V7 ഏജന്റുകൾക്ക് സ്ഥാപന ഓർമ നൽകുന്നതെങ്ങനെ

ഇന്നത്തെ മോഡലുകൾക്ക് സങ്കീർണമായ ജോലികളിൽ റീസണിംഗ് നടത്താൻ കഴിയും. എന്നാൽ ആ ജോലികളുടെ അടിസ്ഥാന ബിസിനസ് സന്ദർഭം അവ സ്വയം മനസ്സിലാക്കുന്നില്ല. ഏത് ഫണ്ട് റിപ്പോർട്ടാണ് നിലവിലുള്ളത്? മൂന്ന് സംവിധാനങ്ങളിൽ ഒരേ സ്ഥാപനഘടകത്തിന് നൽകിയിരിക്കുന്ന പേരുകൾ ഏതൊക്കെയാണ്?

ആ സന്ദർഭം രേഖകളിലും ഡാറ്റാമുറികളിലും സ്പ്രെഡ്ഷീറ്റുകളിലും ഇമെയിലുകളിലും ആന്തരിക ഉപകരണങ്ങളിലുമായി ചിതറിക്കിടക്കുന്നു. അത് പരിഹരിക്കപ്പെടാതെയും ഏജന്റുകൾക്ക് കാണാനാകാതെയും തുടരുന്നു. ധനകാര്യം, ഇൻഷുറൻസ്, ഭൂസ്വത്ത് മേഖലകളിലെ സംഘങ്ങൾക്ക് പ്രവർത്തനക്രമങ്ങളിലെ വിവരവീണ്ടെടുപ്പിന്റെ കൃത്യതയിൽ വിട്ടുവീഴ്ച ചെയ്യാനാകില്ല.

വ്യാപകമായി ഉപയോഗിക്കപ്പെട്ട ഒരു കമ്പ്യൂട്ടർ ദർശന പ്രവേശനക്ഷമതാ പ്രയോഗം ഒരുമിച്ച് നിർമിച്ചശേഷം, കമ്പനികളുടെ പ്രവർത്തനം AI സംവിധാനങ്ങളെ പഠിപ്പിക്കാൻ സഹായിക്കുന്നതിനായി റിസോളിയും എഡ്വേർഡ്സണും 2018-ൽ V7⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ആരംഭിച്ചു. നിർണായക പ്രവർത്തനക്രമങ്ങൾ നിർമിക്കാനും മറഞ്ഞുകിടക്കുന്ന സന്ദർഭം ഏജന്റുകൾക്ക് അന്വേഷിച്ച് നടപടിയെടുക്കാവുന്ന ഓർമയായി ക്രമീകരിക്കാനുമുള്ള ഏജന്റധിഷ്ഠിത വേദിയാണ് V7 Go.

ദശലക്ഷക്കണക്കിന് ഫയലുകളിൽനിന്ന് വിവരങ്ങൾ വേർതിരിച്ച് കോൺടെക്സ്റ്റ് ഗ്രാഫിൽ ക്രമീകരിക്കാൻ V7 Go GPT‑5.6 Luna ഉപയോഗിക്കുന്നു. സ്ഥാപനഘടകങ്ങൾ, ബന്ധങ്ങൾ, ഉദ്ധരിച്ച തെളിവുകൾ എന്നിവ ബന്ധിപ്പിക്കുന്ന ഈ ഗ്രാഫ് MCP തിരച്ചിലിനും നൂറുകണക്കിന് ഘട്ടങ്ങളുള്ള ആവർത്തിക്കാവുന്ന പ്രവർത്തനക്രമങ്ങൾക്കും കരുത്തേകുന്നു. മനുഷ്യർക്ക് പൂർത്തിയാക്കാൻ ഡസൻകണക്കിന് മണിക്കൂർ വേണ്ടിവരുന്ന സങ്കീർണമായ പല ഘട്ടങ്ങളുള്ള നിർദേശങ്ങളിൽ റീസണിംഗിനും ഉപകരണ ഉപയോഗത്തിനുമായി V7 Go പ്രവർത്തനക്രമങ്ങളിൽ GPT‑5.6 Terra, Sol എന്നിവ ഉപയോഗിക്കുന്നു. ആയിരക്കണക്കിന് രേഖകളിലെ ധനകാര്യ വിശകലനം ഉൾപ്പെടെ ഏറ്റവും ആവശ്യകതയേറിയ കോൺടെക്സ്റ്റ് ഗ്രാഫ് അന്വേഷണങ്ങളിൽ GPT‑6 Astra ഉപയോഗിക്കാനും V7 ആരംഭിക്കുന്നു.

