Pepperstone Menggunakan Machine Learning di AWS untuk Memberikan Pengalaman Trading Global yang Lancar

Saat memilih broker online, kepercayaan dan layanan pelanggan adalah kriteria penting. Platform trading yang memiliki sejarah panjang dan sejumlah lisensi peraturan cenderung aman. Dalam Broker Awards tahun 2021, Daytrading.com menobatkan Pepperstone sebagai Broker Forex Terbaik, khususnya karena jejak global dan “platform yang sangat andal” miliknya. Pepperstone adalah platform trading valuta asing (foreign exchange, forex) dan sekuritas online yang berbasis di Melbourne dengan lebih dari 40.000 pengunjung unik dalam sebulan.

Sejak didirikan pada tahun 2010, Pepperstone mengandalkan Amazon Web Services (AWS) Cloud. “AWS sering menawarkan inovasi dan solusi yang kreatif serta fleksibel yang membantu kami menjalankan bisnis dengan lebih efisien,” kata Tony Gruebner, chief marketing officer di Pepperstone. Kontainerisasi, dan penggunaan layanan terkelola yang kreatif seperti Amazon Elastic Kubernetes Service (Amazon EKS), sangat penting bagi kemampuan Pepperstone untuk mengembangkan basis pelanggannya dengan cepat dan menskalakan layanannya dengan aman. Selama tahun 2020 saja, Pepperstone melaporkan pertumbuhan 20 hingga 30 persen.

Dengan Amazon EKS, Pepperstone dapat menstandardisasi operasi di lingkungan apa pun, memanfaatkan otomatisasi untuk deployment di beberapa wilayah yang konsisten saat mengembangkan bisnis ke negara-negara baru. Pada tahun 2020, Pepperstone memperoleh lima lisensi peraturan baru dari lembaga seperti Otoritas Jasa Keuangan Dubai, menambah dua lisensi yang dipegang sebelumnya di Australia dan Inggris. Dorongan dari peraturan perusahaan telah membuka wilayah baru, termasuk Afrika dan Eropa.

Machine Learning (ML) dan kecerdasan buatan (AI) adalah teknologi inti dalam infrastruktur teknologi Pepperstone. Selain tim TI yang terdiri dari 70 orang yang tersebar di empat negara, perusahaan ini memiliki tim ilmu data di Melbourne yang khusus ditugaskan untuk mengembangkan model ML. Awalnya, ilmuwan data mengembangkan algoritma mereka sendiri untuk dijalankan di AWS. Mereka kemudian beralih ke Amazon SageMaker pada tahun 2019 dengan AWS Fargate untuk mengotomatiskan pembuatan dan deployment model ML.

Saat beralih ke Amazon SageMaker untuk pelatihan model, tim ilmu data Pepperstone tidak mengalami kesulitan saat mengadaptasi alat ke dalam alur kerja mereka. “Kurva pembelajaran untuk alat AI atau ML baru biasanya cukup curam, tetapi kami segera menggunakan Amazon SageMaker. Kami menghemat banyak waktu sejak hari pertama dengan melakukan hosting, pelatihan, dan deployment di lingkungan AWS,” kata Samuel Ellett, lead data scientist di Pepperstone. Waktu yang diperlukan untuk melatih model ML turun dari 180 jam dengan mesin lokal menjadi 4,3 jam dengan Amazon SageMaker.

Untuk mendapatkan lisensi peraturan baru, Pepperstone harus menunjukkan bahwa ia memiliki proses know-your-customer (KYC) yang ketat untuk menyaring trader yang mendaftar ke platform. Sebelum menerapkan Amazon SageMaker, sebagian besar proses peninjauan dokumen dilakukan secara manual. Staf secara pribadi akan memeriksa dokumen yang diserahkan, seperti foto paspor, untuk memeriksa keaslian. Sering kali, mereka menghabiskan waktu berjam-jam untuk mengorientasi klien hanya untuk menemukan beberapa hari kemudian bahwa mereka bukan seperti yang mereka katakan.

