كيف تمنح V7 وكلاء الذكاء الاصطناعي ذاكرة مؤسسية
تحوّل V7 ملفات الشركات إلى سياق للوكلاء، ويحقق GPT‑6 Astra دقة 89% في أصعب اختبارات الاستعلام عن الرسوم البيانية.
النتائج
89%
دقة GPT-6 Astra في أصعب الاستعلامات
النتائج
78%
تكلفة أقل لكل مستند مع GPT-5.6 Luna
النتائج
+11.6 نقطة
دقة أعلى مع GPT-5.6 Luna
تستطيع نماذج اليوم الاستدلال عبر المهام المعقدة، لكنها لا تفهم تلقائيًا سياق العمل الكامن وراء تلك المهام. ما تقرير الصندوق الاستثماري المُعتمد حاليًا؟ كيف يُسمى الكيان نفسه عبر ثلاثة أنظمة؟
يكمن ذلك السياق في المستندات وغرف البيانات وجداول البيانات ورسائل البريد الإلكتروني والأدوات الداخلية، لكنه مشتت وغير محسوم وغير مرئي للوكلاء. بالنسبة إلى فرق التمويل والتأمين والعقارات، لا مجال للتهاون في دقة الاسترجاع داخل مسارات العمل.
بعد أن أنشأ ريزولي وإدواردسون معًا تطبيقًا واسع الاستخدام لإتاحة الوصول يعتمد على الرؤية الحاسوبية، أسسا V7(يفتح في نافذة جديدة) عام 2018 لمساعدة الشركات على تعليم أنظمة الذكاء الاصطناعي كيفية عمل مؤسساتها. V7 Go منصة قائمة على الوكلاء لإنشاء مسارات عمل بالغة الأهمية، وتنظيم السياق المدفون في ذاكرة يستطيع الوكلاء الاستعلام منها والتصرف استنادًا إليها.
يستخدم V7 Go نموذج GPT‑5.6 Luna لاستخراج المعلومات من ملايين الملفات وتنظيمها في رسم السياق البياني الذي يربط الكيانات والعلاقات والأدلة المستشهد بها، ويدعم بحث MCP ومسارات عمل قابلة للتكرار قد تمتد إلى مئات الخطوات. في مسارات العمل، يستخدم V7 Go نموذجي GPT‑5.6 Terra وSol للاستدلال واستخدام الأدوات عبر تعليمات معقدة متعددة الخطوات، يستغرق البشر عشرات الساعات لإتمامها. بدأت V7 أيضًا استخدام GPT‑6 Astra في أكثر استعلامات رسم السياق البياني تطلبًا، ومنها التحليل المالي عبر آلاف المستندات.
مع تكامل السياق والنماذج والأدوات، تقول V7 إن الوكلاء ينجزون مسارات عمل تتألف من 50 إلى 100 خطوة خلال دقائق، بدقة تبلغ 99.9%، مع الاحتفاظ بسجل قابل للتدقيق لكل قرار اتُخذ.
«لحل حالات الاستخدام المؤسسية الصعبة في قطاعات مثل التمويل والتأمين، يجب أن يتعلم الذكاء الاصطناعي كيفية عمل مؤسستك بالقدر نفسه الذي تعلّم به من الإنترنت.»
يعالج رسم السياق البياني مشكلة محددة. يتعين على الوكلاء إعادة اكتشاف السياق مع كل طلب، ما يؤدي إلى عشرات عمليات البحث التي تستهلك الوقت والرموز، وغالبًا ما تفوّت معلومات مهمة مدفونة في العلاقات.
عند وصول البيانات، يتصل V7 Go بمستودعات مثل SharePoint وGoogle Drive ويفحصها لاستخراج الكيانات والعلاقات والحقائق والسمات والمقاييس، ثم يملأ رسمًا بيانيًا يمكن اجتيازه بتكلفة وسرعة أفضل بنحو عشرة أضعاف من أساليب السياق الطويل.
يمنح رسم السياق البياني الوكلاء سجلًا منظّمًا ومحدّثًا يمكنهم الاستعلام عنه مباشرةً. عند وصول ملف جديد، يحدد V7 Go الشركات أو الصناديق أو الأشخاص أو أي كيان ضمن الأنطولوجيا، ثم يربط كل حقيقة بسجل جديد أو قائم، ويحتفظ بالأدلة المستشهد بها وصولًا إلى المصدر الأصلي. إذا لم يتضمن الرسم البياني معلومات كافية، يظل بإمكان V7 Go البحث في المستندات الأساسية باستخدام RAG.
