改革拉丁美洲的金融服务：Base39 借助 Amazon Bedrock 实现效率跃升

最初，Base39 的客户必须手动进行贷款分析，限制次数为每人每天最多进行 50 次分析。由于全月的提案量差异较大，贷款审批延迟最高可达三天，这导致人员配置要求不稳定，从而需要高昂的人员成本。以前，根据特定规则调整传统机器学习模型的过程较为漫长（因为各个新数据来源都需要大量的代码部署，所以这通常需要数月的实施时间），因此，向传统机器学习（ML）模型数据科学家投资的大型客户错过了许多贷款审批机会。

由于MongoDB在支持创新和安全方面的声誉，Base39在咨询了他们的技术团队有关将亚马逊基岩与MongoDB Atlas Vector Search集成在一起的问题后，立即决定进行迁移。事实证明，向无服务器架构的过渡既平稳又灵活，这使Base39能够利用一整套AWS工具和服务，包括亚马逊DynamoDB、亚马逊简单存储服务 (Amazon S3)、亚马逊 API网关和AWS步进函数。通过完全依赖 AWS Lambda 应用程序部署，Base39 可确保性能可扩展且可靠，从而支持不降级的增长。这对于整合新技术而言至关重要，AWS 支持底层基础设施容量的同时，还助力组织专注于创造价值。

Base 39 的大量 API 目录由 Amazon API Gateway 提供支持，可实现与现有应用程序的无缝集成或使用白标接口，从而确保量身定制的解决方案可提供高水平的自定义和易用性。Base39 使用 Amazon API Gateway 直接连接 Amazon DynamoDB 和 Amazon Simple Queue Service 等 AWS 服务。通过将 Amazon API Gateway 与这些服务进行集成，Base39 不再需要额外的计算层，同时又提高了性能和成本效率，减少了延迟。这种直接连接的方式可以更快地检索和处理数据，同时优化整个架构的可扩展性和性能。

在数据管理方面，Base39 使用 Amazon DynamoDB 进行长期缓存，使用 MongoDB Atlas 作为主数据库，并使用 MongoDB Atlas Vector Search 作为向量数据库。遵循巴西中央银行规定的重要文件的安全备份、存档和存储均通过 Amazon S3 进行管理。这种配置可确保合规性以及与 Amazon Bedrock 的无缝集成，从而有效处理大量数据，并针对人工智能驱动的分析实现加速访问。在信用分析方面，在 LangGraph 的加持下，Base39 迅速地在 Amazon Bedrock 中采用了 Anthropic 的 Claude 3.5 Sonnet 和 Claude 3 Haiku。通过这种战略组合，Base39 能够以模块化和强适应性方式应对复杂的贷款分析，从而增强其提供精确和个性化信用解决方案的能力。

AWS Startups 团队在使用最佳工具和实践方面提供持续指导，这对帮助企业过渡到 Amazon Bedrock 而言至关重要。AWS 致力于创新和提供尖端工具（例如 AWS Step Functions 提供的工作流程编排），助力 Base39 团队更好地编排 AWS Lambda 函数，创建更灵活的流程并节省宝贵的开发时间。这项针对事件驱动架构进行的优化简化了工作流程，并增强了可扩展性，从而帮助 Base39 在金融领域保持最前沿地位。此外，与MongoDB专业服务团队的持续合作对于优化其架构以应对不断增加的人工智能驱动请求至关重要，从而确保快速响应时间。

Amazon Bedrock 和 MongoDB Atlas Vector Search 的联合集成发挥了关键作用，帮助 Base39 与短短两周内从零快速过渡到生产，并且通过更具情境化的分析，显著降低了分析成本并提高了信用额度和审批率。实际上，Base39 仅需一小时即可对 Amazon Bedrock 和 MongoDB Atlas Vector Search 进行无缝配置和测试。通过这种转型，Base39 的解决方案更具响应性和创新性，且以客户为中心。通过简化工作流程，员工能够通过更个性化和更高效的财务解决方案，为客户提供更高价值并改善整体客户体验。该公司通过快速测试和实施新模型（几乎每周都会发布新版本）来推动持续优化。他们每周会同时测试至少三个版本的模型，以改进性能和优化结果，同时还会使用不同 Anthropic 模型探索各种组合。

随着 Amazon Bedrock 的实施，Base39 已将每笔贷款分析的成本降低了 96%。以前，贷款提案最多将等待三天。现在，不到一小时即可做出决策。这很大程度上归功于 Amazon Bedrock 的快速适应能力和可扩展性，实施新规则的所需时间已从数月大幅减少到不足一周。Base39 的基础设施和开发成本也大幅降低。通过使用 AWS 迁移到无服务器架构，其基础设施成本降低了 84%，新功能的开发成本降低了 75%。维护成本降低了 87%-100%，开发人员得以专注于开发新功能，而非维护遗留系统。

通过降低信用分析过程中的成本，Base39 在工作流程中有效地整合了两个 Anthropic 模型：将 Claude 3.5 Sonnet 应用于复杂的贷款分析，Claude 3 Haiku 则应用于快速响应更简单的问题，同时显著降低了成本。Claude 3.5 Sonnet 在复杂推理和检索增强生成（RAG）方面表现出色，在与最初的 Claude 3 Sonnet 模型保持相似成本的前提下，将响应速度提高了 54%。它在处理大型金融数据集和解释具有细微差别的监管和风险条件方面具有出色能力，这对于进行准确的信用评估、做出明智的贷款决策和降低违约率而言至关重要。Anthropic 模型系列的灵活性是 Base39 战略的核心，通过这一功能，Base39 能够为信用分析流程中的每项任务选择最合适的模型。通过使用 Claude 3.5 Sonnet 进行复杂的风险评测，使用 Claude 3 Haiku 进行更简单的查询，Base39 优化了资源使用，降低了运营成本，并保持了较高的分析标准。