Ինչպես է V7-ն AI ագենտներին ինստիտուցիոնալ հիշողություն տալիս

Այսօրվա մոդելները կարող են դատողությամբ լուծել բարդ առաջադրանքներ, բայց ինքնաբերաբար չեն հասկանում դրանց հիմքում ընկած բիզնես համատեքստը։ Ֆոնդի ո՞ր հաշվետվությունն է արդիական։ Ինչպե՞ս է նույն սուբյեկտն անվանված երեք տարբեր համակարգերում։

Այդ համատեքստը գտնվում է փաստաթղթերում, տվյալների սենյակներում, աղյուսակներում, էլեկտրոնային նամակներում և ներքին գործիքներում՝ ցրված, չհամադրված ու ագենտների համար անտեսանելի։ Ֆինանսների, ապահովագրության և անշարժ գույքի ոլորտների թիմերի համար աշխատանքային հոսքերում որոնման ճշգրտությունը պարտադիր պայման է։

Համատեղ ստեղծելով համակարգչային տեսողության լայնորեն կիրառվող հասանելիության հավելված՝ Ռիցոլին և Էդվարդսոնը 2018-ին հիմնադրեցին V7-ը⁠(բացվում է նոր պատուհանում), որպեսզի օգնեն ընկերություններին AI համակարգերին սովորեցնել, թե ինչպես են աշխատում իրենց բիզնեսները։ V7 Go-ն ագենտային հարթակ է կենսականորեն կարևոր աշխատանքային հոսքեր ստեղծելու և թաքնված համատեքստը հիշողության վերածելու համար, որին ագենտները կարող են հարցումներ կատարել և որի հիման վրա կարող են գործել։

V7 Go-ն GPT‑5.6 Luna-ի միջոցով միլիոնավոր ֆայլերից տվյալներ է արտահանում և կազմակերպում Կոնտեքստի գրաֆում, որը կապում է սուբյեկտները, փոխհարաբերություններն ու հղված ապացույցները և սպասարկում MCP որոնումն ու կրկնվող, հարյուրավոր քայլեր ընդգրկող աշխատանքային հոսքերը։ Աշխատանքային հոսքերի համար V7 Go-ն օգտագործում է GPT‑5.6 Terra-ն և Sol-ը՝ մարդկանցից տասնյակ ժամեր պահանջող բարդ, բազմափուլ հրահանգներում դատողություն անելու և գործիքներ կիրառելու համար։ V7-ը նաև սկսում է GPT‑6 Astra-ն օգտագործել Կոնտեքստի գրաֆին ուղղված ամենաբարդ հարցումների համար, այդ թվում՝ հազարավոր փաստաթղթերի ֆինանսական վերլուծության ժամանակ։

Ըստ V7-ի՝ համատեքստի, մոդելների և գործիքների համատեղ աշխատանքի շնորհիվ ագենտները 50–100 քայլից բաղկացած աշխատանքային հոսքերն ավարտում են րոպեների ընթացքում՝ հասնելով 99.9% ճշգրտության և պահպանելով յուրաքանչյուր որոշման ստուգելի հետքը։

Կոնտեքստի գրաֆը լուծում է որոշակի խնդիր։ Յուրաքանչյուր հարցման ժամանակ ագենտները ստիպված են նորից բացահայտել համատեքստը, ինչը տասնյակ որոնումներ է պահանջում, ժամանակ ու թոքեններ ծախսում և հաճախ անտեսում կապերի խորքում թաքնված կարևոր տեղեկությունները։

Տվյալներ ստանալիս V7 Go-ն միանում է SharePoint-ի և Google Drive-ի նման շտեմարաններին, սկանավորում դրանք՝ գտնելու սուբյեկտներ, կապեր, փաստեր, հատկանիշներ ու չափանիշներ, ապա լրացնում է գրաֆը, որով անցնելը մեծության մեկ կարգով ավելի էժան և արագ է, քան երկար համատեքստի վրա հիմնված մոտեցումների դեպքում։

Կոնտեքստի գրաֆն ագենտներին տալիս է կառուցվածքավորված և արդիական գրառում, որին նրանք կարող են անմիջապես հարցումներ կատարել։ Նոր ֆայլ ստանալիս V7 Go-ն հայտնաբերում է ընկերությունները, ֆոնդերը, մարդկանց կամ գոյաբանության ցանկացած այլ սուբյեկտ, ապա յուրաքանչյուր փաստ կապում է նոր կամ առկա գրառման հետ և պահպանում սկզբնաղբյուրին հղված ապացույցները։ Եթե գրաֆը բավարար տեղեկություն չի պարունակում, V7 Go-ն կարող է RAG-ի միջոցով որոնել սկզբնական փաստաթղթերում։

