Πώς η V7 δίνει θεσμική μνήμη σε πράκτορες ΤΝ

Τα σημερινά μοντέλα μπορούν να χρησιμοποιούν συλλογιστική για σύνθετες εργασίες, αλλά δεν κατανοούν αυτόματα το υποκείμενο επιχειρηματικό πλαίσιο αυτών των εργασιών. Ποια έκθεση κεφαλαίου είναι η τρέχουσα; Πώς ονομάζεται η ίδια οντότητα σε τρία διαφορετικά συστήματα;

Αυτό το πλαίσιο βρίσκεται σε έγγραφα, εικονικές αίθουσες δεδομένων, υπολογιστικά φύλλα, email και εσωτερικά εργαλεία: διάσπαρτο, ανεπεξέργαστο και αόρατο στους πράκτορες. Για τις ομάδες στους χρηματοοικονομικούς, ασφαλιστικούς και κτηματομεσιτικούς κλάδους, η ακρίβεια ανάκτησης μέσα στις ροές εργασίας είναι αδιαπραγμάτευτη.

Αφού δημιούργησαν μαζί μια ευρέως χρησιμοποιούμενη εφαρμογή προσβασιμότητας με υπολογιστική όραση, οι Rizzoli και Edwardsson ίδρυσαν τη V7⁠(ανοίγει σε νέο παράθυρο) το 2018, για να βοηθήσουν τις εταιρείες να διδάξουν στα συστήματα ΤΝ πώς λειτουργούν οι επιχειρήσεις τους. Το V7 Go είναι μια πλατφόρμα πρακτόρων για τη δημιουργία κρίσιμων ροών εργασίας και την οργάνωση κρυμμένου πλαισίου σε μνήμη, στην οποία οι πράκτορες μπορούν να υποβάλλουν ερωτήματα και να ενεργούν βάσει αυτής.

Το V7 Go χρησιμοποιεί το GPT‑5.6 Luna για να εξάγει πληροφορίες από εκατομμύρια αρχεία και να τις οργανώνει στο Γράφημα Περιβάλλοντος, το οποίο συνδέει οντότητες, σχέσεις και τεκμήρια με παραπομπές, υποστηρίζοντας την αναζήτηση MCP και επαναλήψιμες ροές εργασίας που μπορούν να εκτείνονται σε εκατοντάδες βήματα. Για τις ροές εργασίας, το V7 Go χρησιμοποιεί τα GPT‑5.6 Terra και Sol για συλλογιστική και χρήση εργαλείων σε σύνθετες οδηγίες πολλών βημάτων, οι οποίες απαιτούν δεκάδες ώρες ανθρώπινης εργασίας. Η V7 αρχίζει επίσης να χρησιμοποιεί το GPT‑6 Astra στα πιο απαιτητικά ερωτήματα του Γραφήματος Περιβάλλοντος, συμπεριλαμβανομένης της χρηματοοικονομικής ανάλυσης χιλιάδων εγγράφων.

Με το πλαίσιο, τα μοντέλα και τα εργαλεία να συνεργάζονται, η V7 αναφέρει ότι οι πράκτορες ολοκληρώνουν μέσα σε λίγα λεπτά ροές εργασίας 50–100 βημάτων, πετυχαίνοντας ακρίβεια 99,9% και διατηρώντας παράλληλα ελέγξιμο ιστορικό κάθε απόφασης.

Το Γράφημα Περιβάλλοντος λύνει ένα συγκεκριμένο πρόβλημα. Οι πράκτορες πρέπει να ανακαλύπτουν ξανά το σχετικό πλαίσιο σε κάθε αίτημα, με αποτέλεσμα δεκάδες αναζητήσεις που κοστίζουν χρόνο και token, ενώ συχνά παραβλέπουν κρίσιμες πληροφορίες κρυμμένες στις σχέσεις.

Όταν φτάνουν δεδομένα, το V7 Go συνδέεται με αποθετήρια όπως το SharePoint και το Google Drive, τα σαρώνει για οντότητες, σχέσεις, γεγονότα, χαρακτηριστικά και μετρήσεις και συμπληρώνει ένα γράφημα, του οποίου η αναζήτηση είναι κατά μία τάξη μεγέθους φθηνότερη και ταχύτερη από τις προσεγγίσεις εκτενούς περιβάλλοντος.

Το Γράφημα Περιβάλλοντος παρέχει στους πράκτορες ένα δομημένο, ενημερωμένο αρχείο στο οποίο μπορούν να υποβάλλουν απευθείας ερωτήματα. Όταν φτάνει ένα νέο αρχείο, το V7 Go εντοπίζει εταιρείες, κεφάλαια, πρόσωπα ή οποιαδήποτε οντότητα μιας οντολογίας, συνδέει κάθε στοιχείο με μια νέα ή υπάρχουσα εγγραφή και διατηρεί τις παραπομπές στα τεκμήρια της αρχικής πηγής. Αν το γράφημα δεν περιέχει αρκετές πληροφορίες, το V7 Go μπορεί να αναζητήσει στα υποκείμενα έγγραφα μέσω RAG.

