📌 Problem Statement
1. Capital One memfokuskan upaya riset AI mereka pada aspek keandalan, kejelasan, dan efisiensi—bukan sekadar kapabilitas model besar.
2. Tantangan utama adalah data yang terbatas (data scarcity), inkonsistensi model, dan kebutuhan untuk sistem yang dapat dipercaya dalam lingkungan keuangan dan regulasi tinggi.
3. Banyak penerapan AI tradisional fokus pada akurasi saja—sedangkan Capital One mengidentifikasi bahwa aset kepercayaan pengguna dan efisiensi operasional sama pentingnya.
🛠️ Methodology / Solusi / Hypothesis
1. Capital One mempresentasikan beberapa kemajuan dalam riset di EMNLP 2025 yang mengarah pada: model multitask yang lebih efisien, strategi domain-adaptasi untuk data terbatas, dan framework untuk evaluasi kepercayaan.
2. Pendekatan meliputi:
a. Pengembangan teknik untuk mempercepat training/finetuning model pada dataset terbatas.
b. Merit sistem untuk transparansi dan auditabilitas model dalam domain keuangan.
c. Validasi bahwa efisiensi (compute, data, latency) dapat ditingkatkan tanpa mengorbankan kepercayaan atau kualitas.
3. Hipotesis: Jika AI dikembangkan dengan prinsip trusted by design (kepercayaan sebagai bagian dari desain) dan efficient by default, maka penggunaan AI di industri yang sensitif akan meningkat tanpa risiko besar.
📊 Findings / Results / Impact
1. Meskipun detail kuantitatif lengkap belum dipublikasikan secara terbuka, Capital One mencatat bahwa riset mereka mencakup model yang mampu mencapai performa setara dengan baseline namun dengan pengurangan resource (data/train time) secara signifikan.
2. Kontribusi riset meliputi topik seperti scale laws untuk model bahasa, dataset multibahasa, dan sistem validasi kepercayaan—menunjukkan komitmen terhadap skala dan kualitas.
3. Dampak untuk industri: menempatkan kepercayaan, auditabilitas, dan efisiensi operasional sebagai baseline untuk penerapan AI, bukan fitur tambahan belakangan.
✅ Key Takeaways
1. Untuk organisasi besar—termasuk perbankan—AI yang sukses bukan hanya soal akurasi, tetapi juga soal kepercayaan dan efisiensi operasional.
2. Riset pada konferensi besar seperti EMNLP 2025 menunjukkan bahwa industri semakin fokus pada responsible AI dan efficient AI.
3. Efisiensi bukan sekadar pengurangan biaya compute—melainkan pengurangan kebutuhan data, latency, dan konsumsi waktu pengembangan.
4. Organisasi yang ingin mendorong AI ke produksi harus mempertimbangkan framework yang memungkinkan audit, transparansi, dan pemahaman manusia terhadap keputusan AI.
5. Riset dan inovasi di bidang AI tak lagi hanya akademik—mereka sekarang menjadi fondasi bagi sistem yang digunakan sehari-hari di sektor sensitif seperti keuangan.
Sumber:
https://medium.com/capital-one-tech/capital-one-at-emnlp-2025-trust-and-efficiency-in-ai-d87afc16a0cd
🔥 #CapitalOne #EMNLP2025 #TrustedAI #EfficientAI #AIFinancialServices #NLPResearch #AIIndustry