V7 AI એજન્ટને સંસ્થાકીય સ્મૃતિ કેવી રીતે આપે છે

આજના મોડલ જટિલ કાર્યો વિશે વિચાર કરીને ઉકેલ શોધી શકે છે, પરંતુ તેઓ એ કાર્યોનો મૂળભૂત વ્યવસાયિક સંદર્ભ આપમેળે સમજી શકતા નથી. ભંડોળનો કયો અહેવાલ વર્તમાન છે? ત્રણ અલગ સિસ્ટમમાં એક જ એકમને કયાં નામોથી ઓળખવામાં આવે છે?

આ સંદર્ભ દસ્તાવેજો, ડેટા રૂમ, સ્પ્રેડશીટ, ઇમેઇલ અને આંતરિક સાધનોમાં ફેલાયેલો, વણઉકેલાયેલો અને એજન્ટની નજરથી છુપાયેલો રહે છે. નાણાકીય, વીમા અને સ્થાવર મિલકત ક્ષેત્રની ટીમો માટે કાર્યપ્રવાહોમાં માહિતી-પ્રાપ્તિની ચોકસાઈ સાથે કોઈ સમાધાન થઈ શકે નહીં.

વ્યાપક ઉપયોગમાં લેવાતી કમ્પ્યુટર વિઝન સુલભતા ઍપ સાથે મળીને બનાવ્યા પછી, રિઝોલી અને એડવર્ડસને 2018માં V7⁠(નવી વિન્ડોમાં ખૂલે છે) શરૂ કરી, જેથી કંપનીઓ AI સિસ્ટમને તેમનો વ્યવસાય કેવી રીતે ચાલે છે તે શીખવી શકે. V7 Go મહત્ત્વપૂર્ણ કાર્યપ્રવાહો બનાવવા અને છુપાયેલા સંદર્ભને એવી સ્મૃતિમાં વ્યવસ્થિત કરવા માટેનું એજન્ટ-આધારિત મંચ છે, જેમાં એજન્ટ ક્વેરી કરી શકે અને તેના આધારે કાર્યવાહી કરી શકે.

V7 Go લાખો ફાઇલોમાંથી માહિતી કાઢવા અને તેને સંદર્ભ ગ્રાફમાં વ્યવસ્થિત કરવા GPT‑5.6 Lunaનો ઉપયોગ કરે છે. આ ગ્રાફ એકમો, સંબંધો અને ઉલ્લેખિત પુરાવાને જોડીને MCP શોધ તથા સેંકડો તબક્કા ધરાવી શકતા પુનરાવર્તિત કાર્યપ્રવાહોને શક્તિ આપે છે. V7 Go એવા જટિલ, બહુ-તબક્કાવાળા નિર્દેશોમાં રিজનિંગ અને સાધનોના ઉપયોગ માટે GPT‑5.6 Terra અને Sol વાપરે છે, જેને પૂર્ણ કરવામાં માણસોને ડઝનેક કલાક લાગે છે. V7 હજારો દસ્તાવેજોમાં નાણાકીય વિશ્લેષણ સહિતની સૌથી પડકારજનક સંદર્ભ ગ્રાફ ક્વેરી માટે GPT‑6 Astraનો ઉપયોગ પણ શરૂ કરી રહ્યું છે.

V7ના જણાવ્યા અનુસાર સંદર્ભ, મોડલ અને સાધનો સાથે મળીને કામ કરે ત્યારે એજન્ટ 50થી 100 તબક્કાના કાર્યપ્રવાહો મિનિટોમાં 99.9% ચોકસાઈ સાથે પૂર્ણ કરે છે અને દરેક નિર્ણયનો ઑડિટ કરી શકાય એવો રેકોર્ડ જાળવે છે.

સંદર્ભ ગ્રાફ એક ચોક્કસ સમસ્યાનું નિરાકરણ લાવે છે. એજન્ટને દરેક વિનંતી વખતે સંદર્ભ ફરી શોધવો પડે છે. પરિણામે સમય અને ટોકન વાપરતી ડઝનેક શોધ કરવી પડે છે અને સંબંધોમાં છુપાયેલી મહત્ત્વપૂર્ણ માહિતી ઘણીવાર રહી જાય છે.

