Kā V7 piešķir MI aģentiem institucionālo atmiņu

Mūsdienu modeļi spēj izmantot spriestspēju sarežģītu uzdevumu risināšanā, taču tie automātiski neizprot šo uzdevumu pamatā esošo uzņēmējdarbības kontekstu. Kurš fonda pārskats ir aktuāls? Kā viena un tā pati entītija nosaukta trijās sistēmās?

Šis konteksts ir atrodams dokumentos, datu telpās, izklājlapās, e-pasta ziņojumos un iekšējos rīkos — izkliedēts, nesakārtots un aģentiem neredzams. Finanšu, apdrošināšanas un nekustamā īpašuma komandām precīza informācijas izgūšana darbplūsmās ir obligāta.

Kopīgi izveidojuši plaši izmantotu datorredzes pieejamības lietotni, Ricoli un Edvardsons 2018. gadā dibināja uzņēmumu V7⁠(atveras jaunā logā), lai palīdzētu uzņēmumiem iemācīt MI sistēmām izprast to darbību. V7 Go ir aģentiska platforma kritiski svarīgu darbplūsmu veidošanai un apslēpta konteksta sakārtošanai atmiņā, kurai aģenti var veidot vaicājumus un kuru tie var izmantot darbībām.

V7 Go izmanto GPT‑5.6 Luna, lai izgūtu informāciju no miljoniem failu un sakārtotu to Konteksta grafā, kas saista entītijas, attiecības un pierādījumus ar atsaucēm, nodrošinot MCP meklēšanu un atkārtojamas darbplūsmas, kuras var aptvert simtiem darbību. Darbplūsmās V7 Go izmanto GPT‑5.6 Terra un Sol spriestspējai un rīku lietošanai, izpildot sarežģītus vairākposmu norādījumus, kuru pabeigšanai cilvēkiem vajadzētu desmitiem stundu. V7 arī sāk izmantot GPT‑6 Astra prasīgākajiem Konteksta grafa vaicājumiem, tostarp finanšu analīzei tūkstošiem dokumentu.

V7 norāda, ka, kontekstam, modeļiem un rīkiem darbojoties kopā, aģenti dažu minūšu laikā pabeidz 50–100 posmu darbplūsmas ar 99,9% precizitāti, vienlaikus saglabājot auditējamu katra pieņemtā lēmuma vēsturi.

Konteksta grafs atrisina konkrētu problēmu. Aģentiem katrā pieprasījumā konteksts jāatklāj no jauna, tāpēc vajadzīgi desmitiem meklējumu, kas patērē laiku un tekstvienības, turklāt bieži netiek atrasta būtiska attiecībās apslēpta informācija.

Kad tiek saņemti dati, V7 Go izveido savienojumu ar tādām krātuvēm kā SharePoint un Google Drive, pārbauda tajās entītijas, attiecības, faktus, atribūtus un rādītājus un aizpilda grafu, kurā informācijas izgūšana ir desmitreiz lētāka un ātrāka nekā ar gara konteksta pieejām.

Konteksta grafs aģentiem nodrošina strukturētu un aktuālu informāciju, kurai tie var tieši veidot vaicājumus. Kad tiek saņemts jauns fails, V7 Go identificē uzņēmumus, fondus, cilvēkus vai jebkuru citu ontoloģijas entītiju, pēc tam katru faktu piesaista jaunam vai esošam ierakstam un saglabā atsauci uz pierādījumu sākotnējā avotā. Ja grafā nav pietiekami daudz informācijas, V7 Go joprojām var meklēt pamatā esošajos dokumentos, izmantojot RAG.

V7 ir pārbaudījis arī to, cik svarīga ir šī konteksta struktūra. HERB etalontestā, kas novērtē dažādās uzņēmuma sistēmās izkliedētas informācijas atrašanu un sasaisti, V7 sistēma, kas izmanto tikai informācijas izgūšanu, par 69% pārspēja oficiālo bāzes risinājumu un par 38% samazināja halucinācijas vaicājumos, uz kuriem nav iespējams atbildēt. V7 Go izmanto šo ar avotiem saistīto kontekstu, lai sarežģītās darbplūsmas balstītu katra uzņēmuma informācijā.

V7 Go izmanto šo sakārtoto kontekstu tādās darbplūsmās kā privātā kapitāla darījumu atlase un apdrošināšanas risku parakstīšana. Tālāk redzamajā demonstrācijā darbplūsma izgūst informāciju no darījuma dokumenta — konfidenciālas informācijas memoranda (CIM) —, ievada galvenos finanšu rādītājus, darījuma nosacījumus un vadības informāciju, kā arī norāda riska lauku avotus, pirms V7 Go sagatavo atlases ziņojumu.

Konteksta grafs ļauj modelim izmantot uzņēmuma vēsturisko informāciju, katru reizi to neapgūstot no jauna. Ilgstoši strādājošiem aģentiem V7 Go saglabā neseno saziņu modeļa aktīvajā kontekstā, bet vecāku informāciju glabā grafā, lai vajadzības gadījumā to izgūtu.

