چگونه V7 به عامل‌های هوش مصنوعی حافظه سازمانی می‌دهد

مدل‌های امروزی می‌توانند درباره وظایف پیچیده استدلال کنند، اما زمینه کسب‌وکاری زیربنای این وظایف را خودکار درک نمی‌کنند. کدام گزارش صندوق به‌روز است؟ یک موجودیت در سه سیستم مختلف با چه نام‌هایی ثبت شده است؟

این زمینه در اسناد، اتاق‌های داده، صفحات گسترده، ایمیل‌ها و ابزارهای داخلی قرار دارد: پراکنده، حل‌نشده و دور از دید عامل‌ها. برای تیم‌های فعال در امور مالی، بیمه و املاک، دقت بازیابی در گردش‌کارها قابل‌چشم‌پوشی نیست.

ریتزولی و ادواردسون پس از ساخت مشترک یک برنامه پرکاربرد دسترس‌پذیری مبتنی بر بینایی ماشین، در سال 2018 شرکت V7⁠(در یک پنجره جدید باز می‌شود) را راه‌اندازی کردند تا به شرکت‌ها کمک کنند نحوه کار کسب‌وکارشان را به سیستم‌های هوش مصنوعی بیاموزند. V7 Go پلتفرمی عامل‌محور برای ساخت گردش‌کارهای حیاتی و تبدیل زمینه‌های مدفون به حافظه‌ای است که عامل‌ها می‌توانند آن را جست‌وجو کنند و بر اساس آن اقدام کنند.

V7 Go با GPT‑5.6 Luna اطلاعات را از میلیون‌ها فایل استخراج و در گراف زمینه سازمان‌دهی می‌کند؛ گرافی که موجودیت‌ها، روابط و شواهد ارجاع‌شده را به هم پیوند می‌دهد و جست‌وجوی MCP و گردش‌کارهای تکرارپذیرِ چندصدمرحله‌ای را ممکن می‌کند. V7 Go در گردش‌کارها از GPT‑5.6 Terra و Sol برای استدلال و استفاده از ابزار در دستورالعمل‌های پیچیده و چندمرحله‌ای بهره می‌برد که انجامشان برای انسان‌ها ده‌ها ساعت زمان می‌برد. V7 همچنین استفاده از GPT‑6 Astra را برای دشوارترین پرسش‌های گراف زمینه، از جمله تحلیل مالی در هزاران سند، آغاز کرده است.

به گفته V7، با همکاری زمینه، مدل‌ها و ابزارها، عامل‌ها گردش‌کارهای 50 تا 100 مرحله‌ای را ظرف چند دقیقه و با دقت 99.9٪ تکمیل می‌کنند و هم‌زمان ردپایی قابل‌ممیزی از همه تصمیم‌ها نگه می‌دارند.

گراف زمینه یک مشکل مشخص را حل می‌کند. عامل‌ها باید با هر درخواست، زمینه را دوباره کشف کنند؛ کاری که به ده‌ها جست‌وجو، صرف زمان و مصرف توکن منجر می‌شود و اغلب اطلاعات کلیدی نهفته در روابط را از قلم می‌اندازد.

با ورود داده‌ها، V7 Go به مخازنی مانند SharePoint و Google Drive متصل می‌شود، آن‌ها را برای یافتن موجودیت‌ها، روابط، واقعیت‌ها، ویژگی‌ها و معیارها بررسی می‌کند و گرافی می‌سازد که پیمایش آن نسبت به رویکردهای مبتنی بر زمینه طولانی، یک مرتبه ارزان‌تر و سریع‌تر است.

گراف زمینه سابقه‌ای ساختاریافته و به‌روز در اختیار عامل‌ها می‌گذارد که می‌توانند مستقیماً آن را جست‌وجو کنند. وقتی فایل جدیدی وارد می‌شود، V7 Go شرکت‌ها، صندوق‌ها، افراد یا هر موجودیت تعریف‌شده در هستی‌شناسی را شناسایی می‌کند، سپس هر واقعیت را به یک سابقه جدید یا موجود پیوند می‌دهد و شواهد ارجاع‌شده به منبع اصلی را حفظ می‌کند. اگر گراف اطلاعات کافی نداشته باشد، V7 Go همچنان می‌تواند با RAG اسناد زیربنایی را جست‌وجو کند.

