GPT‑5.6 Sol വഴി Model ML ധനകാര്യ ജോലികൾ കാര്യക്ഷമമാക്കുന്നു

ക്ലയൻ്റുകളുടെയോ അനുഭവപരിചയമുള്ളവരുടെയോ മുന്നിൽ ഒരു ധനകാര്യ വിശകലനം അവതരിപ്പിക്കുന്നതിന് മുമ്പ്, ടീമുകൾ ഏറെ ബുദ്ധിമുട്ടേറിയ അവസാന ഘട്ടങ്ങൾ പൂർത്തിയാക്കേണ്ടതുണ്ട്: തെളിവുകൾ ഒത്തുനോക്കുക, ഫയൽ നിർമ്മിച്ച് ഫോർമാറ്റ് ചെയ്യുക, ഓരോ അക്കങ്ങളും പരിശോധിക്കുക, ഓരോ അവകാശവാദത്തെയും അതിൻ്റെ ഉറവിടവുമായി ബന്ധിപ്പിക്കുക. തയ്യാറാക്കിയ PowerPoint ഡെക്കോ Excel വർക്ക്ബുക്കോ എഡിറ്റ് ചെയ്യാൻ കഴിയുന്നതും കൃത്യമായ പരിശോധനയ്ക്ക് തയ്യാറുള്ളതുമായിരിക്കണം.

രണ്ട് വിജയകരമായ പൂർത്തിയാക്കലുകൾക്ക് ശേഷം, ഒരു സ്വകാര്യ കുടുംബ ഓഫീസ് വഴി നിക്ഷേപം നടത്താനും തങ്ങളുടെ ആവശ്യത്തിനായി സോഫ്റ്റ്‌വെയർ നിർമ്മിക്കാനും തുടങ്ങിയപ്പോഴാണ് ഇതിന് എത്രത്തോളം അധ്വാനം ആവശ്യമാണെന്ന് Model ML സഹസ്ഥാപകരും സഹോദരങ്ങളുമായ Arnie-യും Chaz Englader-ഉം മനസ്സിലാക്കിയത്.

ആ സോഫ്റ്റ്‌വെയറിൽനിന്ന് വളർന്ന Model ML-ൻ്റെ ഏജൻ്റുകൾ, പ്രാരംഭ അഭ്യർഥന മുതൽ ഗവേഷണവും വിശകലനവും കടന്ന് പൂർത്തിയായ അവതരണമോ വർക്ക്ബുക്കോ തയ്യാറാക്കുന്നത് വരെയുള്ള പ്രവർത്തനക്രമം കൈകാര്യം ചെയ്യാൻ ധനകാര്യ വിദഗ്ധരെ സഹായിക്കുന്നു. ഇതിൻ്റെ കേന്ദ്ര ബിന്ദുവായി പ്രവർത്തിക്കുന്ന ഒരു പ്രധാന ഏജൻ്റ് ജോലി ആസൂത്രണം ചെയ്യുകയും ശരിയായ ടൂളുകൾ തിരഞ്ഞെടുക്കുകയും തെളിവുകൾ ഒത്തുനോക്കുകയും കണക്കുകൂട്ടലുകൾ നടത്തുകയും ചെയ്യുന്നു; ഒപ്പം ഓരോ ഘട്ടത്തിനും ഏറ്റവും അനുയോജ്യമായ മോഡലിലേക്ക് പലപ്പോഴും GPT‑5.6 Sol-ലേക്ക് അവ എത്തിക്കുകയും ചെയ്യുന്നു. ഈ ടൂളുകളിൽ Model ML-ൻ്റെ സ്വന്തം ഡോക്യുമെൻ്റ് ടൂളിംഗും ഉൾപ്പെടുന്നു, ഇത് ഉറവിടങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്ന ഒറിജിനൽ PowerPoint, Excel ഫയലുകൾ എന്നിവ നിർമ്മിക്കാൻ സഹായിക്കുന്നു.