ડેટા આવતાં V7 Go SharePoint અને Google Drive જેવા ભંડારો સાથે જોડાય છે, તેમાં એકમો, સંબંધો, તથ્યો, લક્ષણો અને માપદંડો શોધે છે તથા એવો ગ્રાફ ભરે છે જેને પારખવાનો ખર્ચ અને સમય લાંબા-સંદર્ભ અભિગમ કરતાં દસ ગણો ઓછો છે.

સંદર્ભ ગ્રાફ એજન્ટને સંરચિત અને અદ્યતન રેકોર્ડ આપે છે, જેમાં તેઓ સીધી ક્વેરી કરી શકે છે. નવી ફાઇલ આવતાં V7 Go કંપનીઓ, ભંડોળ, લોકો અથવા અસ્તિત્વ-વર્ગીકરણમાં રહેલા કોઈ પણ એકમને ઓળખે છે, દરેક તથ્યને નવા કે હાલના રેકોર્ડ સાથે જોડે છે અને મૂળ સ્રોતના ઉલ્લેખિત પુરાવા જાળવે છે. ગ્રાફમાં પૂરતી માહિતી ન હોય તો પણ V7 Go RAG વડે મૂળ દસ્તાવેજોમાં શોધ કરી શકે છે.

V7એ આ સંદર્ભની સંરચના કેટલી મહત્ત્વપૂર્ણ છે તેનું પણ પરીક્ષણ કર્યું છે. ઉદ્યોગ સિસ્ટમોમાં ફેલાયેલી માહિતી શોધવા અને જોડવા માટેના HERB માપદંડ પર V7ની માત્ર માહિતી-પ્રાપ્તિ સિસ્ટમે સત્તાવાર આધારરેખા કરતાં 69% સારું પ્રદર્શન કર્યું અને જવાબ ન આપી શકાય તેવી ક્વેરીમાં ભ્રામક જવાબો 38% ઘટાડ્યા. V7 Go સ્રોત સાથે જોડાયેલા આ સંદર્ભનો ઉપયોગ કરીને જટિલ કાર્યપ્રવાહોને દરેક કંપનીની પોતાની માહિતી પર આધારિત રાખે છે.

V7 Go ખાનગી ઇક્વિટી સોદાની ચકાસણી અને વીમા જોખમ-મૂલ્યાંકન જેવા કાર્યપ્રવાહોમાં આ વ્યવસ્થિત સંદર્ભનો ઉપયોગ કરે છે. નીચેના પ્રદર્શનમાં કાર્યપ્રવાહ ગોપનીય માહિતી મેમોરેન્ડમ (CIM) નામના સોદાના દસ્તાવેજમાંથી માહિતી કાઢે છે, મહત્ત્વના નાણાકીય આંકડા, સોદાની શરતો અને સંચાલન વિગતો ઉમેરે છે તથા જોખમી ક્ષેત્રોના સ્રોત દર્શાવે છે. ત્યાર બાદ V7 Go ચકાસણી નોંધ બનાવે છે.

સંદર્ભ ગ્રાફના કારણે મોડલ કોઈ પેઢીનો ઇતિહાસ દરેક વખતે ફરી શીખ્યા વિના તેની સાથે કામ કરી શકે છે. લાંબા સમય સુધી ચાલતા એજન્ટ માટે V7 Go તાજેતરના સંવાદોને મોડલના સક્રિય સંદર્ભમાં રાખે છે અને જૂની સામગ્રીને જરૂર પડે ત્યારે મેળવવા માટે ગ્રાફમાં સંગ્રહે છે.

