Kako V7 AI agentima daje institucionalno pamćenje

Današnji modeli mogu rezonovanjem rješavati složene zadatke, ali ne razumiju automatski poslovni kontekst na kojem se ti zadaci zasnivaju. Koji je izvještaj fonda važeći? Kako je isti entitet nazvan u tri različita sistema?

Taj kontekst nalazi se u dokumentima, sobama s podacima, proračunskim tabelama, e-porukama i internim alatima: rasut, nepovezan i nevidljiv agentima. Za timove u finansijama, osiguranju i nekretninama tačnost pronalaženja informacija u radnim tokovima mora biti besprijekorna.

Nakon što su zajedno razvili široko korištenu aplikaciju za pristupačnost zasnovanu na računarskom vidu, Rizzoli i Edwardsson pokrenuli su V7⁠(otvara se u novom prozoru) 2018. godine kako bi pomogli kompanijama da AI sisteme nauče kako njihovo poslovanje funkcioniše. V7 Go je agentska platforma za izradu ključnih radnih tokova i organiziranje skrivenog konteksta u memoriju koju agenti mogu pretraživati i na osnovu nje djelovati.

V7 Go koristi GPT‑5.6 Luna za izdvajanje informacija iz miliona datoteka i njihovo organiziranje u Grafu konteksta, koji povezuje entitete, odnose i citirane dokaze te omogućava MCP pretragu i ponovljive radne tokove koji mogu obuhvatiti stotine koraka. Za radne tokove V7 Go koristi GPT‑5.6 Terra i Sol za rezonovanje i upotrebu alata pri izvršavanju složenih uputa s više koraka, za koje su ljudima potrebne desetine sati. V7 također počinje koristiti GPT‑6 Astra za najzahtjevnije upite u Grafu konteksta, uključujući finansijsku analizu hiljada dokumenata.

Zahvaljujući zajedničkom radu konteksta, modela i alata, V7 navodi da agenti za nekoliko minuta završavaju radne tokove od 50 do 100 koraka uz tačnost od 99,9%, a pritom čuvaju revizijski trag svake donesene odluke.

Graf konteksta rješava konkretan problem. Agenti pri svakom zahtjevu moraju iznova otkrivati kontekst, što dovodi do desetina pretraga koje troše vrijeme i tokene, a često se previde ključne informacije skrivene u vezama među podacima.

Kada podaci stignu, V7 Go povezuje se sa spremištima kao što su SharePoint i Google Drive, pretražuje ih radi pronalaženja entiteta, veza, činjenica, atributa i metrika te popunjava graf koji je višestruko jeftinije i brže pretraživati nego pristupe zasnovane na dugom kontekstu.

Graf konteksta agentima pruža strukturiran i ažuriran zapis koji mogu direktno pretraživati. Kada stigne nova datoteka, V7 Go prepoznaje kompanije, fondove, osobe ili bilo koji entitet iz ontologije, zatim svaku činjenicu povezuje s novim ili postojećim zapisom i čuva citirane dokaze koji vode do izvornog materijala. Ako graf ne sadrži dovoljno informacija, V7 Go i dalje može pretraživati izvorne dokumente pomoću RAG-a.

V7 je također testirao koliko je važna struktura tog konteksta. Na HERB-u, referentnom testu za pronalaženje i povezivanje informacija raspoređenih u poslovnim sistemima, V7-ov sistem zasnovan isključivo na pronalaženju informacija nadmašio je službenu polaznu vrijednost za 69% i smanjio halucinacije kod upita na koje nije moguće odgovoriti za 38%. V7 Go koristi taj kontekst povezan s izvorima kako bi se složeni radni tokovi zasnivali na vlastitim informacijama svake kompanije.

V7 Go koristi taj organizirani kontekst u radnim tokovima kao što su procjena potencijalnih ulaganja privatnog kapitala i procjena rizika u osiguranju. U demonstraciji u nastavku radni tok iz dokumenta o transakciji, nazvanog Memorandum o povjerljivim informacijama (CIM), izdvaja ključne finansijske podatke, uslove transakcije i podatke o rukovodstvu te navodi izvore za polja rizika, nakon čega V7 Go izrađuje bilješku o procjeni.

Graf konteksta omogućava modelu da koristi historiju kompanije bez ponovnog učenja pri svakom zadatku. Kod dugotrajnih agenata V7 Go zadržava nedavne razmjene u aktivnom kontekstu modela, a stariji materijal pohranjuje u graf kako bi se mogao dohvatiti kada zatreba.