V7 همچنین میزان اهمیت ساختار این زمینه را آزمایش کرده است. در HERB، معیار سنجشی برای یافتن و پیوند اطلاعات پراکنده در سیستم‌های سازمانی، سیستم صرفاً بازیابی V7 نسبت به خط مبنای رسمی 69٪ عملکرد بهتری داشت و توهم‌زایی در پرسش‌های بی‌پاسخ را 38٪ کاهش داد. V7 Go از این زمینه پیوندخورده به منبع استفاده می‌کند تا گردش‌کارهای پیچیده بر اطلاعات اختصاصی هر شرکت متکی بمانند.

V7 Go از این زمینه سازمان‌یافته در گردش‌کارهایی مانند ارزیابی معاملات سرمایه‌گذاری خصوصی و پذیره‌نویسی بیمه استفاده می‌کند. در نمایش زیر، یک گردش‌کار اطلاعات را از سند معامله‌ای به نام «یادداشت اطلاعات محرمانه» (CIM) استخراج می‌کند، داده‌های مالی کلیدی، شرایط معامله و جزئیات مدیریت را وارد می‌کند، برای موارد ریسک منبع می‌آورد و سپس V7 Go یک یادداشت ارزیابی تولید می‌کند.

گراف زمینه به مدل امکان می‌دهد بدون یادگیری دوباره در هر نوبت، با پیشینه یک شرکت کار کند. برای عامل‌های طولانی‌مدت، V7 Go تعاملات اخیر را در زمینه فعال مدل نگه می‌دارد و مطالب قدیمی‌تر را در گراف ذخیره می‌کند تا هنگام نیاز بازیابی شوند.

این زمینه مشترک هم‌اکنون کارهای سندمحور مشتریان V7 را سرعت بخشیده است:

• مدیران دارایی می‌توانند معاملات را 21 برابر سریع‌تر ارزیابی کنند و فرایندی یک‌روزه را به تنها 15 دقیقه کاهش دهند

• یک تیم خدمات مالی زمان بررسی را از بیش از 100 ساعت به کمتر از 10 ساعت رساند و در هر کار 12,000 دلار از هزینه کارشناسان صرفه‌جویی کرد

• تیم‌های بیمه پس از دسترسی عامل‌هایشان به سوابق همه خسارت‌های قبلی و بیمه‌نامه‌های موجود، خطاهای رسیدگی به خسارت را در مقایسه با خط مبنای دستی 13.5٪ کاهش دادند

گردش‌کارهای پیچیده و چندمرحله‌ای به مدلی وابسته‌اند که بتواند دستورالعمل‌های طولانی را با اطمینان دنبال کند، ابزارها را اجرا کند، نتایج را تفسیر کند و مراحل متعدد را پشت سر بگذارد. یک خطا در مراحل بالادستی می‌تواند پیامدهای پرهزینه‌ای داشته باشد و اعتماد به سیستم‌های هوش مصنوعی را از بین ببرد. V7 Go مدل‌ها را در وظایف بلندمدتی هدایت می‌کند که شامل کد قطعی، واگذاری کار به مدل‌های کوچک‌تر، مراحل تولید فایل و یکپارچه‌سازی‌ها هستند و برای هر اجرا ردپایی قابل‌ممیزی ارائه می‌دهد.

در گردش‌کارهای تولیدشده با هوش مصنوعی، V7 Go هر مرحله را به یکی از سطوح سریع، متوسط و هوشمند اختصاص می‌دهد. GPT‑5.6 Luna استخراج ساختاریافته و دیگر کارهای پرتعداد را انجام می‌دهد و GPT‑5.6 Terra یا Sol توان پردازشی چت، مسیر عامل Go و مراحلی را فراهم می‌کنند که به استدلال یا استفاده بیشتر از ابزار نیاز دارند.