സന്ദർഭവും മോഡലുകളും ഉപകരണങ്ങളും ഒരുമിച്ച് പ്രവർത്തിക്കുമ്പോൾ, ഓരോ തീരുമാനത്തിന്റെയും പരിശോധിക്കാവുന്ന രേഖ നിലനിർത്തിക്കൊണ്ട് ഏജന്റുകൾ 50–100 ഘട്ടങ്ങളുള്ള പ്രവർത്തനക്രമങ്ങൾ മിനിറ്റുകൾക്കുള്ളിൽ 99.9% കൃത്യതയോടെ പൂർത്തിയാക്കുന്നതായി V7 പറയുന്നു.

കോൺടെക്സ്റ്റ് ഗ്രാഫ് ഒരു പ്രത്യേക പ്രശ്നം പരിഹരിക്കുന്നു. ഓരോ അഭ്യർഥനയിലും ഏജന്റുകൾ സന്ദർഭം വീണ്ടും കണ്ടെത്തേണ്ടിവരുന്നു. ഇത് സമയവും ടോക്കണുകളും ചെലവാക്കുന്ന ഡസൻകണക്കിന് തിരച്ചിലുകൾക്ക് വഴിവയ്ക്കുകയും ബന്ധങ്ങൾക്കിടയിൽ മറഞ്ഞിരിക്കുന്ന പ്രധാന വിവരങ്ങൾ പലപ്പോഴും വിട്ടുപോകാൻ ഇടയാക്കുകയും ചെയ്യുന്നു.

ഡാറ്റ ലഭിക്കുമ്പോൾ, V7 Go ഷെയർപോയിന്റ്, ഗൂഗിൾ ഡ്രൈവ് തുടങ്ങിയ സംഭരണികളുമായി ബന്ധിപ്പിച്ച് സ്ഥാപനഘടകങ്ങൾ, ബന്ധങ്ങൾ, വസ്തുതകൾ, സവിശേഷതകൾ, അളവുകൾ എന്നിവ കണ്ടെത്തുന്നു. തുടർന്ന്, ദീർഘസന്ദർഭ രീതികളേക്കാൾ പലമടങ്ങ് കുറഞ്ഞ ചെലവിലും കൂടുതൽ വേഗത്തിലും പരിശോധിക്കാവുന്ന ഒരു ഗ്രാഫ് സൃഷ്ടിക്കുന്നു.

ഏജന്റുകൾക്ക് നേരിട്ട് അന്വേഷിക്കാവുന്ന, ഘടനാപരവും കാലികവുമായ രേഖയാണ് കോൺടെക്സ്റ്റ് ഗ്രാഫ് നൽകുന്നത്. പുതിയൊരു ഫയൽ ലഭിക്കുമ്പോൾ, കമ്പനികൾ, ഫണ്ടുകൾ, ആളുകൾ, അല്ലെങ്കിൽ ആശയവർഗീകരണത്തിലെ ഏതൊരു ഘടകവും V7 Go തിരിച്ചറിയുന്നു. തുടർന്ന് ഓരോ വസ്തുതയെയും പുതിയതോ നിലവിലുള്ളതോ ആയ രേഖയുമായി ബന്ധിപ്പിക്കുകയും മൂല ഉറവിടത്തിലേക്കുള്ള ഉദ്ധരിച്ച തെളിവ് നിലനിർത്തുകയും ചെയ്യുന്നു. ഗ്രാഫിൽ മതിയായ വിവരമില്ലെങ്കിൽ, അടിസ്ഥാന രേഖകളിൽ RAG ഉപയോഗിച്ച് തിരയാനും V7 Go-യ്ക്ക് കഴിയും.

