Како V7 им дава институционална меморија на агентите со ВИ

Денешните модели можат да расудуваат за сложени задачи, но не го разбираат автоматски деловниот контекст врз кој се засноваат тие задачи. Кој извештај за фондот е актуелен? Како е именуван истиот ентитет во три различни системи?

Тој контекст се наоѓа во документи, виртуелни простории за податоци, табели, е-пораки и внатрешни алатки: расфрлан, неусогласен и невидлив за агентите. За тимовите во финансиите, осигурувањето и недвижностите, точноста на пронаоѓањето информации во работните текови е неопходна.

Откако заедно создадоа широко користена апликација за пристапност заснована на компјутерски вид, Рицоли и Едвардсон го основаа V7⁠(се отвора во нов прозорец) во 2018 година за да им помогнат на компаниите да ги научат системите со ВИ како функционира нивниот бизнис. V7 Go е агентска платформа за создавање работни текови од суштинско значење и организирање на скриениот контекст во меморија што агентите можат да ја пребаруваат и врз основа на неа да дејствуваат.

V7 Go го користи GPT‑5.6 Luna за да извлекува информации од милиони датотеки и да ги организира во графата на контекстот, кој поврзува ентитети, односи и цитирани докази и овозможува MCP-пребарување и повторливи работни текови што можат да опфатат стотици чекори. За работните текови, V7 Go ги користи GPT‑5.6 Terra и Sol за расудување и користење алатки при сложени упатства со повеќе чекори, за кои на луѓето им се потребни десетици часови. V7 почнува да го користи и GPT‑6 Astra за најсложените пребарувања во графата на контекстот, вклучувајќи финансиски анализи низ илјадници документи.

Благодарение на заедничкото дејство на контекстот, моделите и алатките, V7 вели дека агентите завршуваат работни текови од 50 до 100 чекори за неколку минути, со точност од 99,9%, притоа одржувајќи проверлива трага за секоја донесена одлука.

Графата на контекстот решава конкретен проблем. Агентите мора повторно да го откриваат контекстот при секое барање, што води до десетици пребарувања кои одземаат време и токени, а често ги пропуштаат и клучните информации скриени во односите.

Кога ќе пристигнат податоци, V7 Go се поврзува со складишта како SharePoint и Google Drive, ги скенира за ентитети, односи, факти, атрибути и показатели, па пополнува граф што се пребарува десетпати поевтино и побрзо отколку со пристапите засновани на долг контекст.

Графата на контекстот им дава на агентите структуриран и ажуриран запис што можат директно да го пребаруваат. Кога ќе пристигне нова датотека, V7 Go ги препознава компаниите, фондовите, луѓето или кој било ентитет во онтологијата, потоа го поврзува секој факт со нов или постоен запис и ги зачувува цитираните докази што водат до изворот. Ако графата не содржи доволно информации, V7 Go сепак може да ги пребарува основните документи со RAG.

V7 тестираше и колку е важна структурата на тој контекст. На HERB, репер за наоѓање и поврзување информации распределени низ деловни системи, системот на V7 што користи само пронаоѓање го надмина официјалното појдовно ниво за 69% и ги намали халуцинациите кај прашањата на кои не може да се одговори за 38%. V7 Go го користи тој контекст поврзан со изворите за сложените работни текови да останат втемелени во сопствените информации на секоја компанија.

V7 Go го користи тој организиран контекст во работни текови како процена на зделки со приватен капитал и преземање осигурителен ризик. Во демонстрацијата подолу, работниот тек извлекува информации од документ за зделка наречен Меморандум за доверливи информации (CIM), ги внесува клучните финансиски податоци, условите на зделката и деталите за раководството и ги наведува изворите за ризичните полиња, пред V7 Go да создаде белешка за процена.

Графата на контекстот му овозможува на моделот да работи со историјата на компанијата без секојпат повторно да ја учи. За агентите што работат подолго време, V7 Go ги задржува неодамнешните размени во активниот контекст на моделот, а постарите материјали ги чува во графата за да се вчитаат кога ќе бидат потребни.

