Как V7 дава институционална памет на ИИ Агентите

Съвременните модели могат да използват структурирано анализиране при сложни задачи, но не разбират автоматично бизнес контекста зад тях. Кой отчет за фонда е актуален? Как е наименуван един и същ обект в три различни системи?

Този контекст се намира в документи, виртуални стаи с данни, електронни таблици, имейли и вътрешни инструменти — разпръснат, несъгласуван и невидим за Агентите. За екипите във финансите, застраховането и недвижимите имоти точността на извличането в работните процеси е задължителна.

След като заедно създават широко използвано приложение за достъпност с компютърно зрение, през 2018 г. Рицоли и Едуардсън основават V7⁠(отваря се в нов прозорец), за да помагат на компаниите да обучават системите с ИИ как работи бизнесът им. V7 Go е платформа с Агенти за изграждане на критично важни работни процеси и организиране на скрития контекст в памет, към която Агентите могат да отправят заявки и въз основа на която да действат.

V7 Go използва GPT‑5.6 Luna, за да извлича информация от милиони файлове и да я организира в Графа на контекста, който свързва обекти, отношения и цитирани доказателства и захранва MCP търсене и повторяеми работни процеси, обхващащи стотици стъпки. За работните процеси V7 Go използва GPT‑5.6 Terra и Sol за структурирано анализиране и работа с инструменти при сложни многоетапни инструкции, чието изпълнение от хора отнема десетки часове. V7 започва да използва и GPT‑6 Astra за най-взискателните заявки към Графа на контекста, включително финансови анализи на хиляди документи.

Според V7, когато контекстът, моделите и инструментите работят заедно, Агентите завършват работни процеси от 50–100 стъпки за минути с точност от 99,9%, като същевременно поддържат одитна следа за всяко взето решение.

Графът на контекста решава конкретен проблем. Агентите трябва да преоткриват контекста при всяка заявка, което води до десетки търсения, изразходващи време и токени, а ключова информация, скрита във взаимовръзките, често остава неоткрита.

Когато постъпят данни, V7 Go се свързва с хранилища като SharePoint и Google Drive, сканира ги за обекти, връзки, факти, атрибути и показатели и попълва граф, чието обхождане е с порядък по-евтино и по-бързо от подходите с дълъг контекст.

Графът на контекста предоставя на Агентите структуриран и актуален регистър, към който могат да отправят директни заявки. Когато постъпи нов файл, V7 Go разпознава компаниите, фондовете, хората и всички други обекти в дадена онтология, след което свързва всеки факт с нов или съществуващ запис и запазва цитираните доказателства с препратка към първоизточника. Ако графът не съдържа достатъчно информация, V7 Go все пак може да търси в базовите документи чрез RAG.

V7 тества и доколко е важна структурата на този контекст. При HERB — сравнителен тест за намиране и свързване на информация, разпръсната в корпоративни системи — системата на V7 само за извличане надмина официалното базово ниво с 69% и намали халюцинациите при заявки без възможен отговор с 38%. V7 Go използва този свързан с източниците контекст, за да поддържа сложните работни процеси основани на собствената информация на всяка компания.

V7 Go използва този организиран контекст в работни процеси като оценяване на сделки с частен капитал и застрахователно поемане на риск. В демонстрацията по-долу работен процес извлича информация от документ за сделка, наречен Меморандум с поверителна информация (CIM), подава ключови финансови данни, условия по сделката и сведения за ръководството и цитира източници за рисковите полета, преди V7 Go да създаде бележка за първоначална оценка.

Графът на контекста позволява на модела да работи с историята на дадена фирма, без да я изучава отново всеки път. За дълготрайно работещите Агенти V7 Go запазва последните взаимодействия в активния контекст на модела, а по-старите материали съхранява в графа, откъдето се извличат при нужда.

