AI ഏജന്റുകൾക്ക് V7 ഇൻസ്റ്റിറ്റ്യൂഷണൽ മെമ്മറി നൽകുന്ന വിധം

ഇന്നത്തെ മോഡലുകൾക്ക് സങ്കീർണമായ ടാസ്കുകൾ റീസണിംഗ് ചെയ്യാൻ സാധിക്കുമെങ്കിലും, ആ ടാസ്കുകളുടെ അടിസ്ഥാനപരമായ ബിസിനസ്സ് പശ്ചാത്തലം അവയ്ക്ക് സ്വയമേവ മനസ്സിലാക്കാൻ കഴിയില്ല. ഏത് ഫണ്ട് റിപ്പോർട്ടാണ് നിലവിലുള്ളത്? ഒരേ എന്റിറ്റിക്ക് തന്നെ മൂന്ന് വ്യത്യസ്ത സിസ്റ്റങ്ങളിൽ എങ്ങനെയാണ് പേര് നൽകിയിരിക്കുന്നത്?

അ കോൺടെക്സ്റ്റ് കിടക്കുന്നത് ഡോക്യുമെന്റുകൾ, ഡാറ്റാ റൂമുകൾ, സ്പ്രെഡ്ഷീറ്റുകൾ, ഇമെയിലുകൾ, ഇന്റേണൽ ടൂളുകൾ എന്നിവയിലാണ്: പലയിടത്തായി ചിതറിക്കിടക്കുന്നതും പരിഹരിക്കപ്പെടാത്തതും ഏജന്റുകൾക്ക് അദൃശ്യവുമായ രീതിയിൽ. ധനകാര്യം, ഇൻഷുറൻസ്, റിയൽ എസ്റ്റേറ്റ് മേഖലകളിലെ ടീമുകളെ സംബന്ധിച്ചിടത്തോളം അവരുടെ പ്രവർത്തനരീതികൾക്കുള്ളിലെ റിട്രൈവൽ കൃത്യത ഒരുതരത്തിലും വിട്ടുവീഴ്ച ചെയ്യാൻ കഴിയാത്തതാണ്.

വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു കമ്പ്യൂട്ടർ വിഷൻ ആക്സസിബിലിറ്റി ആപ്പ് ഒന്നിച്ച് നിർമ്മിച്ചതിന് ശേഷം, ബിസിനസ്സുകൾ എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നതെന്ന് AI സിസ്റ്റങ്ങളെ പഠിപ്പിക്കാൻ കമ്പനികളെ സഹായിക്കുക എന്ന ലക്ഷ്യത്തോടെ 2018-ലാണ് Rizzoli-യും Edwardsson-ഉം ചേർന്ന് V7⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) ആരംഭിച്ചത്. ഏറ്റവും നിർണ്ണായകമായ പ്രവർത്തനരീതികൾ നിർമ്മിക്കുന്നതിനും മറഞ്ഞിരിക്കുന്ന കോൺടെക്സ്റ്റുകളെ ഏജന്റുകൾക്ക് നേരിട്ട് ക്വറി ചെയ്യാനും പ്രവർത്തിക്കാനും സാധിക്കുന്ന തരത്തിൽ മെമ്മറിയായി ക്രമീകരിക്കുന്നതിനുമുള്ള ഒരു ഏജന്റ്-അധിഷ്ഠിത പ്ലാറ്റ്‌ഫോമാണ് V7 Go.