Kini Pepperstone dapat mengenali potensi penipuan pada hari yang sama saat pelanggan baru mengunggah dokumen mereka dengan melakukan deployment model deteksi penipuan di Amazon SageMaker. Ilmuwan data melatih model ML-nya untuk membandingkan dokumen yang dikirimkan dengan jutaan foto yang disimpan dalam danau data Amazon Simple Storage Service (Amazon S3), termasuk foto asli dan foto yang diubah dari dokumen identitas umum di seluruh dunia.

Sistem kemudian memberikan skor untuk setiap calon pelanggan dengan persentase yang mengungkapkan kemungkinan adanya pemalsuan ilegal dalam dokumentasi yang diajukan. Tim orientasi menerima hasilnya dan menindaklanjuti pengajuan yang ditandai untuk meminta bukti identitas tambahan. Hal ini meningkatkan proses pengambilan keputusan tim, yang mengarah pada pengurangan waktu yang dihabiskan untuk memproses verifikasi identitas secara manual.

Selain menghemat waktu, tingkat detail dan akurasi yang diberikan Amazon SageMaker jauh lebih unggul daripada apa yang dapat dicapai manusia. “Tidak mungkin bagi manusia untuk membandingkan 3 juta dokumen, dan sering kali elemen penipuan nyaris tidak tampak sehingga sangat sulit bagi mata manusia untuk mendeteksi,” kata Ellett. 

Mempercepat proses orientasi juga menguntungkan pelanggan baru. Persaingan sangatlah ketat di antara platform-platform online trading dan para trader tidak terpaku pada platform tertentu. Oleh karena itu, proses orientasi yang lancar sangat penting untuk membangun kepercayaan dengan Pepperstone. “Mengotomatiskan orientasi dengan ML telah membantu kami tidak hanya secara operasional, tetapi juga menciptakan proses yang lebih lancar dan yang sangat meningkatkan pengalaman pelanggan. Tujuan kami adalah membuat trading jadi menyenangkan, dan sebagian darinya adalah menghindari keterlambatan atau hambatan untuk masuk yang tidak perlu,” jelas Gruebner.

Pepperstone juga menggunakan model ML yang dibuat di Amazon SageMaker untuk membantu tim penjualan dengan penilaian dan konversi prospek. Menetapkan skor untuk setiap pelanggan ketika mereka melakukan orientasi platform memungkinkan tim penjualan untuk menargetkan upaya layanan pelanggan. Skor diperbarui secara real time karena data pelanggan mereka terakumulasi saat menavigasi situs Pepperstone. Hal ini membantu tim penjualan mengelola beban kerja dengan lebih baik dan memberikan tingkat layanan yang sudah dibuat sebelumnya yang membedakan perusahaan ini di pasar broker online. “Amazon SageMaker adalah alat yang fantastis untuk memastikan seluruh pipeline ilmu data terintegrasi dan seotomatis mungkin, mendorong data kapan pun dan di mana pun Anda membutuhkannya,” tambah Gruebner.

Sebagai hasil dari fungsionalitas kreatif yang diperoleh dengan Amazon SageMaker, tim ilmu data Pepperstone tidak lagi terikat pada teknisi DevOps yang sibuk. Teknisi data masih mengandalkan tim DevOps untuk menyiapkan lingkungan sandbox di Amazon SageMaker, tetapi setelah itu selesai, mereka dapat menjalankan bukti konsep secara mandiri. “Kami telah secara efektif menyelesaikan konflik sumber daya antara tim data dan DevOps. Amazon SageMaker telah memudahkan kami untuk membangun sesuatu dengan cepat, menguji hipotesis kami, dan menyelesaikannya segera sehingga tidak memerlukan biaya terlalu banyak. Sehingga, kami dapat melakukan lebih banyak eksperimen,” Ellett menyimpulkan.

 Untuk mempelajari selengkapnya, kunjungi aws.amazon.com/machine-learning dan aws.amazon.com/startups.