benchmark yang berorientasi pada penerapan di dunia nyata. 1
6
Dalam pernyataan yang dikutip Silicon Republic, kepala AI Revolut, Pavel Nesterov, menggambarkan divisi tersebut sebagai cara untuk melembagakan filosofi “build, don’t bolt on”. 6 Meski demikian, nama eksekutif lain dan kutipan lengkap mengenai tujuan divisi sebaiknya diverifikasi kembali melalui rilis resmi Revolut.
Akan menerbitkan riset dan membuka sebagian framework
Revolut menyatakan Revolut Research akan berfokus bukan hanya pada pengembangan internal. Rencana yang diumumkan mencakup:
- menerbitkan hasil riset;
- membuka sebagian framework sebagai sumber terbuka;
- berpartisipasi dalam GTC Berlin dan ACM International Conference on AI in Finance (ICAIF); serta
- mengadakan pertemuan ilmiah setiap kuartal.
Komitmen tersebut menunjukkan upaya perusahaan untuk menempatkan pengembangan AI-nya dalam ekosistem riset yang lebih luas, meskipun belum semua detail mengenai framework mana yang akan dibuka atau jadwal publikasinya tersedia dalam sumber yang ada.
Bagian dari ekspansi perbankan Revolut
Inisiatif AI ini hadir saat Revolut memperluas skala bisnisnya. Perusahaan menargetkan pertumbuhan hingga melayani lebih dari 80 juta pelanggan di lebih dari 40 pasar, sehingga kebutuhan akan sistem penilaian risiko, pencegahan penipuan, dan personalisasi yang konsisten ikut meningkat.
Di sisi kelembagaan, entitas Revolut di Prancis telah memperoleh izin perbankan penuh setelah melalui persetujuan yang melibatkan otoritas pengawas ACPR dan Bank Sentral Eropa. Operasi awal ditujukan untuk Prancis, dengan ekspansi bertahap ke sejumlah negara Eropa Barat. 3
4
Pada akhirnya, Revolut Research dirancang untuk menjadikan AI sebagai kemampuan inti yang dapat digunakan kembali di seluruh bisnis perbankan. Satu model yang belajar dari perilaku finansial dalam skala besar dapat diadaptasi ke berbagai keputusan dan pengalaman pelanggan, alih-alih perusahaan membangun tumpukan ML baru untuk setiap produk. 6
10
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Revolut Luncurkan Revolut Research untuk Membangun AI Perbankan Sendiri"?
Revolut Research dibentuk sebagai divisi riset AI khusus yang menjadi mesin pengembangan dan penerapan model perbankan internal perusahaan.
Apa poin penting yang harus divalidasi terlebih dahulu?
Revolut Research dibentuk sebagai divisi riset AI khusus yang menjadi mesin pengembangan dan penerapan model perbankan internal perusahaan. PRAGMA adalah keluarga model Transformer bergaya encoder yang dilatih melalui pembelajaran mandiri menggunakan riwayat transaksi dan aktivitas perbankan.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Model ini dilaporkan dilatih dari sekitar 26 juta riwayat pelanggan, 24 miliar peristiwa perbankan, dan data dari 111 negara.