برای کسبوکارها، یک پرداخت تاخیری یا گمشده میتواند یک کابوس باشد، که منجر به ناامیدی و ناکارآمدی میشود، بهویژه زمانی که صحبت از کسبوکارهای کوچکتر در شهرهای درجه دو و سه باشد. Razorpay، یک رهبر در فضای فینتک هند، با استفاده از هوش مصنوعی به مقابله با این موضوع میپردازد و نحوه مدیریت پرداختها، امنیت و تاخیر و بازگشت پرداختها را متحول میکند.
یکی از این نوآوریها UPI Switch است که با آن پرداختهای غیرمنتظره و معلق اکنون به گذشته پیوستهاند. راهول کوتاری، مدیر ارشد عملیات Razorpay، در FTX’25 گفت: «در حالی که میانگین زمان فعالیت این صنعت حدود ۹۴-۹۵٪ است، سیستم ما دارای زمان فعالیت چشمگیر ۹۹.۹۹۵٪ است.»
«بدون واسطه. بدون انتظار ۵ تا ۷ روز برای بازپرداخت. زیرساخت ما اکنون میتواند ۱۰,۰۰۰ تراکنش در ثانیه را با تاخیر زیر ۱۰۰ میلیثانیه انجام دهد. با UPI Switch، ما عبارت «پرداخت انجام نشد» را به تاریخ سپردیم.»
اما چه چیزی در پشت پرده اتفاق میافتد؟ مورالی برهمادسام، مدیر ارشد فناوری و رئیس مهندسی Razorpay، در این رویداد در مورد چگونگی حل مشکل پرداختهای تاخیری و بازپرداخت برای کسبوکارها توسط فناوری و نوآوریهای شرکت توضیح داد.
در میان اطلاعیههای کلیدی در FTX’25، Ray Concierge، یک سیستم ورود به سیستم هوش مصنوعی بود که فرآیند اغلب پیچیده راهاندازی درگاههای پرداخت را ساده میکند.
Ray که سال گذشته راهاندازی شد، یک چارچوب اساسی برای حل مشکلات پرداخت کشور است. امسال، پشتیبانی متنی در سراسر داشبوردها ادغام شده است و به کاربران امکان میدهد بدون خروج از سیستم، پاسخهای بیدرنگ دریافت کنند.
برهمادسام توضیح داد: «قبلاً، کاربران مجبور بودند برای دریافت جزئیات تسویه حساب، چندین صفحه را جستجو کنند. اکنون، آنها میتوانند به سادگی ماوس را روی یک ورودی نگه دارند و فوراً پاسخ خود را دریافت کنند.» به طور مشابه، مشتریان حقوق و دستمزد میتوانند تغییرات در فیشهای حقوقی را ماه به ماه با بینشهای مبتنی بر هوش مصنوعی تجزیه و تحلیل کنند. این ویژگیها تصمیمگیری و کارایی عملیاتی را افزایش میدهند.
کاهش بازگشت به مبدا با هوش مصنوعی
در هند، ۳۰٪ از سفارشهای تجارت الکترونیک از مشکل بازگشت به مبدا (RTO) رنج میبرند.
برهمادسام توضیح داد: «مدلهای هوش مصنوعی ما میتوانند پیشبینی کنند که آیا مشتری احتمالاً سفارش را برمیگرداند یا خیر. این به تجار اجازه میدهد تا گزینههای پیشپرداخت را پیکربندی کرده و خسارات خود را کاهش دهند.» این امر نرخهای RTO را ۵۰-۷۰٪ کاهش داده است.
Razorpay برای حمایت از رشد سریع خود، یک معماری سلولی را اتخاذ کرده است که وابستگی بین خدمات را کاهش میدهد و راهاندازی سریع منطقهای را امکانپذیر میکند. برهمادسام گفت: «با معماری جدید خود، توانستیم در کمتر از سه هفته در مالزی راهاندازی کنیم.»
علاوه بر این، این شرکت با اقداماتی مانند ابزارهای دیدهبانی هزینه برای مهندسان، خدمات مدیریت شده توسط AWS برای کاهش هزینههای سربار زیرساخت و مقیاسبندی خودکار برای بهینهسازی استفاده از منابع ابری، هزینههای عملیاتی را ۷۵٪ کاهش داده است.
در مورد پرداختها، انعطافپذیری و در دسترس بودن بسیار مهم است. Razorpay از یک معماری یکپارچه PHP به میکروسرویسهای مبتنی بر GoLang مهاجرت کرده است، که به مهندسان اجازه میدهد ویژگیها را به طور مستقل مستقر کنند.
برهمادسام گفت: «انتقال به میکروسرویسها به تیمهای ما این امکان را داده است که مالکیت کامل ویژگیهای خود را به عهده بگیرند و با سرعت خودشان مستقر شوند.»
Razorpay برای بهبود ثبات پایگاه داده، ۱۰۰٪ پایگاههای داده خود را به AWS Aurora منتقل کرده است، که مشکلات اتصال را کاهش میدهد و تاخیر را با سرورهای پروکسی بهبود میبخشد. این شرکت همچنین پایگاههای داده جهانی را پیادهسازی کرده است و از خرابی خودکار بین بمبئی و حیدرآباد اطمینان حاصل میکند، بنابراین زمان فعالیت را افزایش میدهد.