V7 مدل‌های جدید را با مجموعه‌ای از معیارهای سنجش که پیوسته به‌روز می‌شوند آزمایش می‌کند؛ این مجموعه دقت ارجاع، کیفیت استخراج در صدها نوع سند، درستی پاسخ، پیروی از دستورالعمل‌ها، تأخیر، هزینه و گردش‌کارهای واقعی سازمانی را پوشش می‌دهد. OpenAI در رفتارهایی که بیشترین اهمیت را برای V7 دارند، از بیشتر مدل‌ها بهتر عمل می‌کند. OpenAI همچنین نیاز V7 به افزایش ظرفیت را ظرف چند ساعت تأیید و اجرا کرد؛ کاری که برای دیگر ارائه‌دهندگان مورد استفاده V7 چند هفته طول می‌کشد.

در جدیدترین چارچوب آزمون V7، گردش‌کارهای کلیدی با چندین فراخوانی خارجی اکنون تا 50٪ سریع‌تر تمام می‌شوند. V7 با GPT‑5.6 Luna افزایش بهره‌وری دیگری نیز اندازه‌گیری کرد: هزینه هر سند در مقایسه با GPT‑5.4 mini به میزان 78٪ کمتر شد. V7 همچنین بارهای کاریِ سندمحور V7 Go را از API های انتهای چت به Responses API منتقل کرد. در آزمایش‌های V7، این تغییر مصرف توکن را در برخی گردش‌کارهای متکی بر PDF حدود 5٪ کاهش داد و قابلیت اطمینان حافظه نهان را بهبود بخشید.

V7 همچنین GPT‑6 Astra را روی دشوارترین پرسش‌های خود آزمایش کرد. GPT‑5.6 Sol در بسیاری از معیارهای سنجش موجود V7 به سقف عملکرد رسیده بود؛ بنابراین، شرکت مجموعه‌ای دشوارتر از پرسش‌های گرافی را با استفاده از داده‌های واقعی و نامنظم‌تر در هزاران سند ایجاد کرد. مجموعه‌داده این آزمون چهار سطح دشواری دارد. به گزارش V7، در سطح «بسیار دشوار»، GPT‑5.6 Sol امتیاز 78٪ و GPT‑6 Astra دقت 89٪ را کسب کردند. هر دو مدل در سطوح آسان، متوسط و دشوار امتیازی نزدیک به 100٪ کسب کردند.

V7 Go همین حالا جست‌وجو و ورود داده به گراف زمینه را از طریق سرور MCP خود ارائه می‌کند تا مشتریان بتوانند از آن در ChatGPT و دیگر کلاینت‌های سازگار استفاده کنند. آن‌ها همچنین می‌توانند از طریق MCP در Codex گردش‌کارهای V7 Go ایجاد کنند. این قابلیت همراه با طراحی ساده‌تر گردش‌کار، زمان لازم برای ساخت یک گردش‌کار با طول متوسط را از حدود یک ساعت به نزدیک 20 دقیقه کاهش داده است.

هدف بلندمدت V7 این است که این حافظه مشترک را کنش‌گرتر کند. این تیم در حال توسعه گردش‌کارهایی است که با تغییر واقعیت‌های موجود در گراف زمینه آغاز می‌شوند، ناسازگاری‌ها را مشخص می‌کنند و به افراد نشان می‌دهند کدام تحلیل‌ها نیازمند بازبینی هستند. برای مثال، انتشار نسخه اصلاح‌شده گزارش یک صندوق می‌تواند V7 Go را وادارد کارهایی را مشخص کند که هنوز بر ارقام قدیمی متکی هستند.

ریتزولی می‌گوید: «هدف ما کمک به سازمان‌ها برای تجهیز دوباره در عصر هوش مصنوعی است؛ با گردش‌کارهایی که وظایف حیاتی را انجام می‌دهند و حافظه‌ای که از ما انسان‌ها بهتر عمل می‌کند.» «شرکت‌های مالی که از هوش مصنوعی ارزش واقعی به دست می‌آورند، آن‌هایی نیستند که بیشترین عامل را دارند. بلکه آن‌هایی هستند که بهترین زمینه را دارند.»