Model ML ფინანსურ სამუშაოს GPT‑5.6 Sol-ით უფრო ეფექტურად ასრულებს

სანამ ფინანსური ანალიზი კლიენტებს ან უფროს გადაწყვეტილების მიმღებებს წარედგინება, გუნდებმა რთული ბოლო ეტაპი უნდა გაიარონ: შეაჯერონ მტკიცებულებები, შექმნან და დააფორმატონ ფაილი, გადაამოწმონ ყველა რიცხვი და თითოეული დასკვნა მის წყაროს დაუკავშირონ. დასრულებული PowerPoint პრეზენტაცია ან Excel-ის სამუშაო წიგნი რედაქტირებადი და დეტალური შემოწმებისთვის მზად უნდა იყოს.

Model ML-ის თანადამფუძნებლებმა, ძმებმა არნი და ჩაზ ინგლენდერებმა, ამ საქმის შრომატევადობა მაშინ დაინახეს, როცა ორი წარმატებული გასვლის შემდეგ კერძო საოჯახო ოფისის მეშვეობით ინვესტირება დაიწყეს და, როგორც შემქმნელებს სჩვევიათ, საკუთარი საჭიროებისთვის პროგრამული უზრუნველყოფის შექმნასაც შეუდგნენ.

ამ პროგრამული უზრუნველყოფის საფუძველზე შექმნილი Model ML-ის აგენტები ფინანსების სპეციალისტებს ეხმარებიან, სამუშაო პროცესი საწყისი მოთხოვნიდან კვლევისა და ანალიზის გავლით დასრულებულ პრეზენტაციამდე ან სამუშაო წიგნამდე მიიყვანონ. პროცესის ცენტრში ძირითადი აგენტია: ის გეგმავს სამუშაოს, ირჩევს შესაბამის ინსტრუმენტებს, აჯერებს მტკიცებულებებს და ასრულებს გამოთვლებს, თითოეულ ნაბიჯს კი მისთვის ყველაზე შესაფერის მოდელს გადასცემს — ხშირად ეს GPT‑5.6 Sol-ია. ამ ინსტრუმენტებს შორისაა Model ML-ის დოკუმენტებთან მუშაობის საკუთარი საშუალებები, რომლებიც ქმნის PowerPoint-ისა და Excel-ის საკუთარ ფაილებს მიკვლევადი წყაროებით.

Model ML ფინანსურ გუნდებს სამუშაო პროცესების თავიდან ბოლომდე ავტომატიზაციაში ეხმარება. აგენტს შეუძლია, მოკლე დავალებისა და წყარო მასალის საფუძველზე სამუშაო კვლევისა და მოდელირების გავლით კლიენტებისა თუ გარიგების გუნდებისთვის განკუთვნილ საბოლოო მასალებამდე მიიყვანოს. სამუშაოს გაზიარებამდე ფინანსების სპეციალისტი ამოწმებს დაშვებებს, წყაროებსა და გზავნილს.

Model ML პროდუქტს „ინტერფეისისგან დამოუკიდებელს“ უწოდებს. ფინანსების სპეციალისტს შეუძლია დავალება ელფოსტაში ან Model ML-ის აპში დაიწყოს და Microsoft Office-ის დანამატებში განმეორებითი ახსნის გარეშე გააგრძელოს.

ეს უწყვეტობა საბოლოო ნამუშევარშიც ნარჩუნდება. საინვესტიციო კომიტეტის პრეზენტაციისთვის Model ML-ს შეუძლია მოკლე დავალება და წყაროს მასალა რედაქტირებად PowerPoint-ად გარდაქმნას. Excel-ის დავალებისას აგენტს შეუძლია დაიწყოს კლიენტის შაბლონით ან ცარიელი სამუშაო წიგნით, შეაგროვოს საჭირო მონაცემები, რამდენიმე ჩანართზე ააწყოს ფორმულები და ლოგიკა, შემდეგ კი ფინანსური სფეროსთვის შესაბამისი ფორმატირება გამოიყენოს და შექმნას სრული ცხრილი ან ფინანსური მოდელი.