Η V7 έχει επίσης εξετάσει πόσο σημαντική είναι η δομή αυτού του πλαισίου. Στο HERB, μια αξιολόγηση για τον εντοπισμό και τη σύνδεση πληροφοριών κατανεμημένων σε εταιρικά συστήματα, το σύστημα της V7 που βασίζεται αποκλειστικά στην ανάκτηση ξεπέρασε την επίσημη βάση αναφοράς κατά 69% και μείωσε τις ψευδαισθήσεις σε ερωτήματα χωρίς απάντηση κατά 38%. Το V7 Go χρησιμοποιεί αυτό το πλαίσιο, που συνδέεται με τις πηγές, ώστε οι σύνθετες ροές εργασίας να βασίζονται στις πληροφορίες κάθε εταιρείας.

Το V7 Go αξιοποιεί αυτό το οργανωμένο πλαίσιο σε ροές εργασίας όπως η αξιολόγηση συμφωνιών ιδιωτικών κεφαλαίων και η ανάληψη ασφαλιστικών κινδύνων. Στην παρακάτω επίδειξη, μια ροή εργασίας εξάγει πληροφορίες από ένα έγγραφο συμφωνίας που ονομάζεται Εμπιστευτικό Υπόμνημα Πληροφοριών (CIM), τροφοδοτεί το σύστημα με βασικά οικονομικά στοιχεία, όρους της συμφωνίας και στοιχεία της διοίκησης και παραθέτει πηγές για τα πεδία κινδύνου, προτού το V7 Go συντάξει ένα σημείωμα αξιολόγησης.

Το Γράφημα Περιβάλλοντος επιτρέπει σε ένα μοντέλο να αξιοποιεί το ιστορικό μιας εταιρείας χωρίς να χρειάζεται να το μαθαίνει ξανά κάθε φορά. Για πράκτορες μακράς διάρκειας, το V7 Go διατηρεί τις πρόσφατες συνομιλίες στο ενεργό πλαίσιο του μοντέλου και αποθηκεύει παλαιότερο υλικό στο γράφημα, ώστε να ανακτάται όταν χρειάζεται.

Αυτό το κοινό πλαίσιο επιταχύνει ήδη τις εργασίες με μεγάλο όγκο εγγράφων για τους πελάτες της V7:

• Οι διαχειριστές περιουσιακών στοιχείων μπορούν να αξιολογούν συμφωνίες 21 φορές ταχύτερα, περιορίζοντας μια ολοήμερη διαδικασία σε μόλις 15 λεπτά

• Μια ομάδα χρηματοοικονομικών υπηρεσιών μείωσε τον χρόνο ελέγχου από περισσότερες από 100 ώρες σε λιγότερες από 10, εξοικονομώντας 12.000 δολάρια σε αμοιβές ειδικών ανά εργασία

• Ομάδες ασφαλιστικών εταιρειών μείωσαν τα σφάλματα στη διεκπεραίωση απαιτήσεων κατά 13,5% σε σύγκριση με τη χειροκίνητη βάση αναφοράς, αφού παρείχαν στους πράκτορές τους ιστορική γνώση όλων των προηγούμενων απαιτήσεων και των υφιστάμενων συμβολαίων

Οι σύνθετες ροές εργασίας πολλών βημάτων απαιτούν από ένα μοντέλο να ακολουθεί αξιόπιστα εκτενείς οδηγίες, να χρησιμοποιεί εργαλεία, να ερμηνεύει αποτελέσματα και να διεκπεραιώνει μια μεγάλη ακολουθία βημάτων. Ένα και μόνο σφάλμα σε προηγούμενο στάδιο μπορεί να έχει δαπανηρές συνέπειες και να κλονίσει την εμπιστοσύνη στα συστήματα ΤΝ. Το V7 Go καθοδηγεί τα μοντέλα σε μακροχρόνιες εργασίες που περιλαμβάνουν ντετερμινιστικό κώδικα, μεταβιβάσεις σε μικρότερα μοντέλα, βήματα δημιουργίας αρχείων και ενσωματώσεις, διατηρώντας ελέγξιμο ιστορικό κάθε εκτέλεσης.

Στις ροές εργασίας που δημιουργούνται με ΤΝ, το V7 Go αντιστοιχίζει κάθε βήμα σε μία από τις βαθμίδες ταχύτητας, ισορροπίας και ευφυΐας. Το GPT‑5.6 Luna αναλαμβάνει τη δομημένη εξαγωγή και άλλες εργασίες μεγάλου όγκου, ενώ τα GPT‑5.6 Terra ή Sol υποστηρίζουν τη συνομιλία, τη διαδρομή Go Agent και τα βήματα που απαιτούν περισσότερη συλλογιστική ή χρήση εργαλείων.