ദശലക്ഷക്കണക്കിന് ഫയലുകളിൽ നിന്ന് വിവരങ്ങൾ വേർതിരിച്ച് കോൺടെക്സ്റ്റ് ഗ്രാഫിൽ ക്രമീകരിക്കാൻ V7 Go, GPT‑5.6 Luna ഉപയോഗിക്കുന്നു. ഈ ഗ്രാഫ് എന്റിറ്റികൾ, റിലേഷൻഷിപ്പുകൾ, സൈറ്റ് ചെയ്ത തെളിവുകൾ എന്നിവയെ പരസ്പരം ബന്ധിപ്പിക്കുകയും MCP തെരയലിനും നൂറുകണക്കിന് ആവർത്തിക്കാവുന്ന പ്രവർത്തനരീതികൾക്കും കരുത്ത് പകരുകയും ചെയ്യുന്നു. മനുഷ്യർക്ക് ചെയ്യാൻ മണിക്കൂറുകളോളം സമയമെടുക്കുന്ന സങ്കീർണ്ണവും നിരവധി ഘട്ടങ്ങളുള്ളതുമായ നിർദ്ദേശങ്ങളിലെ റീസണിംഗിനും ടൂളുകളുടെ ഉപയോഗത്തിനുമായി V7 Go GPT‑5.6 Terra, Sol എന്നീ മോഡലുകളാണ് ഉപയോഗിക്കുന്നത്. കൂടാതെ, ആയിരക്കണക്കിന് ഡോക്യുമെന്റുകൾ ഉൾപ്പെടുന്ന സാമ്പത്തിക വിശകലനം പോലെയുള്ള കോൺടെക്സ്റ്റ് ഗ്രാഫിലെ ഏറ്റവും കഠിനമായ ക്വറികൾക്കായി V7 ഇപ്പോൾ GPT‑6 Astra-യും ഉപയോഗിച്ചു തുടങ്ങിയിട്ടുണ്ട്.

കോൺടെക്സ്റ്റ്, മോഡലുകൾ, ടൂളുകൾ എന്നിവ ഒരുമിച്ച് പ്രവർത്തിക്കുന്നതിലൂടെ ഏജന്റുകൾക്ക് 50–100 ഘട്ടങ്ങളുള്ള പ്രവർത്തനരീതികൾ വെറും മിനിറ്റുകൾക്കുള്ളിൽ പൂർത്തിയാക്കാൻ സാധിക്കുന്നുണ്ടെന്ന് V7 വ്യക്തമാക്കുന്നു. ഇതോടൊപ്പം 99.9% കൃത്യത കൈവരിക്കാനും എടുക്കുന്ന ഓരോ തീരുമാനത്തിന്റെയും ഓഡിറ്റ് ചെയ്യാൻ സാധിക്കുന്ന വിവരങ്ങൾ സൂക്ഷിക്കാനും ഇതിലൂടെ സാധിക്കുന്നു.

കോൺടെക്സ്റ്റ് ഗ്രാഫ് ഒരു പ്രത്യേക പ്രശ്നത്തിനാണ് പരിഹാരം കാണുന്നത്. ഓരോ അഭ്യർഥനയിലും ഏജന്റുകൾക്ക് പശ്ചാത്തലം വീണ്ടും കണ്ടെത്തേണ്ടി വരുന്നു, ഇത് ധാരാളം സമയവും ടോക്കണുകളും നഷ്ടപ്പെടുത്തുന്ന ഡസൻ കണക്കിന് സെർച്ചുകളിലേക്ക് നയിക്കുന്നു; കൂടാതെ പലപ്പോഴും പരസ്പര ബന്ധങ്ങൾക്കിടയിൽ മറഞ്ഞിരിക്കുന്ന പ്രധാന വിവരങ്ങൾ കണ്ടെത്താൻ സാധിക്കാതെയും വരുന്നു.

ഡാറ്റ ലഭ്യമാകുമ്പോൾ, V7 Go SharePoint, Google Drive തുടങ്ങിയ റിപ്പോസിറ്ററികളുമായി കണക്റ്റ് ചെയ്യുകയും അവയിലെ എന്റിറ്റികൾ, റിലേഷൻഷിപ്പുകൾ, വസ്തുതകൾ, സവിശേഷതകൾ, അളവുകൾ എന്നിവയ്ക്കായി പരിശോധന നടത്തുകയും ചെയ്യുന്നു. തുടർന്ന്, ലോംഗ്-കോൺടെക്സ്റ്റ് രീതികളെ അപേക്ഷിച്ച് വളരെ കുറഞ്ഞ ചെലവിലും വേഗത്തിലും വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ സാധിക്കുന്ന രീതിയിൽ ഒരു ഗ്രാഫ് തയ്യാറാക്കുന്നു.