ആ സന്ദർഭത്തിന്റെ ഘടന എത്രത്തോളം പ്രാധാന്യമുള്ളതാണെന്നും V7 പരീക്ഷിച്ചിട്ടുണ്ട്. സംരംഭ സംവിധാനങ്ങളിൽ ചിതറിക്കിടക്കുന്ന വിവരങ്ങൾ കണ്ടെത്തി ബന്ധിപ്പിക്കുന്നതിനുള്ള HERB മാനദണ്ഡത്തിൽ, വിവരവീണ്ടെടുപ്പ് മാത്രം ഉപയോഗിക്കുന്ന V7 സംവിധാനം ഔദ്യോഗിക അടിസ്ഥാനനിലയെക്കാൾ 69% മികച്ച പ്രകടനം കാഴ്ചവച്ചു. ഉത്തരം നൽകാനാകാത്ത ചോദ്യങ്ങളിലെ വ്യാജവിവരങ്ങൾ 38% കുറയ്ക്കുകയും ചെയ്തു. സങ്കീർണമായ പ്രവർത്തനക്രമങ്ങൾ ഓരോ കമ്പനിയുടെയും സ്വന്തം വിവരങ്ങളിൽ അധിഷ്ഠിതമായി നിലനിർത്താൻ ഉറവിടങ്ങളുമായി ബന്ധിപ്പിച്ച ആ സന്ദർഭം V7 Go ഉപയോഗിക്കുന്നു.

സ്വകാര്യ ഓഹരി ഇടപാടുകളുടെ പരിശോധന, ഇൻഷുറൻസ് അപകടസാധ്യതാ വിലയിരുത്തൽ തുടങ്ങിയ പ്രവർത്തനക്രമങ്ങളിൽ ക്രമീകരിച്ച ആ സന്ദർഭം V7 Go ഉപയോഗിക്കുന്നു. താഴെയുള്ള പ്രദർശനത്തിൽ, ഒരു പ്രവർത്തനക്രമം രഹസ്യ വിവര മെമ്മോറാണ്ടം (CIM) എന്ന ഇടപാട് രേഖയിൽനിന്ന് വിവരങ്ങൾ വേർതിരിച്ചെടുക്കുന്നു. പ്രധാന സാമ്പത്തിക കണക്കുകൾ, ഇടപാട് വ്യവസ്ഥകൾ, മാനേജ്മെന്റ് വിവരങ്ങൾ എന്നിവ നൽകുകയും അപകടസാധ്യതാ ഘടകങ്ങൾക്ക് ഉറവിടം ഉദ്ധരിക്കുകയും ചെയ്തശേഷം V7 Go ഒരു പരിശോധനാക്കുറിപ്പ് തയ്യാറാക്കുന്നു.

ഒരു സ്ഥാപനത്തിന്റെ ചരിത്രം ഓരോ തവണയും വീണ്ടും പഠിക്കാതെതന്നെ മോഡലിന് ഉപയോഗിക്കാൻ കോൺടെക്സ്റ്റ് ഗ്രാഫ് സഹായിക്കുന്നു. ദീർഘകാലം പ്രവർത്തിക്കുന്ന ഏജന്റുകൾക്കായി, സമീപകാല ആശയവിനിമയങ്ങൾ മോഡലിന്റെ സജീവ സന്ദർഭത്തിൽ V7 Go നിലനിർത്തുന്നു. പഴയ വിവരങ്ങൾ ആവശ്യമുള്ളപ്പോൾ വീണ്ടെടുക്കാനായി ഗ്രാഫിൽ സംഭരിക്കുന്നു.