Taj zajednički kontekst već ubrzava obradu velikog broja dokumenata kod korisnika V7-a:

• Upravitelji imovinom mogu procijeniti transakcije 21 put brže nego ranije, skraćujući cjelodnevni postupak na samo 15 minuta

• Tim za finansijske usluge skratio je vrijeme pregleda s više od 100 sati na manje od 10, čime je na svakom zadatku uštedio 12.000 USD troškova stručnjaka

• Timovi za osiguranje smanjili su greške u obradi odštetnih zahtjeva za 13,5% u odnosu na ručnu polaznu vrijednost nakon što su svojim agentima omogućili pristup historijskim podacima o svim prethodnim zahtjevima i postojećim policama

Složeni radni tokovi s više koraka zavise od toga da model pouzdano prati opsežne upute, koristi alate, tumači rezultate i prolazi kroz dugačak niz koraka. Jedna greška u ranijoj fazi može izazvati skupe posljedice i narušiti povjerenje u AI sisteme. V7 Go vodi modele kroz dugotrajne zadatke koji obuhvataju deterministički kôd, predavanje zadataka manjim modelima, generisanje datoteka i integracije, uz revizijski trag svakog izvršavanja.

U radnim tokovima koje generiše AI, V7 Go svaki korak svrstava u brzu, srednju ili pametnu kategoriju. GPT‑5.6 Luna obavlja strukturirano izdvajanje i druge zadatke velikog obima, dok GPT‑5.6 Terra ili Sol pokreću razgovor, putanju Go Agenta i korake koji zahtijevaju više rezonovanja ili upotrebu alata.

V7 testira nove modele pomoću kontinuirano održavanog skupa referentnih testova koji obuhvata tačnost citata, kvalitet izdvajanja iz stotina vrsta dokumenata, tačnost odgovora, praćenje uputa, kašnjenje, troškove i stvarne poslovne radne tokove. OpenAI nadmašuje većinu modela u ponašanjima koja su V7-u najvažnija. OpenAI je također u roku od nekoliko sati odobrio i proveo povećanje kapaciteta koje je V7 tražio, dok je drugim pružaocima usluga koje V7 koristi za to trebalo nekoliko sedmica.

U najnovijem V7 harnessu ključni radni tokovi s nekoliko vanjskih poziva sada se završavaju i do 50% brže. V7 je uz GPT‑5.6 Luna izmjerio još jedno poboljšanje efikasnosti: trošak po dokumentu bio je 78% niži nego uz GPT‑5.4 mini. V7 je također svoja radna opterećenja u V7 Go koja obrađuju mnogo dokumenata prebacio s API-ja za dovršavanje razgovora na Responses API. Prema njegovim testovima, ta je promjena u nekim radnim tokovima s mnogo PDF dokumenata smanjila upotrebu tokena za približno 5% i povećala pouzdanost predmemoriranja.

V7 je također testirao GPT‑6 Astra na svojim najtežim upitima. GPT‑5.6 Sol već je dostigao gotovo maksimalne rezultate na mnogim postojećim V7 testovima, pa je kompanija napravila zahtjevniji skup pitanja za pretraživanje grafa, koristeći neurednije podatke iz stvarnog svijeta raspoređene u hiljadama dokumenata. Skup podataka za test obuhvata četiri nivoa težine. V7 navodi da je na najtežem nivou GPT‑5.6 Sol ostvario 78%, dok je GPT‑6 Astra postigao tačnost od 89%. Oba modela ostvarila su rezultat blizu 100% na laganom, srednjem i teškom nivou.

V7 Go već omogućava pretraživanje i unos podataka u Graf konteksta putem svog MCP servera, pa ga korisnici mogu upotrebljavati iz ChatGPT‑a i drugih kompatibilnih klijenata. Putem MCP-a također mogu praviti radne tokove za V7 Go u Codexu. Zajedno s jednostavnijim dizajnom radnih tokova, to je skratilo vrijeme potrebno za izradu radnog toka srednje dužine s približno jednog sata na oko 20 minuta.

Dugoročni cilj V7-a jeste da ta zajednička memorija postane proaktivnija. Tim radi na radnim tokovima koji se pokreću kada se promijene činjenice u Grafu konteksta, označavaju nedosljednosti i pokazuju ljudima koje analize treba ponovo pregledati. Naprimjer, izmijenjeni izvještaj fonda mogao bi potaknuti V7 Go da označi rad koji se još oslanja na stare podatke.

„Naš je cilj pomoći kompanijama da se prilagode dobu umjetne inteligencije, uz radne tokove koji rješavaju ključne zadatke i memoriju koja nadmašuje ljudsku“, kaže Rizzoli. „Finansijske kompanije koje ostvaruju stvarnu vrijednost od umjetne inteligencije neće biti one s najviše agenata. Bit će to one s najboljim kontekstom.“