തുടക്കം മുതൽ ഒടുക്കം വരെയുള്ള ഫിനാൻസ് പ്രവർത്തന രീതികൾ ഓട്ടോമേറ്റ് ചെയ്തുകൊണ്ട് Model ML ധനകാര്യ ടീമുകളെ സഹായിക്കുന്നു. ഒരു സംഗ്രഹത്തിൽ നിന്നും ഉറവിട വിവരങ്ങളിൽ നിന്നും തുടങ്ങി ഗവേഷണത്തിലൂടെയും മോഡലിംഗിലൂടെയും ക്ലയൻ്റുകൾക്കോ ഡീൽ ടീമുകൾക്കോ വേണ്ടിയുള്ള പൂർണ്ണമായ വിവരങ്ങൾ തയ്യാറാക്കുന്നത് വരെ ഒരു നിയമനം പൂർത്തിയാക്കാൻ ഈ ഏജൻ്റിന് സാധിക്കും. ഈ വിവരങ്ങൾ പങ്കിടുന്നതിന് മുമ്പ് ധനകാര്യ വിദഗ്ധർ ഇതിലെ അനുമാനങ്ങളും ഉറവിടങ്ങളും സന്ദേശങ്ങളും ശരിയാണെന്ന് പരിശോധിക്കുന്നു.

Model ML ഈ ഉൽപ്പന്നത്തെ “ഏത് പ്ലാറ്റ്‌ഫോമിലും ഉപയോഗിക്കാവുന്നത്" എന്നാണ് വിളിക്കുന്നത്. ഒരു ധനകാര്യ വിദഗ്ധന് ഒരു നിയമനം ഇമെയിലിലോ Model ML ആപ്പിലോ ആരംഭിക്കാം; പിന്നീട് ആ വിവരങ്ങൾ വീണ്ടും വിശദീകരിക്കേണ്ട ആവശ്യമില്ലാതെ തന്നെ Microsoft Office plugin-കളിലൂടെ അത് തുടരാനും സാധിക്കും.

ആ സുസ്ഥിരത പൂർത്തിയായ ജോലികളിലും നിലനിൽക്കുന്നു. ഒരു നിക്ഷേപസമിതി അവതരണത്തിനായി, ഒരു സംഗ്രഹത്തിൽ നിന്നും ഉറവിട വിവരങ്ങളിൽ നിന്നും എഡിറ്റ് ചെയ്യാൻ കഴിയുന്ന PowerPoint നിർമ്മിക്കാൻ Model ML-ന് സാധിക്കും. ഒരു Excel ടാസ്കിനായി ഈ ഏജൻ്റിന് ഒരു ക്ലയൻ്റ് ടെംപ്ലേറ്റിൽ നിന്നോ ശൂന്യമായ വർക്ക്ബുക്കിൽ നിന്നോ ആരംഭിക്കാം; ആവശ്യമായ വവിവരങ്ങൾ ശേഖരിക്കാനും ഒന്നിലധികം ടാബുകളിലായി സൂത്രവാക്യങ്ങളും യുക്തിയും നിർമ്മിക്കാനും, തുടർന്ന് ധനകാര്യ രംഗത്തിന് അനുയോജ്യമായ ഫോർമാറ്റിംഗ് നൽകി ഒരു സമ്പൂർണ്ണ സ്പ്രെഡ്ഷീറ്റോ ധനകാര്യ മോഡലോ തയ്യാറാക്കാനും സാധിക്കും.

ധനകാര്യ സേവനങ്ങളിലെ AI മൂല്യനിർണയത്തിനായി കമ്പനി തയ്യാറാക്കിയ Model ML Composite മാനദണ്ഡത്തിൽ ഒരു Excel പ്രവർത്തനരീതിയിൽ Opus 5-നെക്കാൾ 36% കുറവ് ടോക്കണുകൾ മാത്രമേ ഓരോ വർക്ക്ബുക്കിനും GPT‑5.6 Sol-ന് ആവശ്യമായി വന്നുള്ളൂ.