عامل یوگی
Razorpay اکنون بر روی محصولات مبتنی بر هوش مصنوعی تمرکز دارد و Agentic Toolkit که به تازگی راه اندازی شده است، توسعه دهندگان را قادر می سازد تا بدون خواندن مستندات گسترده API، پرداخت ها را ادغام کنند. در این رویداد، این شرکت همچنین چشم انداز خود را برای آینده پرداخت ها با معرفی یک ابزار هوش مصنوعی Agentic طراحی شده برای فعال کردن پرداخت های یکپارچه به نمایش گذاشت.
برهمادسام گفت: «اکنون یک توسعه دهنده واحد می تواند با استفاده از ابزار عامل ما، پردازش پرداخت را در کمتر از یک ساعت راه اندازی کند. این یک تغییر دهنده بازی برای کسب و کارهایی است که به دنبال راه اندازی سریع هستند.»
برهمادسام توضیح داد: «قبلاً، بازرگانان مجبور بودند مشتریان را برای سوالات بازپرداخت به Razorpay هدایت کنند. اکنون، با Ray، آنها می توانند مستقیماً در پلتفرم های خود پاسخ ها را دریافت کنند.»
Razorpay برای تقویت این نوآوریها، Yogi، یک پلتفرم هوش مصنوعی داخلی را توسعه داده است که کل اکوسیستم محصول را درک میکند.
برهمادسام گفت: «یوگی اطمینان میدهد که سوالات مشتری به طور یکپارچه در سراسر چتباتها، واتساپ و پشتیبانی تلفنی رسیدگی میشود. این پاسخها را بر اساس تاریخچه تعامل کاربر شخصیسازی میکند و پشتیبانی را کارآمدتر میکند.»
حملات DDoS و تراکنشهای جعلی چالشهای مهمی برای پلتفرمهای فینتک هستند. Razorpay مدلهای هوش مصنوعی در سطح تجار را توسعه داده است که بین ترافیک قانونی و حملات تمایز قائل میشوند.
برهمادسام توضیح داد: «ما مدلهای هوش مصنوعی ساختهایم که میتوانند به سرعت تعیین کنند که آیا افزایش ترافیک ناشی از یک رویداد فروش واقعی است یا یک حمله DDoS.» در جبهه ریسک تراکنشی، Razorpay مدلهای تشخیص تقلب مبتنی بر هوش مصنوعی را برای مقابله با فیشینگ، سرقت هویت، برگشت هزینه و تقلب در آزمایش کارت پیادهسازی کرده است.
برهمادسام گفت: «تاکتیکهای تقلب دائماً در حال تکامل هستند، بنابراین ما یک تیم عملیات ریسک اختصاصی داریم که بهطور مداوم مدلهای هوش مصنوعی و سیستمهای مبتنی بر قوانین خود را تنظیم میکند.»
Razorpay چگونه اینقدر سریع حمل و نقل می کند؟
Razorpay از طریق هکاتون های سالانه سه روزه، که در آن 648 کارمند از سراسر بخش ها شرکت می کنند، نوآوری را تشویق می کند. سال گذشته، بیش از 121 ایده به اشتراک گذاشته شد که 60 درصد آنها قبلاً ارسال شده اند.
Razorpay همچنین آزمایشگاه خود را راه اندازی کرده است که در حال حاضر شامل پنج کارمند است. این یک تیم کوچک است که منشور آن نوآوری در فضای پرداخت است و از شکست نمی ترسد. "بیش از 15 ایده آزمایش شد که 50٪ آنها در هوش مصنوعی بودند."
یکی از این ابزارها Co-Pilot است، یک ابزار مجهز به هوش مصنوعی برای کمک به توسعه دهندگان در ادغام درگاه پرداخت. برهمادسام گفت: «ما دانش داخلی خود را در LLM ها مدون کردیم تا توسعه دهندگان بتوانند به سرعت افزایش پیدا کنند.» بررسی کد با هوش مصنوعی و تولید تست واحد به طور قابل توجهی چرخه های توسعه را بهبود بخشیده است. علاوه بر این، اشکال زدایی از مشکلات زیرساختی با یک دستیار DevOps مبتنی بر هوش مصنوعی متحول شده است.
ورود و بهره وری توسعه دهندگان یک حوزه تمرکز برای Razorpay بوده است. به طور معمول، یک مهندس جدید دو هفته طول می کشد تا با اکوسیستم آشنا شود. Razorpay برای سادهسازی این موضوع، یک پایگاه دانش مجهز به LLM ساخته است که ورود را تسریع میکند.
برهمادسام خاطرنشان کرد: «مهندسان ما حدود 600 بلیط در ماه برای مسائل DevOps مانند خرابی Kubernetes ثبت می کردند. اکنون، با اشکالزدایی مبتنی بر هوش مصنوعی، تیم میتواند بیشتر مسائل را خودشان حل کند و حجم کار DevOps را به میزان قابل توجهی کاهش دهد.»
Razorpay همچنین با بیش از 53 مخزن منبع باز، از جمله Blade، سیستم طراحی داخلی خود، به جامعه توسعه دهندگان کمک می کند.