ഈ പങ്കിട്ട സന്ദർഭം ഇതിനകംതന്നെ V7 ഉപഭോക്താക്കളുടെ രേഖാധിഷ്ഠിത ജോലികൾ വേഗത്തിലാക്കുന്നു:

• ആസ്തി മാനേജർമാർക്ക് ഇടപാടുകൾ മുമ്പത്തേക്കാൾ 21 മടങ്ങ് വേഗത്തിൽ പരിശോധിക്കാം. ഒരു ദിവസം മുഴുവൻ വേണ്ടിയിരുന്ന പ്രക്രിയ വെറും 15 മിനിറ്റായി ചുരുങ്ങി

• ഒരു ധനകാര്യ സേവനസംഘം അവലോകന സമയം 100-ലധികം മണിക്കൂറിൽനിന്ന് 10 മണിക്കൂറിൽ താഴെയാക്കി. ഓരോ ജോലിയിലും വിദഗ്ധരുടെ ചെലവിൽ $12,000 ലാഭിച്ചു

• മുൻകാല നഷ്ടപരിഹാര അപേക്ഷകളുടെയും നിലവിലുള്ള പോളിസികളുടെയും ചരിത്രപരമായ അറിവ് ഏജന്റുകൾക്ക് നൽകിയതോടെ, നേരിട്ടുള്ള മനുഷ്യപ്രവർത്തനത്തെ അടിസ്ഥാനമാക്കിയ നിലവാരവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഇൻഷുറൻസ് സംഘങ്ങൾ അപേക്ഷകൾ കൈകാര്യം ചെയ്യുന്നതിലെ പിഴവുകൾ 13.5% കുറച്ചു

സങ്കീർണവും പല ഘട്ടങ്ങളുള്ളതുമായ പ്രവർത്തനക്രമങ്ങൾക്ക്, മോഡൽ ദീർഘമായ നിർദേശങ്ങൾ വിശ്വസനീയമായി പാലിക്കുകയും ഉപകരണങ്ങൾ പ്രവർത്തിപ്പിക്കുകയും ഫലങ്ങൾ വ്യാഖ്യാനിക്കുകയും നീണ്ട ഘട്ടപരമ്പര പൂർത്തിയാക്കുകയും വേണം. തുടക്കത്തിലുണ്ടാകുന്ന ഒരൊറ്റ പിഴവുപോലും വലിയ ചെലവിനും AI സംവിധാനങ്ങളിലുള്ള വിശ്വാസത്തകർച്ചയ്ക്കും കാരണമാകാം. നിർണിത കോഡ്, ചെറിയ മോഡലുകളിലേക്കുള്ള കൈമാറ്റം, ഫയൽ സൃഷ്ടിക്കൽ, സംയോജനങ്ങൾ എന്നിവ ഉൾപ്പെടുന്ന ദീർഘകാല ജോലികളിലൂടെ മോഡലുകളെ V7 Go നയിക്കുകയും ഓരോ പ്രവർത്തനത്തിന്റെയും പരിശോധിക്കാവുന്ന രേഖ സൂക്ഷിക്കുകയും ചെയ്യുന്നു.

AI സൃഷ്ടിക്കുന്ന പ്രവർത്തനക്രമങ്ങളിൽ ഓരോ ഘട്ടത്തെയും വേഗമേറിയത്, മാധ്യമം, ബുദ്ധിപരം എന്നീ തലങ്ങളുമായി V7 Go ബന്ധിപ്പിക്കുന്നു. ഘടനാപരമായ വിവരശേഖരണവും വലിയ തോതിലുള്ള മറ്റ് ജോലികളും GPT‑5.6 Luna കൈകാര്യം ചെയ്യുന്നു. ചാറ്റ്, Go ഏജന്റ് പാത, കൂടുതൽ റീസണിംഗോ ഉപകരണ ഉപയോഗമോ ആവശ്യമായ ഘട്ടങ്ങൾ എന്നിവയ്ക്ക് GPT‑5.6 Terra അല്ലെങ്കിൽ Sol കരുത്തേകുന്നു.

