V7 एआय एजंटना संस्थात्मक स्मृती कशी देते
V7 कंपनीच्या फाइलचे एजंटसाठी संदर्भात रूपांतर करते आणि सर्वांत कठीण आलेख-विचारणा चाचण्यांवर GPT‑6 Astra 89% अचूकता गाठते.
परिणाम
89%
सर्वांत कठीण प्रश्नांवर GPT-6 Astra ची अचूकता
परिणाम
78%
GPT-5.6 Luna सह प्रत्येक दस्तऐवजाचा कमी खर्च
परिणाम
+11.6 गुण
GPT-5.6 Luna सह अधिक अचूकता
आजची मॉडेल गुंतागुंतीच्या कामांवर रीझनिंग करू शकतात, पण त्या कामांचा मूलभूत व्यावसायिक संदर्भ त्यांना आपोआप समजत नाही. निधीचा कोणता अहवाल सध्याचा आहे? तीन प्रणालींमध्ये एकाच घटकाला कोणकोणती नावे दिली आहेत?
हा संदर्भ दस्तऐवज, माहिती कक्ष, स्प्रेडशीट, ईमेल आणि अंतर्गत साधनांमध्ये विखुरलेल्या, न सुटलेल्या आणि एजंटना न दिसणाऱ्या स्वरूपात असतो. वित्त, विमा आणि स्थावर मालमत्ता क्षेत्रातील संघांसाठी कार्यप्रवाहांत माहिती अचूकपणे मिळणे अत्यावश्यक आहे.
संगणकीय दृष्टीवर आधारित, सुलभतेसाठी मोठ्या प्रमाणात वापरले जाणारे अनुप्रयोग एकत्र तयार केल्यानंतर रिझोली आणि एडवर्डसन यांनी कंपन्यांना त्यांच्या व्यवसायाची कार्यपद्धती एआय प्रणालींना शिकवता यावी म्हणून 2018 मध्ये V7(नवीन विंडोमध्ये उघडेल) सुरू केली. V7 Go हे अत्यावश्यक कार्यप्रवाह तयार करण्यासाठी आणि दडलेल्या संदर्भाला एजंट विचारणा करून त्यावर कृती करू शकतील अशा स्मृतीत सुव्यवस्थित करण्यासाठीचे एजंट-आधारित व्यासपीठ आहे.
V7 Go लाखो फाइलमधून माहिती काढण्यासाठी आणि ती संदर्भ आलेखात सुव्यवस्थित करण्यासाठी GPT‑5.6 Luna वापरते. हा आलेख घटक, संबंध आणि संदर्भित पुरावे जोडतो व MCP शोध आणि शेकडो टप्प्यांचे पुनरावृत्तीयोग्य कार्यप्रवाह सक्षम करतो. माणसांना पूर्ण करण्यासाठी डझनभर तास लागणाऱ्या गुंतागुंतीच्या, अनेक टप्प्यांच्या सूचनांवर रीझनिंग आणि साधनांच्या वापरासाठी V7 Go कार्यप्रवाहांमध्ये GPT‑5.6 Terra आणि Sol वापरते. हजारो दस्तऐवजांतील आर्थिक विश्लेषणासह संदर्भ आलेखावरील सर्वाधिक आव्हानात्मक विचारणांसाठी V7 ने GPT‑6 Astra वापरण्यासही सुरुवात केली आहे.
संदर्भ, मॉडेल आणि साधने एकत्र काम केल्यामुळे एजंट प्रत्येक निर्णयाची लेखापरीक्षण करता येण्याजोगी नोंद राखून 50–100 टप्प्यांचे कार्यप्रवाह काही मिनिटांत आणि 99.9% अचूकतेने पूर्ण करतात, असे V7 सांगते.
“वित्त आणि विमा क्षेत्रातील कठीण औद्योगिक वापर सोडवण्यासाठी AI ने इंटरनेटवरून जसे शिकले, तितक्याच चांगल्या प्रकारे तुमचा व्यवसाय कसा चालतो हेही शिकणे आवश्यक आहे.”
