Näin V7 antaa tekoälyagenteille organisaation muistin

Nykyiset mallit osaavat päätellä monimutkaisia tehtäviä, mutta ne eivät automaattisesti ymmärrä tehtävien taustalla olevaa liiketoimintakontekstia. Mikä rahastoraportti on ajantasainen? Millä nimillä sama entiteetti esiintyy kolmessa eri järjestelmässä?

Tämä konteksti on hajallaan asiakirjoissa, datahuoneissa, laskentataulukoissa, sähköposteissa ja sisäisissä työkaluissa. Sitä ei ole yhdistetty, eivätkä agentit näe sitä. Rahoitus-, vakuutus- ja kiinteistöalan tiimeille työnkulkujen tiedonhaun tarkkuudesta ei voida tinkiä.

Rakennettuaan yhdessä laajalti käytetyn tietokonenäköön perustuvan saavutettavuussovelluksen Rizzoli ja Edwardsson perustivat V7:n⁠(avautuu uudessa ikkunassa) vuonna 2018 auttaakseen yrityksiä opettamaan tekoälyjärjestelmille, miten niiden liiketoiminta toimii. V7 Go on agenttipohjainen alusta liiketoimintakriittisten työnkulkujen rakentamiseen. Se järjestää piiloon jääneen kontekstin muistiksi, josta agentit voivat tehdä kyselyjä ja jonka perusteella ne voivat toimia.

V7 Go poimii GPT‑5.6 Lunalla tietoja miljoonista tiedostoista ja järjestää ne kontekstigraafiin, joka yhdistää entiteetit, suhteet ja lähteisiin viitatun näytön. Näin se tukee MCP-hakua ja toistettavia, jopa satojen vaiheiden työnkulkuja. Työnkuluissa V7 Go käyttää GPT‑5.6 Terraa ja Solia päättelyyn ja työkalujen käyttöön monimutkaisissa monivaiheisissa ohjeissa, joiden suorittaminen vie ihmisiltä kymmeniä tunteja. V7 on myös alkanut käyttää GPT‑6 Astraa vaativimmissa kontekstigraafin kyselyissä, kuten tuhansia asiakirjoja kattavissa talousanalyyseissä.

Kun konteksti, mallit ja työkalut toimivat yhdessä, agentit suorittavat V7:n mukaan 50–100-vaiheisia työnkulkuja minuuteissa 99,9 %:n tarkkuudella ja säilyttävät samalla tarkastettavan jäljen jokaisesta päätöksestä.

Kontekstigraafi ratkaisee tietyn ongelman. Agenttien on löydettävä konteksti uudelleen jokaista pyyntöä varten. Se johtaa kymmeniin hakuihin, jotka kuluttavat aikaa ja tokeneita, ja suhteisiin kätkeytyvät olennaiset tiedot jäävät usein löytymättä.

Kun dataa saapuu, V7 Go yhdistyy esimerkiksi SharePoint- ja Google Drive -tietovarantoihin, etsii niistä entiteettejä, suhteita, faktoja, ominaisuuksia ja mittareita sekä täyttää graafin, jonka läpikäynti on pitkään kontekstiin perustuvia menetelmiä kertaluokkaa nopeampaa ja edullisempaa.

Kontekstigraafi antaa agenteille jäsennellyn ja ajantasaisen tietueen, josta ne voivat tehdä kyselyjä suoraan. Kun uusi tiedosto saapuu, V7 Go tunnistaa yritykset, rahastot, henkilöt ja muut ontologian entiteetit. Sen jälkeen se yhdistää jokaisen faktan uuteen tai aiempaan tietueeseen ja säilyttää viitatun näytön yhteyden alkuperäiseen lähteeseen. Jos graafissa ei ole riittävästi tietoa, V7 Go voi silti hakea taustalla olevista asiakirjoista RAGin avulla.

V7 on myös testannut, kuinka paljon kontekstin rakenne vaikuttaa. HERB-vertailutestissä, jossa etsitään ja yhdistetään yritysjärjestelmiin hajautunutta tietoa, V7:n pelkkään tiedonhakuun perustuva järjestelmä ylitti virallisen vertailutason 69 %:lla ja vähensi hallusinaatioita vastausta vailla olevissa kyselyissä 38 %. V7 Go käyttää tätä lähteisiin yhdistettyä kontekstia pitääkseen monimutkaiset työnkulut kunkin yrityksen omiin tietoihin perustuvina.

V7 Go hyödyntää järjestettyä kontekstia esimerkiksi pääomasijoituskohteiden seulonnassa ja vakuutusriskien arvioinnissa. Alla olevassa esittelyssä työnkulku poimii tietoja kauppaa koskevasta Confidential Information Memorandum (CIM) -asiakirjasta, syöttää keskeiset talousluvut, kaupan ehdot ja johdon tiedot, viittaa riskikenttiin ja tuottaa lopuksi V7 Go -seulontamuistion.

Kontekstigraafin ansiosta malli voi hyödyntää yrityksen historiaa opettelematta sitä joka kerta uudelleen. Pitkäkestoisten agenttien kohdalla V7 Go pitää viimeisimmät keskustelut mallin aktiivisessa kontekstissa ja tallentaa vanhemman aineiston graafiin, josta se voidaan hakea tarvittaessa.