ഉദ്ധരണികളുടെ കൃത്യത, നൂറുകണക്കിന് രേഖാതരങ്ങളിലെ വിവരശേഖരണ നിലവാരം, ഉത്തരങ്ങളുടെ കൃത്യത, നിർദേശപാലനം, പ്രതികരണവേഗം, ചെലവ്, യഥാർഥ സംരംഭ പ്രവർത്തനക്രമങ്ങൾ എന്നിവ ഉൾക്കൊള്ളുന്ന, തുടർച്ചയായി പരിപാലിക്കുന്ന മാനദണ്ഡസമാഹാരത്തിൽ V7 പുതിയ മോഡലുകൾ പരീക്ഷിക്കുന്നു. V7 ഏറ്റവും പ്രാധാന്യം നൽകുന്ന പ്രവർത്തനരീതികളിൽ OpenAI മിക്ക മോഡലുകളെയും മറികടക്കുന്നു. V7 ഉപയോഗിക്കുന്ന മറ്റ് ദാതാക്കൾക്ക് ആഴ്ചകൾ വേണ്ടിവന്നപ്പോൾ, ശേഷി വർധിപ്പിക്കാനുള്ള V7-ന്റെ ആവശ്യം OpenAI മണിക്കൂറുകൾക്കുള്ളിൽ അംഗീകരിച്ച് നടപ്പാക്കി.

V7-ന്റെ ഏറ്റവും പുതിയ ഹാർനെസിൽ, നിരവധി ബാഹ്യ അഭ്യർഥനകളുള്ള പ്രധാന പ്രവർത്തനക്രമങ്ങൾ ഇപ്പോൾ 50% വരെ വേഗത്തിൽ പൂർത്തിയാകുന്നു. GPT‑5.6 Luna ഉപയോഗിച്ച് മറ്റൊരു കാര്യക്ഷമതാ നേട്ടവും V7 കണ്ടെത്തി: GPT‑5.4 mini-യെ അപേക്ഷിച്ച് ഓരോ രേഖയ്ക്കുമുള്ള ചെലവ് 78% കുറഞ്ഞു. രേഖകൾ കൂടുതലായി കൈകാര്യം ചെയ്യുന്ന V7 Go ജോലിഭാരങ്ങൾ ചാറ്റ് കംപ്ലീഷൻസ് API-യിൽ നിന്ന് റെസ്പോൺസസ് API-യിലേക്കും V7 മാറ്റി. V7-ന്റെ പരീക്ഷണങ്ങളിൽ, ഈ മാറ്റം ചില PDF-കേന്ദ്രീകൃത പ്രവർത്തനക്രമങ്ങളിൽ ടോക്കൺ ഉപയോഗം ഏകദേശം 5% കുറയ്ക്കുകയും കാഷിങ്ങിന്റെ വിശ്വസനീയത മെച്ചപ്പെടുത്തുകയും ചെയ്തു.

ഏറ്റവും പ്രയാസമുള്ള ചോദ്യങ്ങളിൽ GPT‑6 Astra-യെയും V7 പരീക്ഷിച്ചു. V7-ന്റെ നിലവിലുള്ള പല മാനദണ്ഡങ്ങളിലും GPT‑5.6 Sol പരമാവധി പ്രകടനം കൈവരിച്ചിരുന്നു. അതിനാൽ, ആയിരക്കണക്കിന് രേഖകളിലെ ക്രമരഹിതമായ യഥാർഥ ഡാറ്റ ഉപയോഗിച്ച് കൂടുതൽ വെല്ലുവിളിയേറിയ ഗ്രാഫ് അന്വേഷണ ചോദ്യസമാഹാരം കമ്പനി സൃഷ്ടിച്ചു. പരീക്ഷണത്തിന്റെ ഡാറ്റാസെറ്റിൽ നാല് പ്രയാസനിലകളുണ്ട്. അതികഠിന നിലയിൽ GPT‑5.6 Sol 78% നേടിയപ്പോൾ GPT‑6 Astra 89% കൃത്യത നേടിയതായി V7 റിപ്പോർട്ട് ചെയ്യുന്നു. എളുപ്പം, മാധ്യമം, കഠിനം എന്നീ നിലകളിൽ രണ്ട് മോഡലുകളും ഏകദേശം 100% നേടി.