Model ML-ის Composite-ში — ფინანსურ მომსახურებებში AI-ს შესაფასებელ კომპანიის ბენჩმარკში — Excel-ის სამუშაო პროცესში GPT‑5.6 Sol-მა თითო სამუშაო წიგნზე Opus 5-თან შედარებით 36%-ით ნაკლები ტოკენი გამოიყენა.

სამუშაოს ამ ბოლო ეტაპამდე მიყვანით აგენტს შეუძლია ცალკეული მასალების მომზადებაზე დრო დაზოგოს და გუნდებს დიდი მოცულობის წყაროს მასალის დამუშავებაში დაეხმაროს. ერთ გლობალურ აქტივების მმართველ კომპანიაში ინდივიდუალური საინფორმაციო ფურცლის მომზადებას, რასაც ანალიტიკოსი დაახლოებით ერთ საათს ანდომებდა, ახლა დაახლოებით ხუთი წუთი სჭირდება. სხვა სამუშაო პროცესში Model ML-ის აგენტებმა ერთ ჯერზე დაამუშავეს ვირტუალური მონაცემთა ოთახები, რომლებიც 100 000-ზე მეტ მწკრივსა და ასობით ფაილს შეიცავდა.

Model ML-მა GPT‑5.6 Sol სხვა წამყვან მოდელებთან ერთად ფინანსური სამუშაო პროცესების ფართო სპექტრში შეაფასა. მისი Composite შეფასებები დავალებას საწყისი ფინანსური აღწერიდან კვლევისა და გამოთვლების გავლით რედაქტირებად პრეზენტაციამდე ან ცხრილამდე მიჰყვება, შემდეგ კი ამოწმებს რიცხვებს, წყაროებს, ფორმულებსა და სტრუქტურას, ასევე პრეზენტაციების ვიზუალურ ხარისხს.

PowerPoint-ისთვის Model ML-ის Composite შეფასება რეალურ სამუშაო პროცესებს მოიცავს და დეტალური შეფასების კრიტერიუმებით ასობით გენერირებულ პრეზენტაციას ფარავს.

GPT‑5.6 Sol-მა PowerPoint-ის სამუშაო პროცესი სატესტო შემთხვევების 100%-ში დაასრულა, Opus 5-მა კი — 76%-ში. მან Model ML-ის პროფესიული მზაობის ზღვარიც — მაჩვენებელი, რომელიც განსაზღვრავს, მზად იყო თუ არა შედეგი შინაარსობრივი განხილვისთვის — შემთხვევების 43,3%-ში გადალახა, 26,7%-ის საპირისპიროდ. მან Opus 5-ს ასევე აჯობა პრეზენტაციის ხარისხით, დავალებასთან შესაბამისობით, იერარქიითა და თანმიმდევრულობით.

ზემოთ ნაჩვენებმა Composite-ის ერთობლივმა შედეგებმა Model ML-ს საკმარისი მტკიცებულება მისცა, რომ წარმოებაში GPT‑5.6 Sol-ის გამოყენება გაეფართოებინა, მათ შორის ზოგიერთ პროცესში, რომელსაც მანამდე Opus 4.8 ასრულებდა. PowerPoint-ის სამუშაო პროცესებში GPT‑5.6 Sol-მა გააერთიანა პრეზენტაციების კონკურენტუნარიანი ხარისხი და დასრულებული, შემოწმებისთვის მზა პრეზენტაციების უფრო მაღალი წილი, ვიდრე Opus 5-მა და Fable 5-მა, თანაც Fable 5-ზე დაახლოებით 21%-ით ნაკლები ტოკენი გამოიყენა.