ആ അവസാന ഘട്ടങ്ങൾ വരെ ഈ ഏജൻ്റ് തന്നെ ജോലികൾ പൂർത്തിയാക്കുന്നതിനാൽ, ഓരോ പ്രോജക്റ്റിനുമുള്ള സമയ ലാഭത്തോടൊപ്പം വൻ തോതിലുള്ള ഉറവിട വിവരങ്ങൾ കൈകാര്യം ചെയ്യാൻ ടീമുകളെ ഇത് സഹായിക്കുകയും ചെയ്യുന്നു. ഒരു പ്രമുഖ ആഗോള ആസ്തി മാനേജർ മുമ്പ് ഒരു വിശകലനവിദഗ്ധൻ തയ്യാറാക്കാൻ ഒരു മണിക്കൂറോളം വേണ്ടിയിരുന്ന ഒരു പ്രത്യേക ടിയർ ഷീറ്റ്, ഇപ്പോൾ ഏകദേശം അഞ്ച് മിനിറ്റ് കൊണ്ട് തയ്യാറാക്കുന്നുണ്ട്. മറ്റൊരു പ്രവർത്തന രീതിയിൽ 100,000-ത്തിലധികം വരികളും നൂറുകണക്കിന് ഫയലുകളുമുള്ള വെർച്വൽ ഡാറ്റാ മുറികൾ ഒറ്റത്തവണയായി പ്രോസസ്സ് ചെയ്യാൻ Model ML ഏജൻ്റുകൾക്ക് സാധിച്ചു.

പലവിധ ധനകാര്യ പ്രവർത്തനരീതികളിൽ മറ്റ് മുൻനിര മോഡലുകൾക്കൊപ്പം GPT‑5.6 Sol-നെയും Model ML വിലയിരുത്തി. ഇതിൻ്റെ Composite മൂല്യനിർണയങ്ങൾ ആദ്യത്തെ ധനകാര്യ സംഗ്രഹം മുതൽ ഗവേഷണം, കണക്കുകൂട്ടലുകൾ എന്നിവയിലൂടെ എഡിറ്റ് ചെയ്യാൻ കഴിയുന്ന ഒരു അവതരണമോ സ്പ്രെഡ്ഷീറ്റോ തയ്യാറാക്കുന്നത് വരെയുള്ള കാര്യങ്ങൾ നിരീക്ഷിക്കുന്നു; തുടർന്ന് അതിലെ സംഖ്യകൾ, ഉറവിടങ്ങൾ, സൂത്രവാക്യങ്ങൾ, ഘടന എന്നിവയോടൊപ്പം അവതരണങ്ങളുടെ ദൃശ്യ മികവും പരിശോധിക്കുന്നു.

PowerPoint-നായി, Model ML-ൻ്റെ Composite മൂല്യനിർണ്ണയം യഥാർത്ഥ പ്രവർത്തനരീതികളെ ഉൾപ്പെടുത്തുകയും കൃത്യമായ സ്കോറിംഗ് മാനദണ്ഡങ്ങളോടെ നിർമ്മിച്ച നൂറുകണക്കിന് അവതരണങ്ങളിലൂടെ ഇത് പരിശോധിക്കുകയും ചെയ്യുന്നു.

Opus 5-ൻ്റെ 76%-വുമായി താരതമ്യം ചെയ്യുമ്പോൾ, പരീക്ഷണാർത്ഥം നടത്തിയ 100% കേസുകളിലും GPT‑5.6 Sol, PowerPoint പ്രവർത്തനരീതി വിജയകരമായി പൂർത്തിയാക്കി. കൂടാതെ, ഫലം വിശദമായ പരിശോധനയ്ക്ക് സജ്ജമാണോ എന്ന് അളക്കുന്ന Model ML-ൻ്റെ പ്രൊഫഷണൽ സന്നദ്ധതാ പരിധി കടക്കാൻ 43.3% കേസുകളിൽ ഇതിന് സാധിച്ചു; Opus 5-ന് ഇത് 26.7% മാത്രമായിരുന്നു. അവതരണത്തിൻ്റെ ഗുണനിലവാരം, സംഗ്രഹങ്ങൾ കൃത്യമായി പാലിക്കൽ, ഘടന, സുസ്ഥിരത എന്നിവയിലും ഇത് Opus 5-നേക്കാൾ ഏറെ മുന്നിലെത്തി.