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. എന്റർപ്രൈസ് സിസ്റ്റങ്ങളിൽ ചിതറിക്കിടക്കുന്ന വിവരങ്ങൾ കണ്ടെത്താനും അവയെ പരസ്പരം ബന്ധിപ്പിക്കാനുമുള്ള ഒരു മാനദണ്ഡമായ HERB-ൽ V7-ന്റെ റിട്രീവൽ-ഒൺലി സിസ്റ്റം ഔദ്യോഗിക ബേസ് ലൈനേക്കാൾ 69% മികച്ച പ്രകടനം കാഴ്ചവെക്കുകയും മറുപടി നൽകാൻ സാധിക്കാത്ത ക്വറികളിലെ ഹാലുസിനേഷനുകൾ 38% കുറയ്ക്കുകയും ചെയ്തു. സങ്കീർണ്ണമായ പ്രവർത്തനരീതികൾ അതത് കമ്പനികളുടെ സ്വന്തം വിവരങ്ങളെ മാത്രം അടിസ്ഥാനമാക്കി കൃത്യമായി നിലനിർത്തുന്നതിനായി, V7 Go ഈ സോഴ്സ്-ലിങ്ക്ഡ് കോൺടെക്സ്റ്റ് ഉപയോഗിക്കുന്നു.

സ്വകാര്യ ഓഹരി ഇടപാടുകളുടെ പരിശോധന, ഇൻഷുറൻസ് അണ്ടർറൈറ്റിംഗ് പോലെയുള്ള പ്രവർത്തനരീതികളിൽ V7 Go ഈ ക്രമീകരിച്ച കോൺടെക്സ്റ്റ് ഉപയോഗിക്കുന്നു. താഴെയുള്ള ഡെമോയിൽ, ഒരു സ്ക്രീനിംഗ് നോട്ട് തയ്യാറാക്കുന്നതിന് മുമ്പായി, V7 Go Confidential Information Memorandum (CIM) എന്ന ഡീൽ ഡോക്യുമെന്റിൽ നിന്ന് വിവരങ്ങൾ ശേഖരിക്കുകയും പ്രധാന സാമ്പത്തിക വിവരങ്ങൾ, ഡീൽ നിബന്ധനകൾ, മാനേജ്മെന്റ് വിവരങ്ങൾ, റിസ്ക് ഫീൽഡുകൾ എന്നിവ രേഖപ്പെടുത്തുകയും ചെയ്യുന്നു.

ഓരോ തവണയും വീണ്ടും പഠിക്കേണ്ടി വരാത്ത രീതിയിൽ, ഒരു സ്ഥാപനത്തിന്റെ മുൻകാല വിവരങ്ങൾ അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കാൻ കോൺടെക്സ്റ്റ് ഗ്രാഫ് മോഡലിനെ സഹായിക്കുന്നു. ദീർഘനേരം പ്രവർത്തിക്കുന്ന ഏജന്റുകൾക്കായി, V7 Go അവരുടെ സമീപകാലത്തെ സംഭാഷണങ്ങൾ മോഡലിന്റെ ആക്റ്റീവ് കോൺടെക്സ്റ്റിൽ സൂക്ഷിക്കുകയും പഴയ വിവരങ്ങൾ ഗ്രാഫിൽ സംഭരിക്കുകയും ചെയ്യുന്നു; ഇത് ആവശ്യമുള്ളപ്പോൾ മാത്രം റിട്രീവ് ചെയ്ത് ഉപയോഗിക്കാൻ സാധിക്കും.