Η V7 δοκιμάζει νέα μοντέλα σε μια διαρκώς ενημερωμένη σουίτα αξιολόγησης που καλύπτει την ακρίβεια παραπομπών, την ποιότητα εξαγωγής σε εκατοντάδες τύπους εγγράφων, την ορθότητα απαντήσεων, την τήρηση οδηγιών, την καθυστέρηση, το κόστος και πραγματικές εταιρικές ροές εργασίας. Η OpenAI υπερέχει των περισσότερων μοντέλων στις συμπεριφορές που έχουν τη μεγαλύτερη σημασία για τη V7. Η OpenAI ενέκρινε και υλοποίησε επίσης μέσα σε λίγες ώρες την αύξηση δυναμικότητας που χρειαζόταν η V7, ενώ άλλοι πάροχοι που χρησιμοποιεί η V7 χρειάστηκαν εβδομάδες.

Με τον πιο πρόσφατο μηχανισμό της V7, βασικές ροές εργασίας με πολλές εξωτερικές κλήσεις ολοκληρώνονται πλέον έως και 50% ταχύτερα. Η V7 κατέγραψε ακόμη ένα όφελος αποδοτικότητας με το GPT‑5.6 Luna: 78% χαμηλότερο κόστος ανά έγγραφο σε σύγκριση με το GPT‑5.4 mini. Η V7 μετέφερε επίσης τις ροές εργασίας του V7 Go που επεξεργάζονται πολλά έγγραφα από το Chat Completions API στο Responses API. Στις δοκιμές της, η αλλαγή μείωσε τη χρήση token κατά περίπου 5% σε ορισμένες ροές εργασίας με πολλά PDF και βελτίωσε την αξιοπιστία της προσωρινής αποθήκευσης.

Η V7 δοκίμασε επίσης το GPT‑6 Astra στα δυσκολότερα ερωτήματά της. Το GPT‑5.6 Sol είχε φτάσει στα όρια πολλών από τις υπάρχουσες αξιολογήσεις της V7, οπότε η εταιρεία δημιούργησε ένα πιο απαιτητικό σύνολο ερωτήσεων για ερωτήματα γραφήματος, χρησιμοποιώντας πιο ακατάστατα πραγματικά δεδομένα από χιλιάδες έγγραφα. Το σύνολο δεδομένων της δοκιμής καλύπτει τέσσερα επίπεδα δυσκολίας. Στο πολύ δύσκολο επίπεδο, η V7 αναφέρει ότι το GPT‑5.6 Sol πέτυχε 78%, ενώ το GPT‑6 Astra έφτασε σε ακρίβεια 89%. Και τα δύο μοντέλα σημείωσαν επίδοση κοντά στο 100% στα εύκολα, μεσαία και δύσκολα επίπεδα.

Το V7 Go παρέχει ήδη μέσω του διακομιστή MCP πρόσβαση σε ερωτήματα και εισαγωγή δεδομένων στο Γράφημα Περιβάλλοντος, ώστε οι πελάτες να μπορούν να το χρησιμοποιούν από το ChatGPT και άλλους συμβατούς πελάτες. Μπορούν επίσης να δημιουργούν ροές εργασίας του V7 Go μέσω MCP στο Codex. Σε συνδυασμό με την απλούστερη σχεδίαση των ροών εργασίας, αυτό μείωσε τον χρόνο δημιουργίας μιας ροής μεσαίου μήκους από περίπου μία ώρα σε περίπου 20 λεπτά.

Μακροπρόθεσμος στόχος της V7 είναι να κάνει αυτή την κοινή μνήμη πιο προδραστική. Η ομάδα αναπτύσσει ροές εργασίας που ξεκινούν όταν αλλάζουν δεδομένα στο Γράφημα Περιβάλλοντος, επισημαίνουν ασυνέπειες και υποδεικνύουν στους χρήστες ποιες αναλύσεις χρειάζονται επανεξέταση. Για παράδειγμα, μια αναθεωρημένη έκθεση κεφαλαίου θα μπορούσε να ωθήσει το V7 Go να επισημάνει εργασίες που εξακολουθούν να βασίζονται στα παλιά στοιχεία.

«Στόχος μας είναι να βοηθήσουμε τις επιχειρήσεις να επανεξοπλιστούν για την εποχή της ΤΝ, με ροές εργασίας που διεκπεραιώνουν κρίσιμες αποστολές και μνήμη που ξεπερνά την ανθρώπινη», λέει ο Rizzoli. «Οι χρηματοοικονομικές εταιρείες που θα αποκομίσουν πραγματική αξία από την ΤΝ δεν θα είναι εκείνες με τους περισσότερους πράκτορες. Θα είναι εκείνες με το καλύτερο πλαίσιο.»