V7 एआई एजेंटों को संस्थागत स्मृति कैसे देता है

आज के मॉडल जटिल कार्यों पर रीज़निंग कर सकते हैं, लेकिन वे उन कार्यों के अंतर्निहित व्यावसायिक संदर्भ को अपने आप नहीं समझते. निधि की कौन-सी रिपोर्ट वर्तमान है? तीन अलग-अलग प्रणालियों में उसी निकाय को किन नामों से दर्ज किया गया है?

यह संदर्भ दस्तावेज़ों, डेटा कक्षों, स्प्रेडशीट, ईमेल और आंतरिक टूल में बिखरा रहता है. इसका समाधान नहीं हुआ होता और एजेंट इसे देख नहीं पाते. वित्त, बीमा और भू-संपदा की टीमों के लिए कार्यप्रवाहों में जानकारी की सटीक पुनर्प्राप्ति अनिवार्य है.

सुलभता के लिए व्यापक रूप से उपयोग किया जाने वाला कंप्यूटर विज़न अनुप्रयोग साथ मिलकर बनाने के बाद, रिज़ोली और एडवर्डसन ने 2018 में V7⁠(एक नई विंडो में खुलेगा) शुरू किया, ताकि कंपनियाँ एआई प्रणालियों को अपने व्यवसाय की कार्यप्रणाली सिखा सकें. V7 Go महत्वपूर्ण कार्यप्रवाह बनाने और दबे हुए संदर्भ को ऐसी स्मृति में व्यवस्थित करने का एजेंट-आधारित मंच है, जिसमें एजेंट क्वेरी करके कार्रवाई कर सकते हैं.

V7 Go लाखों फ़ाइलों से जानकारी निकालने और उसे कॉन्टेक्स्ट ग्राफ़ में व्यवस्थित करने के लिए GPT‑5.6 Luna का उपयोग करता है. यह ग्राफ़ निकायों, संबंधों और उद्धरण-सहित प्रमाणों को जोड़कर MCP खोज और सैकड़ों चरणों वाले दोहराए जा सकने वाले कार्यप्रवाह संचालित करता है. कार्यप्रवाहों के लिए V7 Go, जटिल बहु-चरणीय निर्देशों में रीज़निंग और टूल के उपयोग हेतु GPT‑5.6 Terra और Sol का इस्तेमाल करता है. इन कामों को पूरा करने में इंसानों को दर्जनों घंटे लगते हैं. V7 ने कॉन्टेक्स्ट ग्राफ़ की सबसे कठिन क्वेरी के लिए GPT‑6 Astra का उपयोग भी शुरू कर दिया है, जिनमें हज़ारों दस्तावेज़ों में वित्तीय विश्लेषण करना शामिल है.

V7 के अनुसार, संदर्भ, मॉडल और टूल साथ काम करें तो एजेंट 50–100 चरणों वाले कार्यप्रवाह मिनटों में और 99.9% सटीकता से पूरे करते हैं. साथ ही, हर निर्णय का ऑडिट किया जा सकने वाला रिकॉर्ड बनाए रखते हैं.

कॉन्टेक्स्ट ग्राफ़ एक विशिष्ट समस्या हल करता है. एजेंटों को हर अनुरोध पर संदर्भ दोबारा खोजना पड़ता है. इससे समय और टोकन खर्च करने वाली दर्जनों खोजें करनी पड़ती हैं और संबंधों में छिपी महत्वपूर्ण जानकारी अक्सर छूट जाती है.

डेटा आने पर V7 Go, SharePoint और Google Drive जैसे संग्रहों से जुड़ता है, उनमें निकायों, संबंधों, तथ्यों, विशेषताओं और मापदंडों की जाँच करता है और ऐसा ग्राफ़ तैयार करता है जिसमें लंबा संदर्भ इस्तेमाल करने वाले तरीकों के मुकाबले लगभग दस गुना कम लागत और समय में खोज की जा सकती है.

कॉन्टेक्स्ट ग्राफ़ एजेंटों को एक संरचित और नवीनतम रिकॉर्ड देता है, जिसमें वे सीधे क्वेरी कर सकते हैं. नई फ़ाइल आने पर V7 Go कंपनियों, निधियों, लोगों या किसी ऑण्टोलॉजी में मौजूद अन्य निकायों की पहचान करता है. फिर हर तथ्य को नए या मौजूदा रिकॉर्ड से जोड़ता है और मूल स्रोत तक ले जाने वाले उद्धरण-सहित प्रमाण सुरक्षित रखता है. यदि ग्राफ़ में पर्याप्त जानकारी नहीं है, तो भी V7 Go RAG की मदद से अंतर्निहित दस्तावेज़ खोज सकता है.