ഈ പങ്കിട്ട സന്ദർഭം ഇതിനകംതന്നെ V7 ഉപഭോക്താക്കളുടെ ഡോക്യുമെന്റ്-അധിഷ്ഠിത 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

• മുൻകാലങ്ങളിലെ എല്ലാ ക്ലെയിമുകളെയും നിലവിലുള്ള പോളിസികളെയും കുറിച്ചുള്ള വിവരങ്ങൾ തങ്ങളുടെ ഏജന്റുകൾക്ക് ലഭ്യമാക്കിയതിനെത്തുടർന്ന്, ഇൻഷുറൻസ് ടീമുകൾക്ക് അവരുടെ ക്ലെയിംസ് പ്രോസസ്സിംഗിലെ പിഴവുകൾ സാധാരണ രീതിയെ അപേക്ഷിച്ച് 13.5% വരെ കുറയ്ക്കാൻ സാധിച്ചു

സങ്കീർണവും പല ഘട്ടങ്ങളുള്ളതുമായ പ്രവർത്തനരീതികൾ, ദൈർഘ്യമുള്ള നിർദേശങ്ങൾ വിശ്വസനീയമായി പാലിക്കുന്നതിനും ടൂളുകൾ പ്രവർത്തിപ്പിക്കുന്നതിനും ഫലങ്ങൾ വിലയിരുത്തുന്നതിനും ഒരു നീണ്ട പ്രക്രിയയിലൂടെ കടന്നുപോകുന്നതിനും ഒരു മോഡലിനെയാണ് ആശ്രയിക്കുന്നത്. ഇതിന്റെ തുടക്കത്തിൽ ഉണ്ടാകുന്ന ഒരൊറ്റ പിഴവ് പോലും വലിയ സാമ്പത്തിക നഷ്ടങ്ങൾക്കും AI സിസ്റ്റങ്ങളിലുള്ള വിശ്വാസ്യത തകരുന്നതിനും കാരണമായേക്കാം. ഡിറ്റർമിനിസ്റ്റിക് കോഡുകൾ, ചെറിയ മോഡലുകളിലേക്കുള്ള കൈമാറ്റങ്ങൾ, ഫയൽ ജനറേഷൻ ഘട്ടങ്ങൾ, ഇന്റഗ്രേഷനുകൾ എന്നിവയുൾപ്പെടുന്ന ദീർഘകാല ടാസ്കുകളിൽ ഉടനീളം മോഡലുകളെ കൃത്യമായ നയിക്കാൻ V7 Go സഹായിക്കുന്നു; കൂടാതെ ഓരോ റണ്ണിന്റെയും ഓഡിറ്റ് ചെയ്യാൻ സാധിക്കുന്ന വിവരങ്ങളും ഇത് നൽകുന്നു.

AI സൃഷ്ടിക്കുന്ന പ്രവർത്തനരീതികളിൽ ഓരോ ഘട്ടത്തെയും വേഗമേറിയത്, ഇടത്തരം, സമർത്ഥമായ ടിയറുകൾ എന്നീ തലങ്ങളുമായി V7 Go ബന്ധിപ്പിക്കുന്നു. ഘടനാപരമായ വിവരശേഖരണവും ഉയർന്ന തോതിലുള്ള മറ്റ് ജോലികളും GPT‑5.6 Luna കൈകാര്യം ചെയ്യുമ്പോൾ, GPT‑5.6 Terra അല്ലെങ്കിൽ Sol മോഡലുകളാണ് ചാറ്റ്, Go Agent path, കൂടാതെ കൂടുതൽ റീസണിംഗോ ടൂളുകളുടെ ഉപയോഗമോ ആവശ്യമുള്ള ഘട്ടങ്ങൾ എന്നിവയ്ക്ക് കരുത്ത് പകരുന്നത്.