„რეალური სამუშაოსთვის მზადყოფნა ნიშნავს, რომ მომხმარებელს შეუძლია პირდაპირ რეალურ განხილვაზე გადავიდეს“, — ამბობს ინგლენდერი. „რიცხვების წყაროები მიკვლევადია, სამუშაო წიგნი ხელახლა ითვლის, სლაიდი კი რედაქტირებადია.“

PowerPoint-მა Model ML-ს რთული გამოცდა შესთავაზა იმის დასადგენად, მზად იყო თუ არა GPT‑5.6 Sol რეალური სამუშაოსთვის. პრეზენტაცია შეიძლება დახვეწილად გამოიყურებოდეს, მაგრამ შემოწმება მაინც ვერ გაიაროს, თუ რიცხვები მცდარი ან მიუკვლეველია, დიაგრამები გაბრტყელებულია ან გაზიარებამდე სლაიდების თავიდან აწყობაა საჭირო.

Model ML-მა მოდელი საკუთარი აგენტის სარტყელში გაუშვა და დაუკავშირა დოკუმენტების შექმნისა და რედაქტირების ინსტრუმენტებს, რომლებიც აგენტს რედაქტირებადი გრაფიკებითა და ცხრილებით სლაიდების შექმნის საშუალებას აძლევს. მუშაობისას ის თავდაპირველ დავალებას კონტექსტში ინარჩუნებს, ფაილის დაბრუნებამდე კი თითოეულ სლაიდს ვიზუალურად ამოწმებს.

ქვემოთ მოცემული მაგალითი აჩვენებს, როგორ გაუმჯობესდა Model ML-ის PowerPoint შედეგი GPT‑5.5‑დან GPT‑5.6 Sol-მდე, მათ შორის უფრო მკაფიო იერარქიითა და სლაიდების უფრო თანმიმდევრული დიზაინით.

დღეს Model ML-ის სარტყელი აგენტს აწვდის ინსტრუმენტების ნაკრებებს, რომელთა ჩატვირთვითაც მას მონაცემთა ინტეგრაციებზე, დოკუმენტების რედაქტირების ინსტრუმენტებსა და უნარებზე და კოდის შესრულების გარემოებზე წვდომა შეუძლია. ეს აგენტს კონცენტრაციის შენარჩუნებაში ეხმარება და ზუსტად იმ ინსტრუმენტებს აძლევს, რომლებიც მომხმარებლის დოკუმენტებთან სამუშაოდ სჭირდება.

Model ML-მა ამ კონფიგურაციას OpenAI-სთან ადგილზე ჩატარებული სამუშაო სესიების შედეგად მიაღწია. გუნდები აკვირდებოდნენ, როგორ გეგმავდა აგენტი პრეზენტაციებს, ირჩევდა ინსტრუმენტებს და ინარჩუნებდა კონტექსტს; შემდეგ ეს მიგნებები აგენტის ინსტრუქციების დასახვეწად და თითოეული ინსტრუმენტების ნაკრების ჩატვირთვის დროის განსასაზღვრად გამოიყენეს.

Model ML-ის მომხმარებლები ბრაუზერზე დაფუძნებულ შედეგებზე გადადიან, რომლებიც მათ საფუძვლად არსებულ მოდელებთან და წყაროს მასალასთან კავშირს ინარჩუნებს.

Model ML-ის პლატფორმას შეუძლია შექმნას უსაფრთხო, ინტერაქტიური შედეგები, რომლებიც ან მუდმივად განახლდება, ან დროის კონკრეტულ მომენტზე ფიქსირდება. შემფასებელს შეუძლია გახსნას საინვესტიციო შეჯამება, გადავიდეს რიცხვის საფუძვლად არსებულ ფინანსურ მოდელზე და იმავე გვერდიდან იმუშაოს აგენტთან.

„PowerPoint, Excel და Word შეიქმნა სამყაროსთვის, სადაც ინტელექტუალური სამუშაო ხელით სრულდებოდა“, — ამბობს ინგლენდერი. „AI-მ ეს წარმოდგენა შეცვალა. ახლა თავად პროგრამული უზრუნველყოფაც შეიცვლება.“