આ સહિયારો સંદર્ભ V7ના ગ્રાહકોનાં દસ્તાવેજ-કેન્દ્રિત કામને પહેલેથી જ ઝડપી બનાવી રહ્યો છે:

• સંપત્તિ સંચાલકો સોદાની ચકાસણી પહેલાં કરતાં 21 ગણી ઝડપથી કરી શકે છે અને આખો દિવસ લેતી પ્રક્રિયા માત્ર 15 મિનિટમાં પૂરી કરી શકે છે

• એક નાણાકીય સેવા ટીમે સમીક્ષાનો સમય 100 કલાકથી વધુમાંથી ઘટાડીને 10 કલાકથી ઓછો કર્યો અને દરેક કાર્યમાં નિષ્ણાતોના ખર્ચના $12,000 બચાવ્યા

• વીમા ટીમોએ તેમના એજન્ટને અગાઉના તમામ દાવા અને હાલની પૉલિસીઓનું ઐતિહાસિક જ્ઞાન આપ્યા પછી, માનવીય આધારરેખાની તુલનામાં દાવાની પ્રક્રિયાની ભૂલો 13.5% ઘટાડી

જટિલ, બહુ-તબક્કાવાળા કાર્યપ્રવાહો મોડલ દ્વારા લાંબી સૂચનાઓનું વિશ્વસનીય પાલન, સાધનોનું સંચાલન, પરિણામોનું અર્થઘટન અને તબક્કાઓની લાંબી શ્રેણી પાર કરવા પર આધાર રાખે છે. શરૂઆતના તબક્કાની એક ભૂલ પણ મોંઘાં પરિણામો લાવી શકે છે અને AI સિસ્ટમો પરનો વિશ્વાસ તોડી શકે છે. V7 Go નિશ્ચિત કોડ, નાના મોડલને કામ સોંપવું, ફાઇલ બનાવવાના તબક્કા અને એકીકરણો ધરાવતાં લાંબા ગાળાનાં કાર્યોમાં મોડલને માર્ગદર્શન આપે છે તથા દરેક સંચાલનનો ઑડિટ કરી શકાય એવો રેકોર્ડ રાખે છે.

AI દ્વારા બનાવેલા કાર્યપ્રવાહોમાં V7 Go દરેક તબક્કાને ઝડપી, મધ્યમ અને બુદ્ધિશાળી સ્તર સાથે જોડે છે. GPT‑5.6 Luna સંરચિત માહિતી નિષ્કર્ષણ અને મોટા જથ્થાનાં અન્ય કામ સંભાળે છે, જ્યારે GPT‑5.6 Terra અથવા Sol ચૅટ, Go એજન્ટ માર્ગ અને વધુ রিজনিং અથવા સાધનોના ઉપયોગની જરૂર હોય તેવા તબક્કાઓને શક્તિ આપે છે.

V7 નવા મોડલનું પરીક્ષણ સતત જાળવવામાં આવતા માપદંડ-સમૂહ સામે કરે છે, જેમાં સંદર્ભોની ચોકસાઈ, સેંકડો પ્રકારના દસ્તાવેજોમાંથી માહિતી કાઢવાની ગુણવત્તા, જવાબોની શુદ્ધતા, સૂચનાઓનું પાલન, વિલંબ, ખર્ચ અને વાસ્તવિક ઉદ્યોગ કાર્યપ્રવાહો આવરી લેવાય છે. V7 માટે સૌથી મહત્ત્વપૂર્ણ વર્તણૂકોમાં OpenAI મોટા ભાગના મોડલ કરતાં વધુ સારું પ્રદર્શન કરે છે. V7 ઉપયોગ કરે છે તે અન્ય પ્રદાતાઓને અઠવાડિયાં લાગ્યાં હતાં, જ્યારે OpenAIએ ક્ષમતા વધારવાની V7ની જરૂરિયાતને થોડા કલાકોમાં મંજૂરી આપી અને અમલમાં મૂકી.