V7-ը նաև փորձարկել է, թե որքան կարևոր է այդ համատեքստի կառուցվածքը։ HERB հենանիշով, որը չափում է ձեռնարկության համակարգերում ցրված տեղեկությունները գտնելու և կապելու կարողությունը, միայն որոնման վրա հիմնված V7 համակարգը պաշտոնական ելակետը գերազանցել է 69%-ով և պատասխան չունեցող հարցումների դեպքում հալյուցինացիաները նվազեցրել 38%-ով։ V7 Go-ն աղբյուրներին կապված այդ համատեքստի օգնությամբ բարդ աշխատանքային հոսքերը հիմնավորում է յուրաքանչյուր ընկերության սեփական տեղեկություններով։

V7 Go-ն այդ կազմակերպված համատեքստն օգտագործում է այնպիսի աշխատանքային հոսքերում, ինչպիսիք են մասնավոր կապիտալի գործարքների նախնական գնահատումն ու ապահովագրական ռիսկերի գնահատումը։ Ստորև ներկայացված ցուցադրությունում աշխատանքային հոսքը տվյալներ է արտահանում «Գաղտնի տեղեկատվական հուշագիր» (CIM) կոչվող գործարքի փաստաթղթից, փոխանցում է հիմնական ֆինանսական ցուցանիշները, գործարքի պայմաններն ու ղեկավարության մասին տվյալները և հղումներով նշում ռիսկային դաշտերը, որից հետո V7 Go-ն կազմում է նախնական գնահատման ամփոփագիր։

Կոնտեքստի գրաֆը մոդելին թույլ է տալիս աշխատել ընկերության պատմության հետ՝ առանց այն ամեն անգամ վերստին սովորելու։ Երկար աշխատող ագենտների դեպքում V7 Go-ն վերջին հաղորդակցությունները պահում է մոդելի ակտիվ համատեքստում, իսկ ավելի հին նյութը՝ գրաֆում, որտեղից այն կարելի է ստանալ ըստ անհրաժեշտության։

Այդ ընդհանուր համատեքստն արդեն արագացնում է V7-ի հաճախորդների՝ փաստաթղթերի մեծ ծավալ մշակող աշխատանքը.

• Ակտիվների կառավարիչները կարող են գործարքները գնահատել 21 անգամ ավելի արագ՝ ամբողջ օրվա գործընթացը կրճատելով մինչև ընդամենը 15 րոպե

• Ֆինանսական ծառայությունների թիմը ստուգման ժամանակը կրճատել է ավելի քան 100 ժամից մինչև 10 ժամից պակաս՝ յուրաքանչյուր առաջադրանքի համար խնայելով փորձագետների աշխատանքի $12,000 ծախս

• Ապահովագրական թիմերը պահանջների մշակման սխալները ձեռքով կատարվող ելակետային գործընթացի համեմատ նվազեցրել են 13.5%-ով՝ իրենց ագենտներին տրամադրելով նախորդ բոլոր պահանջների և գործող պոլիսների պատմական տվյալները

Բարդ, բազմափուլ աշխատանքային հոսքերը կախված են նրանից, թե մոդելը որքան հուսալիորեն է հետևում ծավալուն հրահանգներին, գործարկում գործիքներ, մեկնաբանում արդյունքները և անցնում քայլերի երկար շղթայով։ Նախորդ փուլում թույլ տրված մեկ սխալը կարող է թանկ հետևանքների հանգեցնել և խաթարել վստահությունը AI համակարգերի նկատմամբ։ V7 Go-ն մոդելներին ուղղորդում է երկարատև առաջադրանքներում, որոնք ներառում են դետերմինիստական կոդ, փոխանցումներ ավելի փոքր մոդելներին, ֆայլերի ստեղծման քայլեր և ինտեգրումներ՝ պահպանելով յուրաքանչյուր գործարկման ստուգելի հետքը։

AI-ի ստեղծած աշխատանքային հոսքերում V7 Go-ն յուրաքանչյուր քայլը դասում է արագ, միջին կամ խելացի մակարդակի։ GPT‑5.6 Luna-ն կատարում է կառուցվածքավորված տվյալների արտահանումը և մեծածավալ այլ աշխատանքներ, իսկ GPT‑5.6 Terra-ն կամ Sol-ը սպասարկում են զրույցը, Go Agent-ի ուղին և ավելի խոր դատողություն կամ գործիքների կիրառում պահանջող քայլերը։

