Olmo 3.1: Model Terbuka Untuk Bank & E-Dagang Pintar

Olmo 3.1: Model Terbuka Untuk Bank & E-Dagang Pintar

Pada 2025, satu pola menarik muncul: bank besar, insurans, fintek dan gergasi e-dagang sebenarnya bergelut dengan masalah yang sama — model AI dalaman tak cukup telus, sukar dikawal, dan mahal untuk diskalakan. Kebanyakan pelaburan jutaan ringgit dalam AI tersekat di fasa POC kerana isu data, risiko, dan pematuhan.

Di tengah kekeliruan ini, keluarga model terbuka seperti Olmo 3.1 daripada Allen Institute for AI (Ai2) mula jadi alternatif serius. Bukan sekadar satu lagi model bahasa besar, Olmo 3.1 direka dengan tiga perkara yang amat dekat dengan hati sektor kewangan dan e-dagang: kecekapan, ketelusan, dan kawalan.

Dalam siri AI dalam Perkhidmatan Kewangan (Bank, Insurans, Fintek) ini, artikel ini fokus bagaimana Olmo 3.1 (terutamanya varian 32B Think dan Instruct) boleh menjadi asas kepada:

• pemodelan risiko yang lebih pintar,
• pengesanan penipuan yang lebih tepat,
• harga dinamik & ramalan inventori untuk rantaian runcit dan marketplace,
• dan pengalaman pelanggan yang jauh lebih diperibadikan.

---

Apa Yang Sebenarnya Baharu Dalam Olmo 3.1?

Olmo 3.1 ialah iterasi dipertingkat daripada Olmo 3, dengan latihan reinforcement learning (RL) yang dipanjang dan distabilkan untuk keupayaan penaakulan yang jauh lebih kuat.

Ai2 mengemaskini dua model utama 32B mereka:

• Olmo 3.1 Think 32B – dioptimumkan untuk penyelidikan lanjutan, penaakulan, matematik dan tugasan berbilang langkah yang kompleks.
• Olmo 3.1 Instruct 32B – disesuaikan untuk chat, multi-turn dialogue, dan penggunaan alat (tool use) seperti API, database atau sistem dalaman.

Peningkatan Teknikal Yang Penting Untuk Enterprise

Untuk menaik taraf Olmo 3 Think 32B ke Olmo 3.1:

• Ai2 menyambung latihan RL selama 21 hari lagi di atas 224 GPU.
• Menggunakan lebih banyak epoch pada dataset Dolci-Think-RL.

Hasilnya, Olmo 3.1 menunjukkan lonjakan ketara pada benchmark:

• +5 mata pada AIME (penaakulan matematik tahap tinggi),
• +4 mata pada ZebraLogic (penaakulan logik),
• +4 mata pada IFEval (instruction-following),
• +20 mata pada IFBench (keupayaan patuh arahan kompleks),
• prestasi lebih kukuh pada tugasan coding dan multi-step.

Untuk model Olmo 3.1 Instruct 32B, Ai2 menggunakan resepi penalaan arahan (instruction-tuning) yang berjaya pada model kecil 7B dan menskalakan kepada 32B. Hasilnya, ini menjadi model chat terbuka 32B paling berkeupayaan dalam keluarga Olmo setakat ini.

Dalam konteks bank dan e-dagang, peningkatan pada math, logic dan instruction-following bukan sekadar nombor cantik pada slaid; ia terus berkait dengan:

• simulasi risiko kewangan yang lebih tepat,
• penentuan harga dinamik yang lebih cerdas,
• workflow automasi yang lebih selamat kerana model benar-benar patuh arahan.

---

Mengapa Ketelusan & Kawalan Penting Untuk Bank, Insurans & Fintek

Olmo 3.1 dibina dengan falsafah “open & controllable” — sesuatu yang jarang benar-benar dipenuhi oleh model proprietari komersial.

Ai2 komited kepada:

• model terbuka sepenuhnya (bukan sekadar API),
• ketelusan data latihan — digandingkan dengan alat seperti OlmoTrace untuk menjejak sumber latihan,
• kebolehan retrain & fine-tune dengan campuran data organisasi sendiri.

Implikasi Terus Untuk Perkhidmatan Kewangan

Bagi bank, insurans dan fintek Malaysia yang perlu mematuhi BNM, Suruhanjaya Sekuriti dan piawaian dalaman:

1. Explainability & audit trail

   • Dengan model terbuka, pasukan risiko model dan audit boleh:
     • mengkaji arkitektur model,
     • faham sifat dataset asas,
     • dokumentasikan proses penalaan dan penyesuaian dalaman.
   • Ini memudahkan justifikasi kepada lembaga, regulator, dan komiti risiko.