ഉദ്ധരണികളുടെ കൃത്യത, നൂറുകണക്കിന് ഡോക്യുമെന്റ് തരങ്ങളിലെ എക്സ്ട്രാക്ഷൻ ഗുണനിലവാരം, മറുപടികളുടെ കൃത്യത, നിർദ്ദേശങ്ങൾ കൃത്യമായി പാലിക്കൽ, ലേറ്റൻസി, ചെലവ്, യഥാർത്ഥ എന്റർപ്രൈസ് പ്രവർത്തനരീതികൾ എന്നിവയുൾപ്പെടുന്ന നിരന്തരം പുതുക്കുന്ന ഒരു ബെഞ്ച്മാർക്ക് സ്യൂട്ട് ഉപയോഗിച്ചാണ് V7 പുതിയ മോഡലുകളെ വിലയിരുത്തുന്നത്. V7 ഏറ്റവും കൂടുതൽ പ്രാധാന്യം നൽകുന്ന ഈ പ്രവർത്തനങ്ങളിൽ മിക്ക മോഡലുകളെക്കാളും മികച്ച പ്രകടനമാണ് OpenAI കാഴ്ചവെക്കുന്നത്. കൂടാതെ, V7 ഉപയോഗിക്കുന്ന മറ്റ് ദാതാക്കൾ ശേഷി വർദ്ധിപ്പിക്കുന്നതിനുള്ള ആവശ്യങ്ങൾ നടപ്പിലാക്കാൻ ആഴ്ചകൾ എടുക്കുമ്പോൾ OpenAI ഏതാനും മണിക്കൂറുകൾക്കുള്ളിൽ തന്നെ അത് അംഗീകരിക്കുകയും പ്രവർത്തനസജ്ജമാക്കുകയും ചെയ്തു.

V7-ന്റെ ഏറ്റവും പുതിയ ഹാർനെസിൽ, നിരവധി എക്സ്റ്റേണൽ കോളുകളുള്ള പ്രധാന പ്രവർത്തനരീതികൾ ഇപ്പോൾ 50% വരെ വേഗത്തിൽ പൂർത്തിയാകുന്നു. GPT‑5.6 Luna ഉപയോഗിച്ചപ്പോൾ മറ്റൊരു നേട്ടവും കൂടി V7 കണ്ടെത്തി: GPT‑5.4 mini-യെ അപേക്ഷിച്ച് ഒരു ഡോക്യുമെന്റിന് വരാവുന്ന ചിലവിൽ 78% കുറവുണ്ടായി. കൂടാതെ, V7 അതിന്റെ ഡോക്യുമെന്റുകൾ കൂടുതലുള്ള V7 Go പ്രവർത്തനരീതികളെ ചാറ്റ് കംപ്ലീഷൻസ് API-യിൽ നിന്നും റെസ്പോൺസസ് API-യിലേക്ക് മാറ്റി. അവരുടെ പരിശോധനയിൽ, ഈ മാറ്റം PDF കൂടുതലുള്ള ചില പ്രവർത്തനരീതികളിലെ ടോക്കൺ ഉപയോഗം ഏകദേശം 5% കുറയ്ക്കുകയും കാഷിംഗ് റിലയബിലിറ്റി മെച്ചപ്പെടുത്തുകയും ചെയ്തു.

ഏറ്റവും പ്രയാസമുള്ള ചോദ്യങ്ങളിൽ GPT‑6 Astra-യെയും V7 പരീക്ഷിച്ചു. GPT‑5.6 Sol ഇതിനകം തന്നെ V7-ന്റെ നിലവിലുള്ള പല മാനദണ്ഡങ്ങളിലും പരമാവധി മികച്ച സ്കോർ കൈവരിച്ചിരുന്നതിനാൽ, കമ്പനി ആയിരക്കണക്കിന് ഡോക്യുമെന്റുകളിൽ നിന്നുള്ള കൂടുതൽ സങ്കീർണ്ണവും യാഥാർത്ഥ്യത്തോടടുത്തതുമായ വിവരങ്ങൾ ഉപയോഗിച്ച് ഇതിലും കഠിനമായ ഗ്രാഫ്-ക്വറി ചോദ്യങ്ങളുടെ ഒരു പുതിയ സെറ്റ് തന്നെയുണ്ടാക്കി. ഈ പരിശോധനയിലെ ഡാറ്റാസെറ്റിനെ നാല് കാഠിന്യ നിലകളായി തരംതിരിച്ചിരുന്നു. ഇതിലെ 'വെരി-ഹാർഡ്' ലെവലിൽ GPT‑5.6 Sol 78% സ്കോർ ചെയ്തപ്പോൾ GPT‑6 Astra 89% കൃത്യത രേഖപ്പെടുത്തിയതായി V7 വ്യക്തമാക്കുന്നു. ഈ രണ്ട് മോഡലുകളും എളുപ്പം, ഇടത്തരം, കഠിനം എന്നീ ലെവലുകളിൽ 100%-നടുത്ത് സ്കോർ ചെയ്തിട്ടുണ്ട്.