മുകളിൽ കാണിച്ചിരിക്കുന്ന Composite ഫലങ്ങൾ വിലയിരുത്തി, Opus 4.8 മുമ്പ് കൈകാര്യം ചെയ്തിരുന്ന ചില പ്രവർത്തനരീതികൾ ഉൾപ്പെടെയുള്ള തങ്ങളുടെ പ്രൊഡക്ഷൻ പ്രവർത്തനങ്ങളിലേക്ക് GPT‑5.6 Sol-നെ കൂടി വ്യാപിപ്പിക്കാനുള്ള വ്യക്തമായ തെളിവ് Model ML-ന് ലഭിച്ചു. PowerPoint പ്രവർത്തനരീതികളിൽ, Opus 5, Fable 5 എന്നിവയേക്കാൾ ഉയർന്ന നിരക്കിൽ പരിശോധനയ്ക്ക് സജ്ജമായ അവതരണങ്ങൾ പൂർത്തിയാക്കാൻ GPT‑5.6 Sol-ന് സാധിച്ചു; ഒപ്പം മികച്ച ഗുണനിലവാരം നിലനിർത്തിക്കൊണ്ട് തന്നെ Fable 5-നെക്കാൾ 21% കുറവ് ടോക്കണുകൾ മാത്രമേ ഇതിന് ആവശ്യമായി വന്നുള്ളൂ.

“യഥാർഥ ജോലിക്ക് സജ്ജമാണ് എന്നതിനർത്ഥം ഉപയോക്താവിന് നേരിട്ട് അതിൻ്റെ പരിശോധനയിലേക്ക് കടക്കാം എന്നാണ്," Englander പറയുന്നു. "അതിലെ സംഖ്യകളുടെ ഉറവിടം കണ്ടെത്താനാകും, വർക്ക്ബുക്കിലെ കണക്കുകൂട്ടലുകൾ വീണ്ടും പ്രവർത്തിക്കും, സ്ലൈഡ് എഡിറ്റ് ചെയ്യാനും സാധിക്കും."

GPT‑5.6 Sol യഥാർത്ഥ ജോലികൾ ചെയ്യാൻ സജ്ജമാണോ എന്ന് പരിശോധിക്കാനുള്ള കഠിനമായ ഒരു പരീക്ഷണമായിരുന്നു PowerPoint, Model ML-ന് നൽകിയത്. ഒരു അവതരണം കാണാൻ എത്രതന്നെ ആകർഷകമാണെങ്കിലും അതിലെ സംഖ്യകൾ തെറ്റാവുകയോ ഉറവിടം കണ്ടെത്താൻ കഴിയാതാവുകയോ ചെയ്താൽ അത് പരിശോധനയിൽ പരാജയപ്പെടും; അതുപോലെ ചാർട്ടുകൾ എഡിറ്റ് ചെയ്യാൻ പറ്റാത്ത രീതിയിലാവുകയോ മറ്റുള്ളവരുമായി പങ്കിടുന്നതിന് മുമ്പ് സ്ലൈഡുകൾ വീണ്ടും നിർമ്മിക്കേണ്ടി വരികയോ ചെയ്താലും അത് പരാജയമായി മാറും.

ഡോക്യുമെൻ്റ് നിർമ്മാണ-എഡിറ്റിംഗ് ടൂളുകളുമായി ബന്ധിപ്പിച്ച് തങ്ങളുടെ ഏജൻ്റ് ഹാർനെസിനുള്ളിൽ വെച്ചാണ് Model ML ഈ മോഡൽ പ്രവർത്തിപ്പിച്ചത്; ഇത് എഡിറ്റ് ചെയ്യാൻ കഴിയുന്ന ഗ്രാഫുകളും ടേബിളുകളും ഉള്ള സ്ലൈഡുകൾ നിർമ്മിക്കാൻ ഏജൻ്റിനെ സഹായിക്കുന്നു. ജോലി ചെയ്യുന്ന സമയത്തുടനീളം യഥാർത്ഥ സംഗ്രഹം മനസ്സിൽ സൂക്ഷിക്കുന്ന ഏജൻ്റ്, ഫയൽ തിരികെ നൽകുന്നതിന് മുമ്പ് ഓരോ സ്ലൈഡും ദൃശ്യ രൂപത്തിൽ പരിശോധിച്ച് ഉറപ്പുവരുത്തുകയും ചെയ്യുന്നു.

കൂടുതൽ വ്യക്തതയുള്ള ഘടനയും ഒരേ രീതിയിലുള്ള സ്ലൈഡ് രൂപകൽപ്പനയും ഉൾപ്പെടെ, GPT‑5.5‑ൽ നിന്നും GPT‑5.6 Sol-ലേക്ക് എത്തിയപ്പോൾ Model ML-ൻ്റെ PowerPoint ഫലത്തിൽ ഉണ്ടായ പുരോഗതി ഇനിപറയുന്ന ഉദാഹരണം കാണിക്കുന്നു.

