Model ML vinnur fjármálaverk á skilvirkari hátt með GPT‑5.6 Sol

Áður en hægt er að leggja fjármálagreiningu fyrir viðskiptavini eða æðstu stjórnendur þurfa teymi að ljúka krefjandi lokaspretti: samræma gögn, útbúa og sníða skjalið, yfirfara allar tölur og tengja hverja fullyrðingu við heimild sína. Fullbúna PowerPoint-kynningin eða Excel-vinnubókin þarf að vera breytanleg og tilbúin til ítarlegrar yfirferðar.

Stofnendur Model ML, bræðurnir Arnie og Chaz Englander, sáu hve mikla vinnu þetta krafðist þegar þeir tóku að fjárfesta í gegnum einkarekna fjölskyldufjárfestingarskrifstofu eftir tvær vel heppnaðar sölur fyrirtækja og fóru, eins og frumkvöðlar gera, að þróa hugbúnað sér til aðstoðar.

Fulltrúar Model ML, sem spruttu upp úr þessum hugbúnaði, hjálpa fjármálafólki að vinna verkferli frá fyrstu beiðni, í gegnum rannsóknir og greiningu, til fullbúinnar kynningar eða vinnubókar. Í miðjunni er kjarnafulltrúi sem skipuleggur vinnuna, velur réttu verkfærin, samræmir gögn og framkvæmir útreikninga. Hann beinir hverju skrefi til líkansins sem hentar best, oft GPT‑5.6 Sol. Þar á meðal eru eigin skjalaverkfæri Model ML, sem búa til PowerPoint- og Excel-skrár á upprunalegu skráarsniði með rekjanlegum heimildum.

Model ML hjálpar fjármálateymum með því að sjálfvirknivæða fjármálaverkferli frá upphafi til enda. Út frá verklýsingu og heimildarefni getur fulltrúinn unnið verkefni í gegnum rannsóknir og líkanagerð og skilað fullbúnu efni fyrir viðskiptavini eða viðskiptateymi. Fjármálasérfræðingurinn yfirfer forsendur, heimildir og boðskap áður en verkinu er deilt.

Model ML kallar vöruna „óháða viðmóti“. Fjármálasérfræðingur getur hafið verkefni í tölvupósti eða Model ML-appinu og haldið áfram í Microsoft Office-viðbótum þess án þess að þurfa að útskýra verkefnið aftur.

Þessi samfella nær einnig til fullbúna verksins. Fyrir kynningu til fjárfestingarnefndar getur Model ML breytt verklýsingu og heimildarefni í breytanlega PowerPoint-kynningu. Í Excel-verkefni getur fulltrúinn byrjað með sniðmát viðskiptavinar eða auða vinnubók, aflað nauðsynlegra gagna, byggt upp formúlur og röklega virkni á mörgum flipum og síðan beitt sérhæfðu fjármálasniði til að útbúa fullgerðan töflureikni eða fjármálalíkan.

Í Composite, matsviðmiði Model ML fyrir gervigreind í fjármálaþjónustu, notaði GPT‑5.6 Sol 36% færri tóka á hverja vinnubók en Opus 5 í Excel-verkferli.

Með því að ljúka þessum lokaspretti getur fulltrúinn einnig sparað tíma við einstök skilaverk og hjálpað teymum að vinna úr miklu magni heimilda. Hjá einum alþjóðlegum eignastýranda tekur nú um fimm mínútur að útbúa sérsniðið upplýsingablað sem áður tók greinanda um klukkustund. Í öðru verkferli unnu fulltrúar Model ML í einni lotu úr sýndargagnaherbergjum með meira en 100.000 línum og hundruðum skráa.

Model ML bar GPT‑5.6 Sol saman við önnur leiðandi líkön í fjölbreyttum fjármálaverkferlum. Composite-matið fylgir verkefni frá fyrstu fjármálalegu verklýsingu, í gegnum rannsóknir og útreikninga, til breytanlegrar kynningar eða töflureiknis. Síðan eru tölur, heimildir, formúlur og uppbygging yfirfarin, auk sjónrænna gæða kynninga.

