我们在夏天里做了什么——使用人工智能构建了我们自己的平台。

身处一个成长中的公司可能会很困难。如果你曾读过菲尔·奈特的《鞋狗》一书，讲述蓝丝带和耐克的故事，我们可以抽出很多相似之处，成长中的公司在早期要同时应对很多事情。

我们在Gallantree的大部分工作都被称为手工建造。我们通过构建财务分析、进行定量和定性建模、制定定制的投资备忘录，并为我们自己、融资伙伴和联合财团编制数据室，来审查每一个机会。这与大多数金融家没有什么不同，然而我们是一个人数有限、预算有限的小团队。

来自金融科技背景，我开始编写一个与MongoDB连接的API，这是我自我挑战以保持“技能更新”的基本任务。它相对简单，但建立的方式使其有朝一日可以成为我们所做平台的支柱，因为我考虑了整体架构。

今年夏天在昆士兰州异常潮湿，因此我在室内时间有限，阅读了一些书籍（《黑色边缘》，《鞋狗》），并开始尝试使用API，希望能将其中一个电子表格转移到一个平台上，团队成员可以登录并获取折扣率。我很快学会了使用Chat GPT 3.5 和 Tabnine 这两个人工智能工具，它们大大提高了我的工作效率。可以毫不夸张地说，在14天的时间内，我使用这些工具所完成的工作，相当于一个小团队在6个月内完成的工作量。

我们建了什么？

本质上，我们最终在这个平台上构建了我们的世界。传统上，我们使用Box进行存储，使用Hubspot进行客户关系管理，使用Creditorwatch进行信用检查，使用RapidID进行KYC，使用Slack进行沟通（内部），并使用Excel和文档进行繁重的工作。

const express = require("express");
const session = require('express-session')
const cors = require("cors");
const dotenv = require('dotenv');
const app = express();
const axios = require("axios");
const bodyParser = require("body-parser");
const chatGPT = require("chatgpt");

// These libraries make things faster!

所有这些工具现在都在我们的平台上互相交互。我开始构建JWT身份验证和授权，然后我转向构建用户和组织。一旦我做到了这一点，我希望为房地产信贷提供机会，因此我开始构建产品、费用、优惠券、位置、资产类型、借款人谱系/验证和资金方的参考。

对于一些技术人员，我们构建了一个使用一系列库和SDK连接到MongoDB并托管在AWS和Heroku的nodejs API和仪表板。

以下是我在使用Chat GPT进行编码时所指的快速示例。

当然，你需要知道它在做什么，但它确实可以帮助你快速编写大部分无误的、花括号无误的代码。

我们的平台做什么？

我希望它能够解决至少四个问题，并使用现成的人工智能工具来进行集成和自动化。

创建一个小型的CRM系统，最终取代Hubspot，我们可以在其中添加联系人和公司，并与我们的关联公司和网站进行集成。
启用自动组织和客户验证 — 我们希望确保借贷对象值得信赖，没有不良记录。防洗钱和反恐怖融资（AML CTF）要求就像第一步，我们想要启用第十步，并查看来自法院、媒体、ASIC和其他平台的各种数据，以形成完整的画面。我们已经实施了人工智能，专注于针对大量返回的数据的“热点区域”，以指出我们应该谨慎对待的内容。
通过先进的学习，使每个机会都能启用动态信用分析，实现自主操作 — 对于房地产机会，我们会考虑一系列定性和定量数据，包括市场数据和该地区的资产集中情况（黄金海岸需要更多的住宅摩天大楼），以及机会的经济和基本面，如最低/最高贷款价值比、根据信用评分借款金额等等。这不仅会产生一个优惠利率，还会考虑我们在都市区与地区位置之间应该有多大的竞争力、借款人质量、资产评估、市场需求等因素。
以秒为单位生成规模化的借贷文档和投资公司文档-最好的贷方在2小时到3天内生成贷款条款表和在2天到2周内生成贷款文件。对于那些在预先批准和资金发放批准方面遵循信贷委员会路径的贷方，文件构建可能需要3-4个最佳情况，而对于资金状况不佳的借贷方则需要14-16天。我们的挑战是通过一系列步骤来完成的：1）根据借贷参数在几秒钟内创建指示性贷款条款和法律文件，2）在36小时内实现符合要求和准确的从头到尾的资金发放。这些文档利用数据库中的数据构建在一个模板字文档上，并使用人工智能验证文本和语言的使用。信贷委员会或联合贷款伙伴的投资备忘录提供了一个“交通灯”系统和验证，以确定我们是否应该借贷。

在第4点上，我们自然只有资金来源良好才能有所作为，然而这是另一篇博客的内容。