اختبرت V7 أيضًا مدى أهمية بنية ذلك السياق. في HERB، وهو معيار مرجعي للعثور على المعلومات الموزعة عبر أنظمة المؤسسات وربطها، تفوق نظام V7 القائم على الاسترجاع فقط على خط الأساس الرسمي بنسبة 69%، وخفّض الهلوسة في الاستعلامات التي لا يمكن الإجابة عنها بنسبة 38%. يستخدم V7 Go ذلك السياق المرتبط بالمصادر لإسناد مسارات العمل المعقدة إلى معلومات كل شركة نفسها.
يستخدم V7 Go ذلك السياق المنظّم في مسارات عمل مثل فحص صفقات الأسهم الخاصة والاكتتاب في التأمين. في العرض التوضيحي أدناه، يستخرج مسار عمل معلومات من مستند صفقة يُسمى مذكرة المعلومات السرية (CIM)، ويُدخل البيانات المالية الرئيسية وشروط الصفقة وتفاصيل الإدارة، ويستشهد بمصادر حقول المخاطر، قبل أن ينشئ V7 Go مذكرة فحص.
يتيح رسم السياق البياني للنموذج الاستفادة من تاريخ الشركة من دون إعادة تعلّمه في كل مرة. بالنسبة إلى الوكلاء الذين يعملون لفترات طويلة، يحتفظ V7 Go بالتبادلات الحديثة في السياق النشط للنموذج، ويخزّن المواد الأقدم في الرسم البياني لاسترجاعها عند الحاجة.
يسهم هذا السياق المشترك بالفعل في تسريع العمل الكثيف بالمستندات لدى عملاء V7:
يمكن لمديري الأصول فحص الصفقات بسرعة أكبر 21 مرة، ما يقلّص عملية كانت تستغرق يومًا كاملًا إلى 15 دقيقة فقط
خفّض فريق للخدمات المالية وقت المراجعة من أكثر من 100 ساعة إلى أقل من 10 ساعات، موفرًا 12,000 دولار من تكاليف الخبراء لكل مهمة
خفّضت فرق التأمين أخطاء معالجة المطالبات بنسبة 13.5% مقارنةً بخط أساس يدوي، بعد تزويد وكلائها بمعرفة تاريخية بجميع المطالبات السابقة ووثائق التأمين القائمة
«بفضل GPT-5.6 Terra، تمكّنا من إزالة كثير من المراحل الوسيطة في مسارات العمل، والتي لم تكن موجودة سابقًا إلا لتبسيط المهمة على النموذج. لقد وفّر علينا أيامًا من أعمال التسليم، وغالبًا ما ينجز الأمور بصورة صحيحة من أول إنشاء لمسار العمل، بفضل نموذج أقوى وإمكانية الوصول إلى سياق أكبر.»
تعتمد مسارات العمل المعقدة متعددة الخطوات على قدرة النموذج على اتباع تعليمات مطوّلة بموثوقية، وتشغيل الأدوات، وتفسير النتائج، واجتياز سلسلة طويلة من الخطوات. قد يؤدي خطأ واحد في مرحلة مبكرة إلى عواقب باهظة وتقويض الثقة بأنظمة الذكاء الاصطناعي. يوجّه V7 Go النماذج عبر مهام طويلة الأمد تشمل التعليمات البرمجية الحتمية، وتسليم العمل إلى نماذج أصغر، وخطوات إنشاء الملفات، وعمليات التكامل، مع سجل قابل للتدقيق لكل عملية تشغيل.
في مسارات العمل التي ينشئها الذكاء الاصطناعي، يربط V7 Go كل خطوة بمستوى سريع أو متوسط أو ذكي. يتولى GPT‑5.6 Luna الاستخراج المنظّم وغيره من الأعمال كبيرة الحجم، بينما يشغّل GPT‑5.6 Terra أو Sol الدردشة ومسار وكيل Go والخطوات التي تتطلب مزيدًا من الاستدلال أو استخدام الأدوات.