V7ની નવીનતમ કાર્યપ્રણાલીમાં અનેક બાહ્ય કૉલ ધરાવતા મુખ્ય કાર્યપ્રવાહો હવે 50% સુધી ઝડપથી પૂર્ણ થાય છે. V7એ GPT‑5.6 Luna સાથે કાર્યક્ષમતામાં બીજો સુધારો માપ્યો: GPT‑5.4 miniની તુલનામાં દસ્તાવેજદીઠ ખર્ચ 78% ઓછો રહ્યો. V7એ દસ્તાવેજ-કેન્દ્રિત V7 Go કાર્યભારને ચેટ કમ્પ્લીશન્સ APIમાંથી રિસ્પોન્સિસ APIમાં પણ ખસેડ્યો. તેના પરીક્ષણમાં આ ફેરફારથી કેટલાક PDF-કેન્દ્રિત કાર્યપ્રવાહોમાં ટોકનનો ઉપયોગ આશરે 5% ઘટ્યો અને કૅશિંગની વિશ્વસનીયતા સુધરી.

V7એ તેના સૌથી મુશ્કેલ પ્રશ્નો પર GPT‑6 Astraનું પણ પરીક્ષણ કર્યું. GPT‑5.6 Solએ V7ના ઘણા હાલના માપદંડોમાં મહત્તમ સ્તર હાંસલ કરી લીધું હતું, તેથી કંપનીએ હજારો દસ્તાવેજોના વધુ અસ્તવ્યસ્ત, વાસ્તવિક ડેટાનો ઉપયોગ કરીને ગ્રાફ-ક્વેરી પ્રશ્નોનો વધુ પડકારજનક સમૂહ બનાવ્યો. પરીક્ષણનો ડેટાસેટ મુશ્કેલીનાં ચાર સ્તરને આવરી લે છે. અતિ મુશ્કેલ સ્તરે GPT‑5.6 Solએ 78% અને GPT‑6 Astraએ 89% ચોકસાઈ મેળવી હોવાનું V7 જણાવે છે. બંને મોડલે સરળ, મધ્યમ અને મુશ્કેલ સ્તરે લગભગ 100% ગુણ મેળવ્યા.

V7 Go પહેલેથી જ તેના MCP સર્વર દ્વારા સંદર્ભ ગ્રાફની ક્વેરી અને ડેટા-ગ્રહણની સુવિધા આપે છે, જેથી ગ્રાહકો ChatGPT અને અન્ય સુસંગત ક્લાયન્ટમાંથી તેનો ઉપયોગ કરી શકે. તેઓ Codexમાં MCP દ્વારા V7 Go કાર્યપ્રવાહ પણ બનાવી શકે છે. સરળ કાર્યપ્રવાહ રચનાની સાથે આ સુવિધાએ મધ્યમ લંબાઈનો કાર્યપ્રવાહ બનાવવા માટેનો સમય આશરે એક કલાકથી ઘટાડીને લગભગ 20 મિનિટ કર્યો છે.

V7નો લાંબા ગાળાનો હેતુ આ સહિયારી સ્મૃતિને વધુ સક્રિય બનાવવાનો છે. ટીમ એવા કાર્યપ્રવાહો વિકસાવી રહી છે જે સંદર્ભ ગ્રાફમાં તથ્યો બદલાય ત્યારે શરૂ થાય, અસંગતતાઓ દર્શાવે અને લોકોને કયા વિશ્લેષણની ફરી સમીક્ષા કરવી તે જણાવે. દાખલા તરીકે, ભંડોળનો સુધારેલો અહેવાલ આવે તો V7 Go હજી પણ જૂના આંકડા પર આધારિત કામ દર્શાવી શકે છે.

રિઝોલી કહે છે, “અમારો હેતુ મહત્ત્વપૂર્ણ કાર્યો ઉકેલતા કાર્યપ્રવાહો અને માનવી કરતાં વધુ સારું કામ કરતી સ્મૃતિ દ્વારા ઉદ્યોગોને AI યુગ માટે નવેસરથી સજ્જ કરવામાં મદદ કરવાનો છે.” “AIમાંથી વાસ્તવિક મૂલ્ય મેળવનારી નાણાકીય પેઢીઓ સૌથી વધુ એજન્ટ ધરાવતી પેઢીઓ નહીં હોય. તેઓ શ્રેષ્ઠ સંદર્ભ ધરાવતી પેઢીઓ હશે.”