ഡാറ്റാ ഇൻ്റഗ്രേഷനുകൾ, ഡോക്യുമെൻ്റ് എഡിറ്റിംഗ് ടൂളുകൾ, കോഡ് എക്സിക്യൂഷൻ എൻവയോൺമെൻ്റുകൾ എന്നിവ ലഭ്യമാക്കുന്ന ടൂൾ കിറ്റുകൾ ഇന്ന് Model ML-ൻ്റെ ഹാർനെസ് ഏജൻ്റിന് നൽകുന്നുണ്ട്. ഇത് ഏജൻ്റിൻ്റെ ശ്രദ്ധ കൃത്യമായി നിലനിർത്താനും ഉപയോക്താവിൻ്റെ ഡോക്യുമെൻ്റുകൾ കൈകാര്യം ചെയ്യാൻ ആവശ്യമായ ടൂളുകൾ കൃത്യമായി നൽകാനും സഹായിക്കുന്നു.

OpenAI-യുമായി നേരിട്ട് നടത്തിയ സെഷനുകളിലൂടെയാണ് Model ML ഈ സംവിധാനം വികസിപ്പിച്ചെടുത്തത്. അവതരണങ്ങൾ ഏജൻ്റ് എങ്ങനെ ആസൂത്രണം ചെയ്തുവെന്നും ടൂളുകൾ എങ്ങനെ തിരഞ്ഞെടുത്തുവെന്നും സന്ദർഭങ്ങൾ എങ്ങനെ നിലനിർത്തിയെന്നും ഇരു ടീമുകളും സൂക്ഷ്മമായി വിലയിരുത്തി; തുടർന്ന് ഈ കണ്ടെത്തലുകൾ ഉപയോഗിച്ച് ഏജൻ്റിൻ്റെ നിർദ്ദേശങ്ങൾ പരിഷ്കരിക്കുകയും ഓരോ ടൂൾകിറ്റും എപ്പോൾ ലഭ്യമാക്കണമെന്നും തീരുമാണിക്കുകയും ചെയ്തു.

Model ML-ൻ്റെ ഉപയോക്താക്കൾ ഇപ്പോൾ മോഡലുകളുമായും അതിൻ്റെ ഉറവിട വിവരങ്ങളുമായും എപ്പോഴും ബന്ധിപ്പിച്ച് നിർത്താൻ കഴിയുന്ന ബ്രൗസർ അധിഷ്ഠിത ഫലങ്ങളിലേക്ക് മാറിക്കൊണ്ടിരിക്കുകയാണ്.

തുടർച്ചയായി അപ്ഡേറ്റ് ചെയ്യാൻ കഴിയുന്നതോ അല്ലെങ്കിൽ ഒരു പ്രത്യേക സമയത്തെ വിവരങ്ങളിലേക്ക് മാത്രമായി പരിമിതപ്പെടുത്താൻ കഴിയുന്നതോ ആയ സുരക്ഷിതവും സംവേദനാത്മകവുമായ ഫലങ്ങൾ നിർമ്മിക്കാൻ Model ML-ൻ്റെ പ്ലാറ്റ്‌ഫോമിന് സാധിക്കും. ഒരു നിരൂപകന് ഇതിലെ നിക്ഷേപ സംഗ്രഹം തുറക്കാനും അതിലെ ഓരോ സംഖ്യയ്ക്ക് പിന്നിലുമുള്ള ധനകാര്യ മോഡലുകൾ ക്ലിക്ക് ചെയ്ത് പരിശോധിക്കാനും ഒരേ പേജിൽ തന്നെ ഏജൻ്റുമായി ചേർന്ന് പ്രവർത്തിക്കാനും സാധിക്കും.

“അറിവ് ആവശ്യമായ ജോലികൾ മനുഷ്യർ നേരിട്ട് ചെയ്തിരുന്ന ഒരു കാലഘട്ടത്തിനെയാണ് PowerPoint, Excel, Word എന്നിവ രൂപകൽപ്പന ചെയ്തിരുന്നത്," Englander പറയുന്നു. ”AI ആ ധാരണയെ പൂർണ്ണമായും തിരുത്തിക്കുറിച്ചു. ഇനി സോഫ്റ്റ്‌വെയറുകൾ തന്നെ മാറാൻ പോകുകയാണ്.”