V7 ने यह भी परखा है कि उस संदर्भ की संरचना कितनी महत्वपूर्ण है. पूरे व्यावसायिक सिस्टम में फैली जानकारी खोजने और जोड़ने के मानदंड HERB पर, V7 की केवल पुनर्प्राप्ति वाली प्रणाली ने आधिकारिक आधाररेखा से 69% बेहतर प्रदर्शन किया और अनुत्तरित प्रश्नों पर मनगढ़ंत उत्तर 38% घटाए. V7 Go स्रोत से जुड़े इस संदर्भ का उपयोग करके जटिल कार्यप्रवाहों को हर कंपनी की अपनी जानकारी पर आधारित रखता है.

V7 Go इस व्यवस्थित संदर्भ का उपयोग निजी इक्विटी सौदों की जाँच और बीमा जोखिम-आकलन जैसे कार्यप्रवाहों में करता है. नीचे दिए प्रदर्शन में एक कार्यप्रवाह गोपनीय सूचना ज्ञापन (CIM) नामक सौदे के दस्तावेज़ से जानकारी निकालता है, प्रमुख वित्तीय आँकड़े, सौदे की शर्तें और प्रबंधन विवरण दर्ज करता है, जोखिम वाले क्षेत्रों के स्रोत बताता है और फिर V7 Go जाँच-नोट तैयार करता है.

कॉन्टेक्स्ट ग्राफ़ की मदद से कोई मॉडल हर बार दोबारा सीखे बिना किसी कंपनी के इतिहास के साथ काम कर सकता है. लंबे समय तक चलने वाले एजेंटों के लिए V7 Go हालिया संवादों को मॉडल के सक्रिय संदर्भ में रखता है और पुरानी सामग्री को ग्राफ़ में संग्रहीत करता है, ताकि ज़रूरत पड़ने पर उसे वापस पाया जा सके.

यह साझा संदर्भ V7 के ग्राहकों के दस्तावेज़-केंद्रित काम को पहले ही तेज़ कर रहा है:

• परिसंपत्ति प्रबंधक अब सौदों की जाँच पहले से 21 गुना तेज़ कर सकते हैं और पूरे दिन की प्रक्रिया को केवल 15 मिनट में पूरा कर सकते हैं

• एक वित्तीय सेवा टीम ने समीक्षा का समय 100 घंटे से अधिक से घटाकर 10 घंटे से कम कर दिया और हर कार्य पर विशेषज्ञों की लागत में $12,000 बचाए

• बीमा टीमों ने अपने एजेंटों को पिछले सभी दावों और मौजूदा पॉलिसियों की ऐतिहासिक जानकारी देकर, मैन्युअल आधाररेखा की तुलना में दावा-प्रसंस्करण की गलतियाँ 13.5% घटाईं

जटिल, बहु-चरणीय कार्यप्रवाह इस बात पर निर्भर करते हैं कि कोई मॉडल लंबे निर्देशों का विश्वसनीय ढंग से पालन करे, टूल चलाए, परिणाम समझे और चरणों की लंबी शृंखला पूरी करे. शुरुआत में हुई एक गलती भी महंगे परिणामों और एआई प्रणालियों से भरोसा उठने का कारण बन सकती है. V7 Go लंबे समय तक चलने वाले कार्यों में मॉडल का मार्गदर्शन करता है, जिनमें नियतात्मक कोड, छोटे मॉडल को कार्य सौंपना, फ़ाइल बनाने के चरण और एकीकरण शामिल हैं. साथ ही, हर रन का ऑडिट किया जा सकने वाला रिकॉर्ड भी मिलता है.

एआई से बनाए गए कार्यप्रवाहों में V7 Go हर चरण को तेज़, मीडियम और उन्नत स्तर से जोड़ता है. GPT‑5.6 Luna संरचित डेटा निकालने और बड़ी मात्रा वाले अन्य काम संभालता है, जबकि GPT‑5.6 Terra या Sol चैट, Go Agent पथ और अधिक रीज़निंग या टूल के उपयोग वाले चरणों को संचालित करते हैं.