കോൺടെക്സ്റ്റ് ഗ്രാഫിലെ അന്വേഷണവും വിവരചേർക്കലും V7 Go ഇതിനകംതന്നെ അതിന്റെ MCP സെർവറിലൂടെ ലഭ്യമാക്കുന്നു. അതിനാൽ ഉപഭോക്താക്കൾക്ക് ChatGPT‑യിൽനിന്നും അനുയോജ്യമായ മറ്റ് ക്ലയന്റുകളിൽനിന്നും അത് ഉപയോഗിക്കാം. Codex-ൽ MCP മുഖേന V7 Go പ്രവർത്തനക്രമങ്ങൾ സൃഷ്ടിക്കാനും അവർക്ക് കഴിയും. ലളിതമായ പ്രവർത്തനക്രമ രൂപകൽപ്പനയ്ക്കൊപ്പം, ഇത് ഇടത്തരം ദൈർഘ്യമുള്ള ഒരു പ്രവർത്തനക്രമം സൃഷ്ടിക്കാനുള്ള സമയം ഏകദേശം ഒരു മണിക്കൂറിൽനിന്ന് 20 മിനിറ്റായി കുറച്ചു.

പങ്കിട്ട ആ ഓർമയെ കൂടുതൽ മുൻകൈയെടുക്കുന്നതാക്കുകയാണ് V7-ന്റെ ദീർഘകാല ലക്ഷ്യം. കോൺടെക്സ്റ്റ് ഗ്രാഫിലെ വസ്തുതകൾ മാറുമ്പോൾ സ്വയം ആരംഭിക്കുകയും പൊരുത്തക്കേടുകൾ ചൂണ്ടിക്കാണിക്കുകയും വീണ്ടും പരിശോധിക്കേണ്ട വിശകലനങ്ങൾ ഏതൊക്കെയെന്ന് ആളുകളെ അറിയിക്കുകയും ചെയ്യുന്ന പ്രവർത്തനക്രമങ്ങളാണ് സംഘം വികസിപ്പിക്കുന്നത്. ഉദാഹരണത്തിന്, പുതുക്കിയ ഫണ്ട് റിപ്പോർട്ട് ലഭിച്ചാൽ പഴയ കണക്കുകളെ ഇപ്പോഴും ആശ്രയിക്കുന്ന ജോലികൾ ചൂണ്ടിക്കാണിക്കാൻ അത് V7 Go-യെ പ്രേരിപ്പിക്കും.

“നിർണായക ജോലികൾ പരിഹരിക്കുന്ന പ്രവർത്തനക്രമങ്ങളും മനുഷ്യരെ മറികടക്കുന്ന ഓർമയും ഉപയോഗിച്ച് AI യുഗത്തിന് അനുയോജ്യമായി സംരംഭങ്ങളെ പുനഃസജ്ജമാക്കുകയാണ് ഞങ്ങളുടെ ലക്ഷ്യം,” എന്ന് റിസോളി പറയുന്നു. “AI-യിൽനിന്ന് യഥാർഥ മൂല്യം നേടുന്ന ധനകാര്യ സ്ഥാപനങ്ങൾ ഏറ്റവും കൂടുതൽ ഏജന്റുകളുള്ളവയായിരിക്കില്ല. ഏറ്റവും മികച്ച സന്ദർഭമുള്ളവയായിരിക്കും അവ.”