تختبر V7 النماذج الجديدة باستخدام حزمة معايير مرجعية تُحدّث باستمرار، وتغطي دقة الاستشهادات، وجودة الاستخراج عبر مئات أنواع المستندات، وصحة الإجابات، واتباع التعليمات، وزمن الاستجابة، والتكلفة، ومسارات العمل الفعلية في المؤسسات. تتفوق OpenAI على معظم النماذج في السلوكيات التي توليها V7 أكبر قدر من الاهتمام. كما وافقت OpenAI على زيادة السعة التي احتاجتها V7 ونفّذتها خلال ساعات، مقارنة بأسابيع لدى المزوّدين الآخرين الذين تستخدمهم V7.
«اخترنا OpenAI خيارًا افتراضيًا لأنها تقدم أفضل أداء في مسارات العمل متعددة الخطوات والقائمة على الأدوات التي يعتمد عليها V7 Go. وفي معيار رسم السياق البياني لدينا، خفّض GPT-5.6 Sol معدل أخطاء استدعاء الأدوات من 2.7% مع GPT-5.5 إلى 0.2%»
في أحدث منظومة تقييم لدى V7، أصبحت مسارات العمل الرئيسية التي تتضمن عدة استدعاءات خارجية تكتمل بسرعة أكبر بما يصل إلى 50%. وقاست V7 مكسبًا آخر في الكفاءة مع GPT‑5.6 Luna، إذ انخفضت تكلفة المستند بنسبة 78% مقارنةً بـ GPT‑5.4 mini. كما نقلت V7 أعباء عمل V7 Go الكثيفة بالمستندات من واجهة برمجة تطبيقات إكمال المحادثات إلى Responses API. وفي اختباراتها، خفّض هذا التغيير استخدام الرموز بنحو 5% في بعض مسارات العمل الكثيفة بملفات PDF، وحسّن موثوقية التخزين المؤقت.
اختبرت V7 أيضًا GPT‑6 Astra على أصعب استعلاماتها. كان GPT‑5.6 Sol قد بلغ حد التشبع في كثير من معايير V7 المرجعية الحالية، لذا أنشأت الشركة مجموعة أصعب من أسئلة الاستعلام عن الرسوم البيانية باستخدام بيانات فعلية أقل تنظيمًا وموزعة على آلاف المستندات. تغطي مجموعة بيانات الاختبار أربعة مستويات من الصعوبة. وفي المستوى بالغ الصعوبة، أفادت V7 بأن GPT‑5.6 Sol حقق 78%، بينما بلغت دقة GPT‑6 Astra نسبة 89%. حقق كلا النموذجين نتائج قاربت 100% في المستويات السهل والمتوسط والصعب.
يتيح V7 Go بالفعل الاستعلام من رسم السياق البياني وإدخال البيانات إليه عبر خادم MCP، بحيث يمكن للعملاء استخدامه من ChatGPT وغيره من البرامج المتوافقة. ويمكنهم أيضًا إنشاء مسارات عمل V7 Go عبر MCP في Codex. إلى جانب تبسيط تصميم مسارات العمل، قلّص ذلك الوقت اللازم لإنشاء مسار عمل متوسط الطول من نحو ساعة إلى قرابة 20 دقيقة.
يتمثل هدف V7 على المدى الطويل في جعل تلك الذاكرة المشتركة أكثر استباقية. يعمل الفريق على تطوير مسارات عمل تبدأ عند تغيّر الحقائق في رسم السياق البياني، وترصد أوجه التناقض، وتوضح للمستخدمين التحليلات التي تحتاج إلى إعادة النظر. فعلى سبيل المثال، قد يدفع تقرير مُعاد إصداره عن صندوق استثماري V7 Go إلى وضع علامة على الأعمال التي لا تزال تعتمد على الأرقام القديمة.
يقول ريزولي: «هدفنا مساعدة المؤسسات على إعادة تجهيز نفسها لعصر الذكاء الاصطناعي، من خلال مسارات عمل تنجز المهام بالغة الأهمية وذاكرة تتفوق علينا نحن البشر». «لن تكون شركات التمويل التي تحقق قيمة فعلية من الذكاء الاصطناعي هي التي تمتلك أكبر عدد من الوكلاء. بل ستكون التي تمتلك أفضل سياق.»