V7 नए मॉडल का परीक्षण निरंतर अद्यतन किए जाने वाले मानदंडों के समूह पर करता है, जिसमें उद्धरणों की सटीकता, सैकड़ों प्रकार के दस्तावेज़ों से डेटा निकालने की गुणवत्ता, उत्तरों की शुद्धता, निर्देशों का पालन, विलंबता, लागत और वास्तविक व्यावसायिक कार्यप्रवाह शामिल हैं. V7 के लिए सबसे महत्वपूर्ण व्यवहारों में OpenAI अधिकतर मॉडल से बेहतर प्रदर्शन करता है. OpenAI ने V7 की क्षमता बढ़ाने की ज़रूरतों को कुछ ही घंटों में स्वीकृत करके लागू भी कर दिया, जबकि V7 के अन्य प्रदाताओं को इसमें कई सप्ताह लगते हैं.

V7 के नवीनतम हार्नेस में कई बाहरी कॉल वाले प्रमुख कार्यप्रवाह अब 50% तक तेज़ी से पूरे होते हैं. V7 ने GPT‑5.6 Luna के साथ दक्षता में एक और बढ़ोतरी मापी: GPT‑5.4 mini की तुलना में प्रति दस्तावेज़ 78% कम लागत. V7 ने दस्तावेज़-केंद्रित V7 Go कार्यभार को चैट कम्प्लीशन्स API से रिस्पॉन्सेज़ API पर भी स्थानांतरित किया. उसके परीक्षण में इस बदलाव से कुछ अधिक PDF वाले कार्यप्रवाहों में टोकन का उपयोग लगभग 5% घटा और कैशिंग की विश्वसनीयता बेहतर हुई.

V7 ने अपने सबसे कठिन प्रश्नों पर GPT‑6 Astra का भी परीक्षण किया. GPT‑5.6 Sol ने V7 के कई मौजूदा मानदंडों की अधिकतम सीमा हासिल कर ली थी, इसलिए कंपनी ने हज़ारों दस्तावेज़ों के अधिक अव्यवस्थित, वास्तविक डेटा से ग्राफ़-क्वेरी प्रश्नों का अधिक चुनौतीपूर्ण समूह बनाया. परीक्षण का डेटासेट कठिनाई के चार स्तरों में विभाजित है. V7 के अनुसार, अत्यंत कठिन स्तर पर GPT‑5.6 Sol ने 78% और GPT‑6 Astra ने 89% सटीकता हासिल की. आसान, मीडियम और कठिन स्तरों पर दोनों मॉडल ने लगभग 100% अंक हासिल किए.

V7 Go अपने MCP सर्वर के माध्यम से कॉन्टेक्स्ट ग्राफ़ में क्वेरी और डेटा ग्रहण करने की सुविधा पहले से देता है, ताकि ग्राहक इसे ChatGPT और अन्य संगत क्लाइंट से उपयोग कर सकें. वे MCP के माध्यम से Codex में V7 Go कार्यप्रवाह भी बना सकते हैं. इससे और अधिक सरल कार्यप्रवाह डिज़ाइन की मदद से, मध्यम लंबाई का कार्यप्रवाह बनाने का समय लगभग एक घंटे से घटकर करीब 20 मिनट रह गया है.

V7 का दीर्घकालिक लक्ष्य इस साझा स्मृति को अधिक सक्रिय बनाना है. टीम ऐसे कार्यप्रवाह विकसित कर रही है जो कॉन्टेक्स्ट ग्राफ़ में तथ्य बदलते ही शुरू हों, विसंगतियाँ चिह्नित करें और लोगों को बताएँ कि किन विश्लेषणों की दोबारा समीक्षा ज़रूरी है. उदाहरण के लिए, किसी निधि की संशोधित रिपोर्ट आने पर V7 Go उस काम को चिह्नित कर सकता है जो अब भी पुराने आँकड़ों पर निर्भर है.

रिज़ोली कहते हैं, “हमारा लक्ष्य महत्वपूर्ण कार्य हल करने वाले कार्यप्रवाहों और इंसानों से बेहतर स्मृति की मदद से उद्यमों को एआई युग के लिए नए सिरे से तैयार करना है.” “एआई से वास्तविक लाभ पाने वाली वित्तीय कंपनियाँ वे नहीं होंगी जिनके पास सबसे अधिक एजेंट होंगे. वे वे कंपनियाँ होंगी जिनके पास सबसे अच्छा संदर्भ होगा.”