Този споделен контекст вече ускорява работата с много документи при клиентите на V7:

• Дружествата за управление на активи могат да оценяват сделки 21 пъти по-бързо отпреди, като съкращават целодневен процес до едва 15 минути

• Екип за финансови услуги съкрати времето за преглед от над 100 часа до под 10, спестявайки 12 000 щ.д. разходи за експерти при всяка задача

• Застрахователни екипи намалиха грешките при обработката на искове с 13,5% спрямо ръчния базов процес, след като предоставиха на Агентите си исторически данни за всички предишни искове и действащи полици

Сложните многоетапни работни процеси зависят от способността на модела надеждно да следва дълги инструкции, да изпълнява инструменти, да тълкува резултати и да преминава през множество стъпки. Една-единствена грешка в началото може да доведе до скъпи последици и загуба на доверие в системите с ИИ. V7 Go направлява моделите при задачи с дълъг хоризонт, включващи детерминистичен код, прехвърляне към по-малки модели, генериране на файлове и интеграции, като осигурява одитна следа за всяко изпълнение.

В генерираните от ИИ работни процеси V7 Go разпределя всяка стъпка към ниво за бързина, баланс или интелигентност. GPT‑5.6 Luna се справя със структурираното извличане и друга работа с голям обем, а GPT‑5.6 Terra или Sol осигуряват чата, маршрута на Go Agent и стъпките, изискващи повече структурирано анализиране или използване на инструменти.

V7 тества новите модели с постоянно поддържан набор от сравнителни тестове, обхващащ точността на цитирането, качеството на извличане при стотици видове документи, правилността на отговорите, следването на инструкции, забавянето, разходите и реални корпоративни работни процеси. OpenAI превъзхожда повечето модели по показателите, които са най-важни за V7. Освен това OpenAI одобри и осигури необходимото увеличение на капацитета за V7 в рамките на часове, докато на други използвани от V7 доставчици бяха нужни седмици.

В най-новата рамка на V7 ключови работни процеси с няколко външни извиквания вече завършват с до 50% по-бързо. V7 отчете и още едно подобрение на ефективността с GPT‑5.6 Luna: 78% по-ниска цена на документ спрямо GPT‑5.4 mini. V7 също премести натоварванията на V7 Go с много документи от API за завършване на чат към Responses API. При тестовете промяната намали използването на токени с около 5% за някои работни процеси с много PDF файлове и подобри надеждността на кеширането.

V7 тества и GPT‑6 Astra с най-трудните си заявки. GPT‑5.6 Sol вече достигаше максимални резултати в много от съществуващите сравнителни тестове на V7, затова компанията създаде по-труден набор от въпроси за заявки към граф, използвайки по-неподредени реални данни от хиляди документи. Наборът от данни за теста обхваща четири нива на трудност. V7 съобщава, че при най-високото ниво на трудност GPT‑5.6 Sol е постигнал 78%, а GPT‑6 Astra — точност от 89%. И двата модела постигнаха близо 100% при лесното, средното и трудното ниво.

V7 Go вече предоставя заявки към Графа на контекста и приемане на данни чрез своя MCP сървър, така че клиентите да могат да го използват от ChatGPT и други съвместими клиенти. Чрез MCP те могат също да създават работни процеси на V7 Go в Codex. Заедно с опростеното проектиране на работни процеси това съкрати времето за създаване на процес със средна дължина от около един час до близо 20 минути.

Дългосрочната цел на V7 е тази споделена памет да стане по-проактивна. Екипът разработва работни процеси, които се стартират при промяна на факти в Графа на контекста, сигнализират за несъответствия и показват на хората кои анализи трябва да бъдат прегледани отново. Например преиздаден отчет за фонд може да накара V7 Go да отбележи работа, която все още разчита на старите стойности.

„Целта ни е да помогнем на предприятията да се преоборудват за ерата на ИИ с работни процеси, които решават критично важни задачи, и с памет, която превъзхожда човешката“, казва Рицоли. „Финансовите компании, които извличат реална полза от ИИ, няма да бъдат тези с най-много Агенти. Това ще бъдат компаниите с най-добрия контекст.“