2. Data locality & pematuhan PDPA

   • Organisasi boleh melatih semula Olmo 3.1 di on-prem atau VPC sendiri.
   • Data pelanggan sensitif (transaksi, rekod tuntutan, sejarah pinjaman) tidak perlu meninggalkan sempadan kawalan anda.

3. Kawalan tingkah laku model

   • Dengan akses penuh kepada weight dan pipeline latihan, pasukan boleh:
     • menetapkan policy tambahan (contoh: larangan menjawab soalan tertentu),
     • bina guardrail sepadan dengan standard etika syarikat,
     • tweak model bagi mengurangkan halusinasi pada domain kewangan.

Dalam bahasa mudah: Olmo 3.1 memberi bank dan fintek “tulang belakang AI” yang mereka boleh audit, ubah suai dan miliki, bukan sekadar disewa melalui API pihak ketiga.

---

Dari Benchmark Ke Bisnes: Apa Makna Olmo 3.1 Untuk Runcit & E-Dagang

Penaakulan yang lebih kuat dalam Olmo 3.1 boleh diterjemah terus kepada sistem harga dinamik, ramalan inventori dan personalisasi pelanggan yang lebih bijak.

Walaupun Olmo 3.1 tidak dibina khusus untuk runcit, ciri-cirinya selari dengan keperluan gergasi e-dagang dan rangkaian runcit besar.

1. Reinforcement Learning Untuk Harga Dinamik

Reinforcement learning (RL) memang terkenal dalam:

• recommendation system,
• bidding engine iklan digital,
• dan strategi harga.

Olmo 3.1, yang dilatih lanjutan dengan RL, membuka laluan kepada:

• ejen AI harga dinamik yang boleh:
  • mencadangkan pelarasan harga berdasarkan permintaan masa nyata,
  • mengambil kira margin, stok, musim perayaan (Raya, Tahun Baru Cina, 11.11),
  • menguji strategi harga dan belajar daripada hasil (reward).

Dalam konteks bank runcit dan fintek:

• konsep sama boleh digunakan untuk kadar faedah promosi, yuran, atau reward point yang berubah mengikut segmen pelanggan dan tingkah laku mereka.

2. Ramalan Inventori & Kewangan Yang Lebih Tepat

Model dengan keupayaan math dan reasoning yang lebih tinggi seperti Olmo 3.1 Think 32B boleh:

• membantu membina model peramalan permintaan yang lebih canggih,
• menggabung data sejarah, faktor makroekonomi, dan corak tingkah laku pelanggan,
• mensimulasikan beberapa senario (contoh: impak kenaikan OPR, kelembapan ekonomi global, perubahan kadar tukaran mata wang).

Untuk bank dan insurans, teknik serupa boleh diaplikasi kepada:

• peramalan aliran tunai,
• keperluan modal risiko,
• potensi tuntutan insurans mengikut musim atau peristiwa.

3. Personalisasi Pelanggan Lintas Sektor

Olmo 3.1 Instruct 32B dioptimumkan untuk chat, tool use dan dialog multi-pusingan.

Apa maknanya secara praktikal:

• Chatbot e-dagang boleh:

  • faham konteks perbualan panjang,
  • mengakses API dalaman (stok, status penghantaran, promosi bank rakan kongsi),
  • mencadangkan produk dan pilihan bayaran yang relevan.

• Chatbot bank dan insurans pula boleh:

  • menyepadukan data transaksi, polisi, dan profil risiko,
  • memberi nasihat kewangan mikro yang konsisten dengan garis panduan dalaman,
  • mengurangkan keperluan panggilan ke contact center sehingga puluhan peratus.

Di sini keupayaan instruction-following dan multi-step reasoning Olmo 3.1 sangat kritikal — kerana aliran kerja sebenar pelanggan bukan satu soalan satu jawapan, tapi siri interaksi yang saling berkait.

---

Bagaimana Bank & Fintek Boleh Guna Olmo 3.1 Secara Praktikal

Titik permulaan terbaik bukan terus ganti semua sistem, tetapi membina beberapa “use case tulang belakang” yang boleh dikembangkan.

Berikut rangka pelaksanaan yang realistik untuk 6–12 bulan pertama:

Fasa 1: Eksplorasi Selamat (Sandbox Dalaman)

1. Pasang Olmo 3.1 dalam persekitaran terkawal

   • Gunakan VM on-prem atau VPC cloud yang mematuhi polisi data bank.
   • Hadkan kepada data sintetik atau dataset yang telah dinyahpengenalan (de-identified).

2. Bina prototaip untuk 2–3 use case berikut:

   • Chatbot dalaman untuk pegawai cawangan (Q&A polisi produk, SOP kredit, panduan pematuhan).
   • Pembantu analis risiko yang meringkaskan laporan panjang dan menjana draf komen.
   • Pembantu e-dagang yang mencadangkan promosi dan bundling produk berdasarkan katalog dan data jualan sejarah.