Tämä yhteinen konteksti nopeuttaa jo runsaasti asiakirjoja sisältävää työtä V7:n asiakkailla:

• Varainhoitajat voivat seuloa kauppoja 21 kertaa aiempaa nopeammin, joten koko päivän prosessi vie enää 15 minuuttia

• Eräs rahoituspalvelutiimi lyhensi tarkastusajan yli 100 tunnista alle 10 tuntiin ja säästi asiantuntijakuluissa 12 000 dollaria tehtävää kohden

• Vakuutustiimit vähensivät korvauskäsittelyn virheitä 13,5 % manuaaliseen vertailutasoon nähden, kun niiden agenteille annettiin tietoa kaikista aiemmista korvaushakemuksista ja voimassa olevista vakuutuksista

Monimutkaiset monivaiheiset työnkulut edellyttävät, että malli noudattaa pitkiä ohjeita luotettavasti, käyttää työkaluja, tulkitsee tuloksia ja etenee pitkän vaihesarjan läpi. Yksikin virhe työnkulun alkupäässä voi aiheuttaa kalliita seurauksia ja murentaa luottamusta tekoälyjärjestelmiin. V7 Go ohjaa malleja pitkäkestoisissa tehtävissä, joihin sisältyy determinististä koodia, tehtävien siirtoja pienemmille malleille, tiedostojen luontivaiheita ja integraatioita. Jokaisesta suorituksesta jää tarkastettava jälki.

Tekoälyn luomissa työnkuluissa V7 Go jakaa vaiheet nopeaan, keskitason ja älykkääseen luokkaan. GPT‑5.6 Luna hoitaa rakenteisen tiedon poiminnan ja muun suuren volyymin työn. GPT‑5.6 Terra tai Sol puolestaan tukee keskustelua, Go Agent -polkua sekä enemmän päättelyä tai työkalujen käyttöä vaativia vaiheita.

V7 testaa uusia malleja jatkuvasti ylläpidettävällä vertailutestistöllä, joka kattaa viittausten tarkkuuden, tiedon poiminnan laadun sadoissa asiakirjatyypeissä, vastausten oikeellisuuden, ohjeiden noudattamisen, viiveen, kustannukset ja yritysten todelliset työnkulut. OpenAI suoriutuu useimpia malleja paremmin V7:lle tärkeimmissä toimintatavoissa. OpenAI myös hyväksyi ja toteutti V7:n tarvitsemat kapasiteetin lisäykset muutamassa tunnissa, kun muilla V7:n käyttämillä palveluntarjoajilla siihen kului viikkoja.

V7:n uusimmassa arviointikehyksessä useita ulkoisia kutsuja sisältävät keskeiset työnkulut valmistuvat nyt jopa 50 % nopeammin. V7 havaitsi GPT‑5.6 Lunan tuovan myös toisen tehokkuushyödyn: asiakirjakohtaiset kustannukset olivat 78 % pienemmät kuin GPT‑5.4 minillä. V7 siirsi myös runsaasti asiakirjoja käsittelevät V7 Go -työkuormansa Keskustelun täydennys-APIsta Responses APIin. V7:n testeissä muutos vähensi tokenien käyttöä noin 5 % joissakin runsaasti PDF-tiedostoja käsittelevissä työnkuluissa ja paransi välimuistin luotettavuutta.

V7 testasi myös GPT‑6 Astraa vaikeimmilla kyselyillään. GPT‑5.6 Sol oli saavuttanut lähes enimmäistuloksen monissa V7:n aiemmissa vertailutesteissä, joten yritys loi haastavamman joukon graafikysymyksiä käyttäen sotkuisempaa tosielämän dataa tuhansista asiakirjoista. Testin aineisto kattaa neljä vaikeustasoa. Erittäin vaikealla tasolla GPT‑5.6 Sol sai V7:n mukaan 78 %:n tuloksen, kun GPT‑6 Astran tarkkuus oli 89 %. Molemmat mallit saivat lähes 100 %:n tuloksen helpolla, keskivaikealla ja vaikealla tasolla.

V7 Go tarjoaa jo kontekstigraafin kysely- ja tiedonsyöttötoiminnot MCP-palvelimensa kautta, joten asiakkaat voivat käyttää niitä ChatGPT:stä ja muista yhteensopivista asiakasohjelmista. Asiakkaat voivat myös luoda V7 Go -työnkulkuja MCP:n kautta Codexissa. Yhdessä yksinkertaisemman työnkulkujen suunnittelun kanssa tämä on lyhentänyt keskipitkän työnkulun luomiseen tarvittavan ajan noin tunnista noin 20 minuuttiin.

V7:n pitkän aikavälin tavoitteena on tehdä yhteisestä muistista ennakoivampi. Tiimi kehittää työnkulkuja, jotka käynnistyvät kontekstigraafin faktojen muuttuessa, ilmoittavat ristiriidoista ja näyttävät käyttäjille, mitkä analyysit on tarkistettava. Esimerkiksi uudelleen laadittu rahastoraportti voisi saada V7 Go:n merkitsemään työt, jotka perustuvat yhä vanhoihin lukuihin.

”Tavoitteemme on auttaa yrityksiä uudistamaan työkalunsa tekoälyn aikakaudelle tarjoamalla työnkulkuja, jotka ratkaisevat toiminnan kannalta kriittisiä tehtäviä, sekä muistia, joka päihittää ihmisen muistin”, Rizzoli sanoo. ”Tekoälystä todellista hyötyä saavat rahoitusyritykset eivät ole niitä, joilla on eniten agentteja. Ne ovat niitä, joilla on paras konteksti.”