कॉन्टेक्स्ट ग्राफ एक विशिष्ट समस्या सोडवतो. एजंटना प्रत्येक विनंतीवर संदर्भ पुन्हा शोधावा लागतो, ज्यामुळे अनेक शोध घ्यावे लागतात, वेळ आणि टोकन्स खर्च होतात, आणि अनेकदा संबंधांमध्ये दडलेली महत्त्वाची माहिती सुटून जाते.
माहिती आल्यावर V7 Go ती SharePoint आणि Google Drive सारख्या रिपॉझिटरीशी जोडते, त्यांतील घटक, संबंध, तथ्ये, गुणधर्म आणि मोजमापे शोधते आणि दीर्घ-संदर्भ पद्धतींपेक्षा ज्यातून माहिती शोधणे कितीतरी स्वस्त व जलद आहे असा ग्राफ तयार करते.
कॉन्टेक्स्ट ग्राफ एजंटना थेट विचारणा करता येईल अशी संरचित आणि अद्ययावत नोंद देतो. नवीन फाइल आल्यावर V7 Go कंपन्या, निधी, व्यक्ती किंवा ज्ञानरचनेतील कोणताही घटक ओळखते. त्यानंतर प्रत्येक तथ्य नवीन किंवा विद्यमान नोंदीशी जोडते आणि मूळ स्रोताचा संदर्भ असलेला पुरावा जतन करते. ग्राफमध्ये पुरेशी माहिती नसल्यास V7 Go तरीही RAG वापरून मूळ दस्तऐवज शोधू शकते.
त्या संदर्भाची रचना किती महत्त्वाची आहे, याचीही V7 ने चाचणी केली आहे. उद्योग प्रणालींमध्ये विखुरलेली माहिती शोधून जोडण्याचा निकष असलेल्या HERB वर, V7 च्या केवळ माहिती पुनर्प्राप्त करणाऱ्या प्रणालीने अधिकृत आधाररेषेपेक्षा 69% चांगली कामगिरी केली आणि उत्तर देता न येणाऱ्या प्रश्नांवरील कल्पित माहिती 38% कमी केली. V7 Go स्रोतांशी जोडलेला हा संदर्भ वापरून गुंतागुंतीचे कार्यप्रवाह प्रत्येक कंपनीच्या स्वतःच्या माहितीवर आधारित ठेवते.
V7 Go खाजगी इक्विटी डील स्क्रीनिंग आणि विमा अंडररायटिंग यांसारख्या वर्कफ्लोमध्ये त्या संघटित संदर्भाचा वापर करते. खालील डेमोमध्ये, V7 Go स्क्रीनिंग नोट तयार करण्यापूर्वी, एक वर्कफ्लो 'कॉन्फिडेन्शियल इन्फॉर्मेशन मेमोरँडम' (CIM) नावाच्या डील डॉक्युमेंटमधून माहिती काढतो, त्यात प्रमुख आर्थिक तपशील, डीलच्या अटी, व्यवस्थापनाचा तपशील भरतो आणि जोखमीच्या फील्ड्सचा उल्लेख करतो.
कॉन्टेक्स्ट ग्राफमुळे मॉडेलला एखाद्या संस्थेचा इतिहास प्रत्येक वेळी पुन्हा न शिकता त्याच्या आधारे काम करता येते. दीर्घकाळ चालणाऱ्या एजंटसाठी V7 Go अलीकडील संवाद मॉडेलच्या सक्रिय संदर्भात ठेवते आणि जुनी सामग्री गरजेनुसार मिळवण्यासाठी ग्राफमध्ये साठवते.