3. Ukur metrik asas

   • masa respon,
   • kadar ketepatan fakta (factual accuracy),
   • penjimatan masa staf.

Fasa 2: Integrasi Dengan Data Sebenar (Dikawal Rapi)

1. Fine-tune Olmo 3.1 dengan data domain

   • Contoh: FAQ produk bank, teks polisi, skrip ejen, data inventori sejarah.
   • Pastikan data disaring untuk PII dan maklumat sangat sensitif.

2. Gabung dengan sistem sedia ada melalui tool use

   • Hubungkan model kepada:
     • API core banking (read-only),
     • sistem CRM,
     • sistem pengurusan inventori untuk syarikat runcit.

3. Gunakan guardrail dan lapisan kawalan

   • Tambah lapisan peraturan (rule-based) untuk semak semula cadangan sensitif:
     • persetujuan kredit,
     • kadar faedah,
     • keputusan harga besar-besaran.

Fasa 3: Industrialisasi & Pematuhan

1. Dokumentasi model untuk regulator

   • Terangkan arkitektur, data latihan, kaedah penalaan, dan kawalan risiko.
   • Gunakan kekuatan ketelusan Olmo 3.1 sebagai kelebihan.

2. Pantau bias dan fairness

   • Jalankan ujian silang segmen (bangsa, wilayah, jenis pekerjaan) untuk pastikan tiada diskriminasi dalam cadangan harga, kredit atau tawaran.

3. Luaskan ke ekosistem rakan kongsi

   • Bank boleh bekerjasama dengan marketplace atau rangkaian runcit untuk:
     • tawaran gabungan (co-branded),
     • kredit mikro berasaskan tingkah laku pembelian,
     • model risiko yang mengambil kira data e-dagang (dengan kebenaran pelanggan).

---

Di Mana Olmo 3.1 Menang Berbanding Model Lain

Olmo 3.1 bukan satu-satunya model 30B+ di pasaran, tetapi gabungan “prestasi + keterbukaan + kawalan” menjadikannya sangat menarik untuk enterprise.

Daripada laporan Ai2:

• Olmo 3.1 Think 32B mengatasi model seperti Qwen 3 32B pada benchmark AIME 2025 dan hampir menyamai Gemma 27B.
• Olmo 3.1 Instruct 32B menunjukkan prestasi sangat kukuh pada benchmark Math dan tugas chat berbanding rakan sumber terbukanya yang lain.

Dalam praktik:

• Jika keutamaan anda ialah prestasi tertinggi mutlak tanpa perlu kawalan penuh, model proprietari besar mungkin masih sedikit di hadapan.
• Jika anda bank, insurans, fintek atau marketplace besar yang perlu milik dan faham model sendiri, Olmo 3.1 memberi keseimbangan yang sukar dicapai oleh model tertutup.

Saya secara peribadi nampak corak yang jelas: organisasi yang paling berjaya dengan AI enterprise ialah yang berani melabur dalam model terbuka yang mereka boleh bentuk mengikut DNA data dan risiko sendiri, bukan hanya bergantung pada API “hitam” daripada vendor luar.

---

Menyambung Naratif AI Dalam Kewangan & Runcit Malaysia

Sektor kewangan Malaysia sedang bergerak pantas ke arah AI di setiap lapisan operasi: daripada pemarkahan kredit automatik, pengesanan penipuan masa nyata, sehinggalah pengurusan kekayaan digital. Pada masa yang sama, pemain e-dagang dan runcit berlumba untuk personalisasi dan kecekapan rantaian bekalan.

Model seperti Olmo 3.1 menunjukkan satu hala tuju yang semakin jelas:

• AI perusahaan masa depan perlu pintar, telus dan boleh dikawal,
• model asas (foundation model) perlu boleh digabung dengan data proprietari tanpa mengorbankan pematuhan,
• dan bank, insurans, fintek serta gergasi runcit perlu berkongsi infrastruktur AI yang serasi di antara mereka.

Jika organisasi anda serius tentang:

• membina “otak AI” sendiri,
• mengurangkan kebergantungan pada vendor tertutup,
• dan menjadikan AI sebahagian daripada kelebihan daya saing jangka panjang,

maka sudah tiba masa menilai secara spesifik: bagaimana satu model terbuka seperti Olmo 3.1 boleh duduk di tengah-tengah strategi AI anda — dari kewangan, ke runcit, ke e-dagang.

Soalan seterusnya bukan lagi “patut guna AI atau tidak?”, tetapi model mana yang anda sanggup jadikan asas, audit dan miliki untuk 5–10 tahun akan datang.