Resolver transforme les opérations avec le machine learning

Le Client

Resolver, une entreprise de Kroll, est spécialisée dans l'intelligence des risques et protège plus de 6 500 milliards de dollars de capitalisation boursière pour plus de 1 000 entreprises mondiales.

Notre rôle

Nous avons accompagné Resolver dans la construction d'une plateforme permettant d'intégrer des modèles de langage open source afin d'améliorer leurs workflows d'IA. Cela incluait l'adoption rapide de modèles de langage open source et la démocratisation de la conception des prompts pour permettre aux équipes métier d'expérimenter plus efficacement.

Le défi

Resolver devait accroître l'automatisation et l'efficacité de la classification des données afin de détecter les risques dans les textes et les images, en vue de fournir des analyses de détection des risques plus rapides et plus précises.

La configuration actuelle ne répondait pas pleinement à leurs besoins en matière de flexibilité, de personnalisation et de gestion des coûts. De plus, les modèles devaient s'intégrer de manière transparente à la technologie de la plateforme principale de Resolver.

"En partenariat avec Qodea, nous avons rapidement mis en place des processus MLOps reproductibles, une flexibilité dans la sélection et le déploiement des modèles LLM et des processus métier afin de garantir que nous atteignons nos objectifs d'excellence de service à nos clients grâce à la rapidité de notre livraison et à l'efficacité de nos actions et de nos connaissances. Les idées que toutes les parties ont apportées au projet ont été essentielles à la réussite de la livraison."

^{Kevin Fletcher - Chief Data Officer}

La solution

En travaillant en partenariat, nous avons rapidement mis en place des processus reproductibles de Machine Learning Ops (MLOps), fourni des modèles de langage flexibles (LLM) et des processus métier axés sur la fourniture d'un excellent service client par Resolver.

Les trois principaux résultats comprenaient :

Modèle LLM optimisé via des invites efficaces, la standardisation de l'approvisionnement des modèles et l'automatisation des processus de déploiement.
Infrastructure construite pour MLOps pour exécuter des builds d'environnement automatisés via l'intégration continue et le déploiement continu.
Construction d'une plateforme générique pour l'adoption rapide de modèles de langage open source ; fournir à Resolver la flexibilité et l'efficacité dont ils avaient besoin.

Le résultat

Les équipes métier ont été habilitées à expérimenter différentes versions de prompts et à exploiter le LLM pour tout enrichissement de texte.

Adoption des meilleures pratiques pour les opérations de machine learning ; amélioration de l'efficacité, réduction de la dette technique et amélioration de la gouvernance des modèles.

LLM a amélioré la précision et l'efficacité, conduisant à de meilleures informations et une meilleure prise de décision.

Nouveaux produits potentiels de profilage des risques proposés aux clients.