V7-ը նոր մոդելները փորձարկում է շարունակաբար թարմացվող հենանիշների հավաքածուով, որն ընդգրկում է հղումների ճշգրտությունը, հարյուրավոր տեսակի փաստաթղթերից տվյալների արտահանման որակը, պատասխանների ճշտությունը, հրահանգներին հետևելը, ուշացումը, արժեքը և ձեռնարկությունների իրական աշխատանքային հոսքերը։ V7-ի համար ամենակարևոր վարքագծային չափանիշներով OpenAI-ն գերազանցում է մոդելների մեծ մասին։ OpenAI-ն նաև ժամերի ընթացքում հաստատեց և իրականացրեց V7-ի հզորությունների ավելացման պահանջները, մինչդեռ V7-ի մյուս մատակարարներից դրա համար շաբաթներ են պահանջվում։

V7-ի վերջին հարնեսում մի քանի արտաքին կանչ պարունակող առանցքային աշխատանքային հոսքերն այժմ ավարտվում են մինչև 50%-ով ավելի արագ։ V7-ը GPT‑5.6 Luna-ի դեպքում գրանցեց նաև արդյունավետության մեկ այլ աճ. մեկ փաստաթղթի արժեքը 78%-ով ցածր էր, քան GPT‑5.4 mini-ի դեպքում։ V7-ը նաև փաստաթղթերի մեծ ծավալ մշակող V7 Go-ի ծանրաբեռնվածությունները զրույցի ավարտման API-ից տեղափոխեց Responses API։ Փորձարկումների ընթացքում այս փոփոխությունը որոշ՝ PDF-ների մեծ ծավալ մշակող աշխատանքային հոսքերում մոտ 5%-ով նվազեցրեց թոքենների օգտագործումը և բարձրացրեց քեշավորման հուսալիությունը։

V7-ը նաև իր ամենաբարդ հարցումներով փորձարկեց GPT‑6 Astra-ն։ GPT‑5.6 Sol-ն արդեն հասել էր V7-ի առկա հենանիշներից շատերի առավելագույնին, ուստի ընկերությունը գրաֆային հարցումների ավելի բարդ հավաքածու ստեղծեց՝ հազարավոր փաստաթղթերից վերցված ավելի անկանոն, իրական տվյալներով։ Թեստի տվյալների հավաքածուն ընդգրկում է բարդության չորս մակարդակ։ Ըստ V7-ի՝ շատ բարդ մակարդակում GPT‑5.6 Sol-ը գրանցել է 78%, իսկ GPT‑6 Astra-ն՝ 89% ճշգրտություն։ Հեշտ, միջին և բարդ մակարդակներում երկու մոդելներն էլ գրանցել են մոտ 100% արդյունք։

V7 Go-ն արդեն իր MCP սերվերի միջոցով հասանելի է դարձնում Կոնտեքստի գրաֆից հարցումներ կատարելու և տվյալներ ներմուծելու հնարավորությունները, այնպես որ հաճախորդները կարող են այն օգտագործել ChatGPT‑ից և այլ համատեղելի հաճախորդային ծրագրերից։ Նրանք կարող են նաև MCP-ի միջոցով Codex-ում ստեղծել V7 Go-ի աշխատանքային հոսքեր։ Աշխատանքային հոսքերի ավելի պարզ նախագծման հետ մեկտեղ սա միջին երկարության աշխատանքային հոսք ստեղծելու ժամանակը մոտ մեկ ժամից կրճատել է մինչև շուրջ 20 րոպե։

V7-ի երկարաժամկետ նպատակն այդ ընդհանուր հիշողությունն ավելի նախաձեռնող դարձնելն է։ Թիմն աշխատում է այնպիսի աշխատանքային հոսքեր ստեղծելու ուղղությամբ, որոնք գործարկվում են Կոնտեքստի գրաֆի փաստերի փոփոխության դեպքում, նշում անհամապատասխանությունները և մարդկանց ցույց տալիս, թե որ վերլուծությունները պետք է վերանայել։ Օրինակ՝ ֆոնդի վերանայված հաշվետվությունը կարող է V7 Go-ին հուշել նշել այն աշխատանքները, որոնք դեռ հիմնվում են հին թվերի վրա։

«Մեր նպատակն է օգնել ձեռնարկություններին վերազինվել AI-ի դարաշրջանի համար՝ ստեղծելով կենսականորեն կարևոր խնդիրներ լուծող աշխատանքային հոսքեր և մարդկային հիշողությունը գերազանցող հիշողություն»,— ասում է Ռիցոլին։ «AI-ից իրական արժեք ստացող ֆինանսական ընկերությունները չեն լինի ամենաշատ ագենտներ ունեցողները։ Դրանք կլինեն լավագույն համատեքստն ունեցողները»։