Case study20 października 20265 min czytania
Case study: jak Layer Finance w trzy tygodnie otrzymało działający pipeline ekstrakcji AI
Sześć miesięcy pracy wewnętrznej nie dało jakości, jakiej potrzebował Layron. Trzy tygodnie później prototyp okazał się lepszy, a Layer Finance zmierzyło 80% oszczędności czasu przy wprowadzaniu nowych transakcji.
Autor: Michael PresecanAIgenica
Klient: Layer Finance (produkt: Layron), instytucjonalny rynek nieruchomości, biura w Baar (Szwajcaria) i Wiedniu (Austria). Wynik: działający prototyp w 3 tygodnie, lepszy niż efekt sześciu miesięcy pracy wewnętrznej. Layer Finance zmierzyło 80% oszczędności czasu przy wprowadzaniu nowych transakcji.
Sytuacja wyjściowa
Layer Finance pozyskuje transakcje nieruchomościowe spoza otwartego rynku, organizuje finansowanie dłużne i kapitałowe oraz strukturyzuje papiery wartościowe oparte na nieruchomościach. Ich produkt, Layron, przekształca dokumenty transakcji w materiały gotowe dla inwestorów: karty informacyjne, oceny transakcji i memoranda inwestycyjne.
Wszystko w tym łańcuchu zależy od jednego kroku: wydobycia właściwych faktów z dokumentów transakcji. Błąd na tym etapie przenosi się na każdy kolejny wynik, łącznie z oceną transakcji, na którą inwestor patrzy w pierwszej kolejności.
Ekstrakcja była rozwijana wewnętrznie przez sześć miesięcy i nie osiągnęła jakości wymaganej przez produkt. Reszta planu rozwoju czekała właśnie na nią.
Co zrobiliśmy inaczej
Nie zaczynaliśmy od pustego repozytorium. Zaczęliśmy od sprawdzonych fundamentów, więc już pierwszego dnia mieliśmy logowanie z rolami, osobne organizacje dla każdej firmy klienta, typowany model danych, panel administracyjny do przeglądu i audytu każdego wyniku AI oraz panel z rozliczeniami.
Dzięki temu trzy tygodnie poszły tam, gdzie była wartość:
- Rozumienie dokumentów tak, jak rozumie je zespół. Które fakty mają znaczenie dla transakcji, gdzie kryją się w data roomie i jak sprawdza je analityk.
- Budowa pipeline’u ekstrakcji wokół tych reguł, z każdym wynikiem możliwym do prześledzenia aż do dokumentu źródłowego.
- Łatwy przegląd. Zespół widzi, poprawia i zatwierdza to, co wydobyła AI, więc jakość rośnie, zamiast po cichu się pogarszać.
Rezultat
Po trzech tygodniach prototyp przewyższał dotychczasowy pipeline ekstrakcji i obejmował większą część produktu niż poprzednie sześć miesięcy pracy. Zbudowano go na konwencjonalnym, udokumentowanym stosie technologicznym, więc zespół klienta mógł go przejąć, a Layer Finance przeniosło na niego całe swoje rozwiązanie.
Zmierzyliśmy 80% oszczędności czasu przy wprowadzaniu nowych transakcji. — Kurt Praszl, Head of Investment, Layer Finance
Od tego czasu Layron rozwinął się w kokpit transakcyjny z importem data roomów, agentowym due diligence, oceną transakcji oraz kartami informacyjnymi i memorandami inwestycyjnymi generowanymi z własnych szablonów każdej firmy.
Czego mogą się z tego nauczyć inne firmy
- Zacznij od tego, jak już pracują eksperci. Ekstrakcja stała się dobra, bo podążała za weryfikacją, którą analitycy i tak przeprowadzają.
- Zadbaj, by wyniki AI dało się przejrzeć. Widok administracyjny, w którym ludzie zatwierdzają i poprawiają wyniki, sprawia, że automatyzacja budzi zaufanie.
- Nie buduj od nowa podstaw. Uwierzytelnianie, role i rozliczenia to problemy już rozwiązane; poświęć czas na to, co jest unikalne dla ciebie.
Wynik 80% został zmierzony i opublikowany przez Layer Finance.