Šis kopīgais konteksts jau paātrina darbu ar dokumentiem V7 klientiem:

• Aktīvu pārvaldnieki darījumus var izvērtēt 21 reizi ātrāk, pilnas dienas procesu saīsinot līdz tikai 15 minūtēm

• Finanšu pakalpojumu komanda saīsināja pārbaudes laiku no vairāk nekā 100 stundām līdz mazāk nekā 10 stundām, katrā uzdevumā ietaupot 12 000 ASV dolāru ekspertu izmaksās

• Apdrošināšanas komandas par 13,5% samazināja kļūdu skaitu atlīdzību pieteikumu apstrādē salīdzinājumā ar manuālo bāzes procesu, nodrošinot saviem aģentiem vēsturiskas zināšanas par visiem iepriekšējiem pieteikumiem un spēkā esošajām polisēm

Sarežģītās vairākposmu darbplūsmās modelim ir uzticami jāizpilda gari norādījumi, jāizmanto rīki, jāinterpretē rezultāti un secīgi jāveic daudzas darbības. Viena kļūda procesa sākumā var dārgi izmaksāt un mazināt uzticēšanos MI sistēmām. V7 Go vada modeļus ilgstošos uzdevumos, kas ietver determinētu kodu, uzdevumu nodošanu mazākiem modeļiem, failu ģenerēšanu un integrācijas, vienlaikus saglabājot auditējamu katras izpildes vēsturi.

MI ģenerētajās darbplūsmās V7 Go katru darbību iedala ātrajā, vidējā vai viedajā līmenī. GPT‑5.6 Luna veic strukturētu datu izgūšanu un citus liela apjoma darbus, savukārt GPT‑5.6 Terra vai Sol nodrošina tērzēšanu, Go Agent ceļu un darbības, kurām vajadzīga lielāka spriestspēja vai rīku izmantošana.

V7 pārbauda jaunos modeļus ar pastāvīgi uzturētu etalontestu kopu, kas aptver atsauču precizitāti, datu izgūšanas kvalitāti simtiem dokumentu veidu, atbilžu pareizību, norādījumu izpildi, latentumu, izmaksas un reālas uzņēmumu darbplūsmas. OpenAI pārspēj lielāko daļu modeļu tajās jomās, kas V7 ir vissvarīgākās. Turklāt OpenAI dažu stundu laikā apstiprināja un ieviesa V7 vajadzīgo jaudas palielinājumu, kamēr citiem V7 izmantotajiem pakalpojumu sniedzējiem tas prasīja vairākas nedēļas.

V7 jaunākajā izpildes ietvarā galvenās darbplūsmas ar vairākiem ārējiem izsaukumiem tagad tiek pabeigtas līdz pat 50% ātrāk. V7 konstatēja vēl vienu GPT‑5.6 Luna efektivitātes ieguvumu: izmaksas par dokumentu bija par 78% zemākas nekā ar GPT‑5.4 mini. V7 arī pārcēla savas uz dokumentiem orientētās V7 Go darba slodzes no tērzēšanas pabeigšanas API uz Responses API. Testos šīs izmaiņas dažās darbplūsmās ar daudziem PDF failiem samazināja tekstvienību patēriņu par aptuveni 5% un uzlaboja kešatmiņas uzticamību.

V7 pārbaudīja arī GPT‑6 Astra ar saviem sarežģītākajiem vaicājumiem. GPT‑5.6 Sol daudzos līdzšinējos V7 etalontestos jau bija sasniedzis rezultātu griestus, tāpēc uzņēmums izveidoja sarežģītāku grafa vaicājumu jautājumu kopu, izmantojot nepilnīgākus reālos datus no tūkstošiem dokumentu. Testa datu kopa aptver četrus grūtības līmeņus. V7 ziņo, ka ļoti sarežģītajā līmenī GPT‑5.6 Sol ieguva 78%, bet GPT‑6 Astra sasniedza 89% precizitāti. Vieglajā, vidējā un sarežģītajā līmenī abi modeļi ieguva gandrīz 100%.

V7 Go jau nodrošina Konteksta grafa vaicājumus un datu ievadi savā MCP serverī, tāpēc klienti to var izmantot no ChatGPT un citiem saderīgiem klientiem. Izmantojot MCP, viņi var arī veidot V7 Go darbplūsmas programmā Codex. Apvienojumā ar vienkāršāku darbplūsmu izstrādi tas ir saīsinājis vidēja garuma darbplūsmas izveides laiku no aptuveni stundas līdz aptuveni 20 minūtēm.

V7 ilgtermiņa mērķis ir padarīt šo kopīgo atmiņu proaktīvāku. Komanda izstrādā darbplūsmas, kas sākas, mainoties faktiem Konteksta grafā, norāda uz neatbilstībām un parāda, kuras analīzes cilvēkiem jāpārskata. Piemēram, precizēts fonda pārskats varētu likt V7 Go atzīmēt darbu, kurā joprojām izmantoti vecie skaitļi.

„Mūsu mērķis ir palīdzēt uzņēmumiem pielāgot savus rīkus MI laikmetam, piedāvājot darbplūsmas kritiski svarīgu uzdevumu risināšanai un atmiņu, kas pārspēj cilvēka spējas,“ saka Ricoli. „Finanšu uzņēmumi, kas no MI gūs patiesu vērtību, nebūs tie, kuriem ir visvairāk aģentu. Tie būs uzņēmumi ar vislabāko kontekstu.“