Composite-mat Model ML fyrir PowerPoint byggist á raunverulegum verkferlum, nær yfir hundruð myndaðra kynninga og notar ítarleg matsviðmið.

GPT‑5.6 Sol lauk PowerPoint-verkferlinu í 100% prófunartilvika, samanborið við 76% hjá Opus 5. Það stóðst einnig fagviðmið Model ML, sem mælir hvort úttakið sé tilbúið til efnislegrar yfirferðar, í 43,3% tilvika á móti 26,7%. Það stóð Opus 5 einnig framar í gæðum kynninga, samræmi við verklýsingu, stigveldi og samkvæmni.

Samanlagt veittu Composite-niðurstöðurnar hér að ofan Model ML nægar sannanir til að auka notkun GPT‑5.6 Sol í vinnsluumhverfi, þar á meðal í verkferlum sem Opus 4.8 sinnti áður. Í PowerPoint-verkferlum sameinaði GPT‑5.6 Sol samkeppnishæf kynningargæði og hærra hlutfall fullgerðra kynninga sem voru tilbúnar til yfirferðar en Opus 5 og Fable 5, en notaði um 21% færri tóka en Fable 5.

„Að vera tilbúið til raunverulegrar vinnu þýðir að notandinn getur farið beint í alvöru yfirferð,“ segir Englander. „Tölurnar eru rekjanlegar, vinnubókin endurreiknast og skyggnan er breytanleg.“

PowerPoint reyndi verulega á hvort GPT‑5.6 Sol væri tilbúið til raunverulegrar vinnu. Kynning getur litið fáguð út en samt fallið á yfirferð ef tölurnar eru rangar eða órekjanlegar, gröfin hafa verið flött út eða endurgera þarf skyggnurnar áður en hægt er að deila þeim.

Model ML keyrði líkanið í fulltrúakerfi sínu ásamt verkfærum til að búa til og breyta skjölum, svo fulltrúinn gæti búið til skyggnur með breytanlegum gröfum og töflum. Kerfið heldur upprunalegu verklýsingunni í samhengi meðan unnið er og yfirfer síðan hverja skyggnu sjónrænt áður en skránni er skilað.

Dæmið hér að neðan sýnir hvernig PowerPoint-úttak Model ML batnaði frá GPT‑5.5 til GPT‑5.6 Sol, meðal annars með skýrara stigveldi og samræmdari hönnun skyggna.

Nú veitir fulltrúakerfi Model ML fulltrúanum verkfærasöfn sem hann getur hlaðið inn til að fá aðgang að gagnatengingum, verkfærum og færni til skjalavinnslu og keyrsluumhverfum fyrir kóða. Þannig helst fulltrúinn einbeittur og fær nákvæmlega þau verkfæri sem þarf til að vinna með skjöl notandans.

Model ML þróaði þessa uppsetningu í vinnulotum á staðnum með OpenAI. Teymin kortlögðu hvernig fulltrúinn skipulagði kynningar, valdi verkfæri og viðhélt samhengi. Þau notuðu síðan niðurstöðurnar til að fínstilla fyrirmæli fulltrúans og ákveða hvenær hlaða ætti inn hverju verkfærasafni.

Viðskiptavinir Model ML færast í átt að vafralausnum sem haldast tengdar líkönunum og heimildarefninu sem liggur að baki.

Vettvangur Model ML getur myndað öruggt, gagnvirkt úttak sem uppfærist stöðugt eða er fest við ákveðinn tímapunkt. Yfirlesari gæti opnað fjárfestingaryfirlit, smellt sig áfram í fjármálalíkanið á bak við tiltekna tölu og unnið með fulltrúanum á sömu síðu.

„PowerPoint, Excel og Word voru hönnuð fyrir heim þar sem þekkingarvinna var unnin handvirkt,“ segir Englander. „Gervigreind hefur breytt þeirri forsendu. Hugbúnaðurinn sjálfur er við það að breytast.“