V7 Go അതിന്റെ MCP സെർവർ വഴി കോൺടെക്സ്റ്റ് ഗ്രാഫ് ക്വറിയിംഗും ഇൻജെഷനും ഇതിനകം തന്നെ ലഭ്യമാക്കിയിട്ടുണ്ട്. അതിനാൽ ഉപഭോക്താക്കൾക്ക് ChatGPT‑യിൽ നിന്നും മറ്റ് അനുയോജ്യമായ ക്ലയന്റുകളിൽ നിന്നും ഇത് ഉപയോഗിക്കാൻ സാധിക്കും. കൂടാതെ, Codex-ലെ MCP വഴി അവർക്ക് V7 Go പ്രവർത്തനരീതികൾ നിർമ്മിക്കാനും കഴിയും. കൂടുതൽ ലളിതമായ പ്രവർത്തനരീതി ഡിസൈനൊപ്പം, ഇത് ഒരു ഇടത്തരം ദൈർഘ്യമുള്ള ഒരു പ്രവർത്തനരീതി സൃഷ്ടിക്കുന്നതിന് ആവശ്യമായ സമയം ഏകദേശം ഒരു മണിക്കൂറിൽ നിന്ന് 20 മിനിറ്റായി കുറയ്ക്കാൻ സഹായിച്ചു.

പങ്കിട്ട ആ മെമ്മറിയെ കൂടുതൽ സജീവമായ ഒന്നാക്കി മാറ്റുക എന്നതാണ് V7-ന്റെ ദീർഘകാല ലക്ഷ്യം. കോൺടെക്സ്റ്റ് ഗ്രാഫിലെ വസ്തുതകൾ മാറുമ്പോൾ സ്വയം ആരംഭിക്കുന്നതും പൊരുത്തക്കേടുകൾ അടയാളപ്പെടുത്തുന്നതും ഏതെല്ലം വിശകലനങ്ങളാണ് വീണ്ടും പരിശോധിക്കേണ്ടതെന്ന് ആളുകൾക്ക് കാണിച്ചുകൊടുക്കുന്നതുമായ പ്രവർത്തനരീതികൾക്കായി ഈ ടീം ഇപ്പോൾ പ്രവർത്തിക്കുന്നുണ്ട്. ഉദാഹരണത്തിന്, പുതുക്കിയ ഒരു ഫണ്ട് റിപ്പോർട്ട് വരുമ്പോൾ, പഴയ കണക്കുകളെ അടിസ്ഥാനമാക്കി ഇപ്പോഴും തുടരുന്ന ജോലികൾ ഫ്ലാഗ് ചെയ്യാൻ ഇത് V7 Go-യെ പ്രോംപ്റ്റ് ചെയ്യുന്നു.

“ഏറ്റവും നിർണ്ണായകമായ ജോലികൾ പരിഹരിക്കുന്ന പ്രവർത്തനരീതികളും മനുഷ്യരെക്കാൾ മികച്ച ഓർമ്മശക്തിയും നൽകിക്കൊണ്ട്, AI യുഗത്തിന് അനുയോജ്യമായ രീതിയിൽ പുതിയ സജ്ജീകരണങ്ങൾ ഒരുക്കാൻ എന്റർപ്രൈസുകളെ സഹായിക്കുക എന്നതാണ് ഞങ്ങളുടെ ലക്ഷ്യം," Rizzoli പറയുന്നു. "AI-യിൽ നിന്ന് യഥാർത്ഥ മൂല്യം നേടുന്ന ഫിനാൻസ് കമ്പനികൾ ഏറ്റവും കൂടുതൽ ഏജന്റുകളുള്ളവരായിരിക്കില്ല. പകരം, ഏറ്റവും മികച്ച കോൺടെക്സ്റ്റ് ഉള്ളവരായിരിക്കും അവർ.”