Тој заеднички контекст веќе ја забрзува работата со многу документи кај клиентите на V7:

• Управителите со средства можат да ги проценуваат зделките 21 пати побрзо, скратувајќи го процесот од цел ден на само 15 минути

• Тим за финансиски услуги го скрати времето за проверка од повеќе од 100 часа на помалку од 10 и заштеди 12.000 долари за стручни услуги по задача

• Тимовите за осигурување ги намалија грешките при обработката на побарувањата за 13,5% во споредба со рачната обработка, откако на своите агенти им овозможија пристап до историските податоци за сите претходни побарувања и постојни полиси

Сложените работни текови со повеќе чекори зависат од тоа колку сигурно моделот следи долги упатства, користи алатки, ги толкува резултатите и минува низ долга низа чекори. Една грешка во претходна фаза може да предизвика скапи последици и да ја наруши довербата во системите со ВИ. V7 Go ги води моделите низ долгорочни задачи што опфаќаат детерминистички код, предавање на задачите на помали модели, чекори за создавање датотеки и интеграции, со проверлива трага за секое извршување.

Во работните текови создадени со ВИ, V7 Go го распределува секој чекор во брзо, средно или паметно ниво. GPT‑5.6 Luna се справува со структурираното извлекување и другите обемни задачи, а GPT‑5.6 Terra или Sol го поддржуваат разговорот, патеката Go Agent и чекорите што бараат повеќе расудување или користење алатки.

V7 ги тестира новите модели со постојано одржуван пакет од репери што ги опфаќа точноста на цитатите, квалитетот на извлекувањето кај стотици видови документи, точноста на одговорите, следењето упатства, доцнењето, трошоците и реалните деловни работни текови. OpenAI ги надминува повеќето модели во однесувањата што му се најважни на V7. OpenAI, исто така, ги одобри и спроведе потребните зголемувања на капацитетот на V7 за само неколку часа, наспроти неколкуте недели што им се потребни на другите даватели што ги користи V7.

Во најновата рамка на V7, клучните работни текови со повеќе надворешни повици сега завршуваат до 50% побрзо. V7 измери уште едно подобрување на ефикасноста со GPT‑5.6 Luna: 78% понизок трошок по документ отколку со GPT‑5.4 mini. V7, исто така, ги префрли своите работни оптоварувања во V7 Go, кои обработуваат многу документи, од API за завршување на разговори на Responses API. Во тестирањата, промената ја намали употребата на токени за околу 5% кај некои работни текови со многу PDF-документи и ја подобри сигурноста на кеширањето.

V7 го тестираше и GPT‑6 Astra со своите најтешки барања. GPT‑5.6 Sol веќе го имаше достигнато максимумот на многу од постојните репери на V7, па компанијата создаде потежок пакет прашања за пребарување графи со понеуредни податоци од реалниот свет, распределени низ илјадници документи. Збирката податоци за тестот опфаќа четири нивоа на тежина. На најтешкото ниво, V7 известува дека GPT‑5.6 Sol постигнал 78%, а GPT‑6 Astra точност од 89%. Двата модела постигнаа резултат близу 100% на лесното, средното и тешкото ниво.

V7 Go веќе овозможува пребарување и внесување податоци во графата на контекстот преку својот MCP-сервер, па клиентите можат да го користат од ChatGPT и други компатибилни клиенти. Преку MCP во Codex можат да создаваат и работни текови во V7 Go. Заедно со поедноставното проектирање на работните текови, ова го скрати времето потребно за создавање работен тек со средна должина од околу еден час на приближно 20 минути.

Долгорочната цел на V7 е таа заедничка меморија да стане попроактивна. Тимот работи на работни текови што ќе се активираат кога ќе се променат фактите во графата на контекстот, ќе означуваат недоследности и ќе им покажуваат на луѓето кои анализи треба повторно да се разгледаат. На пример, ревидиран извештај за фонд би можел да го поттикне V7 Go да ја означи работата што сè уште се потпира на старите бројки.

„Нашата цел е да им помогнеме на компаниите да се преопремат за ерата на ВИ, со работни текови што решаваат задачи од суштинско значење и меморија што нè надминува нас, луѓето“, вели Рицоли. „Финансиските компании што ќе добијат вистинска вредност од ВИ нема да бидат оние со најмногу агенти. Тоа ќе бидат оние со најдобар контекст.“