या सामायिक संदर्भामुळे V7 च्या ग्राहकांचे दस्तऐवजप्रधान काम आधीच वेगाने होत आहे:
मालमत्ता व्यवस्थापक आता व्यवहारांची छाननी पूर्वीपेक्षा 21 पट वेगाने करू शकतात आणि दिवसभराची प्रक्रिया अवघ्या 15 मिनिटांत पूर्ण करू शकतात
एका वित्तीय सेवा संघाने पुनरावलोकनाचा वेळ 100 हून अधिक तासांवरून 10 तासांपेक्षा कमी केला आणि प्रत्येक कामामागे तज्ज्ञांच्या खर्चात $12,000 वाचवले
एजंटना मागील सर्व दावे आणि विद्यमान पॉलिसींचे ऐतिहासिक ज्ञान दिल्यानंतर विमा संघांनी हाताने केलेल्या प्रक्रियेच्या आधाररेषेच्या तुलनेत दावे प्रक्रियेतील चुका 13.5% नी कमी केल्या
“GPT-5.6 Terra मुळे आम्ही कार्यप्रवाहातील असे अनेक मधले टप्पे काढून टाकू शकलो, जे यापूर्वी केवळ मॉडेलसाठी काम सोपे करण्यासाठी होते. अधिक सक्षम मॉडेल आणि अधिक संदर्भ उपलब्ध झाल्यामुळे आमचे काम अनेक दिवसांनी कमी झाले आहे आणि कार्यप्रवाहाच्या पहिल्याच निर्मितीत अनेकदा योग्य परिणाम मिळतो.”
गुंतागुंतीचे, अनेक टप्प्यांचे कार्यप्रवाह हे मॉडेलने दीर्घ सूचना विश्वासार्हपणे पाळणे, साधने चालवणे, परिणामांचा अर्थ लावणे आणि टप्प्यांची मोठी मालिका पार करणे यांवर अवलंबून असतात. सुरुवातीच्या टप्प्यातील एक चूकही महागात पडू शकते आणि AI प्रणालींवरील विश्वासाला तडा जाऊ शकतो. V7 Go प्रत्येक कार्यान्वयनाची ऑडिट करता येण्याजोगी नोंद ठेवून, निश्चित स्वरूपाचा कोड, लहान मॉडेलकडे कामाचे हस्तांतरण, फाइल निर्मितीचे टप्पे आणि एकात्मीकरणे यांचा समावेश असलेल्या दीर्घकालीन कामांमध्ये मॉडेलना मार्गदर्शन करते.
AI ने निर्माण केलेल्या कार्यप्रवाहांत V7 Go प्रत्येक टप्प्याला जलद, मध्यम आणि बुद्धिमान स्तराशी जोडते. GPT‑5.6 Luna संरचित माहिती काढणे आणि मोठ्या प्रमाणातील इतर कामे हाताळते, तर GPT‑5.6 Terra किंवा Sol चॅट, Go Agent मार्ग आणि अधिक रीझनिंग किंवा साधनांचा वापर आवश्यक असलेले टप्पे चालवतात.
V7 नवीन मॉडेलची सतत अद्ययावत ठेवलेल्या निकष-संचावर चाचणी करते. यात संदर्भांची अचूकता, शेकडो दस्तऐवज प्रकारांमधून माहिती काढण्याची गुणवत्ता, उत्तरांची अचूकता, सूचनांचे पालन, विलंब, खर्च आणि उद्योगांतील प्रत्यक्ष कार्यप्रवाह समाविष्ट आहेत. V7 साठी सर्वाधिक महत्त्वाच्या वर्तनांमध्ये OpenAI बहुतेक मॉडेलपेक्षा सरस ठरते. V7 वापरत असलेल्या इतर पुरवठादारांना यासाठी अनेक आठवडे लागले, तर OpenAI ने V7 ची क्षमता वाढवण्याची गरज काही तासांत मंजूर करून अंमलात आणली.
“V7 Go अवलंबून असलेल्या अनेक टप्प्यांच्या साधनांवर आधारित कार्यप्रवाहांवर OpenAI सर्वोत्तम कामगिरी करते, म्हणून आम्ही ती आमची पूर्वनिर्धारित निवड केली. कॉन्टेक्स्ट ग्राफ बेंचमार्कमध्ये GPT-5.6 Sol ने साधन-कॉलमधील त्रुटींचे प्रमाण GPT-5.5 च्या 2.7% वरून 0.2% पर्यंत कमी केले.”
V7 च्या नवीनतम हार्नेसमध्ये, अनेक बाह्य कॉल असलेले महत्त्वाचे कार्यप्रवाह आता 50% पर्यंत अधिक वेगाने पूर्ण होतात. V7 ला GPT‑5.6 Luna मुळे कार्यक्षमतेत आणखी वाढ दिसली: GPT‑5.4 mini च्या तुलनेत प्रत्येक दस्तऐवजाचा खर्च 78% कमी झाला. V7 ने दस्तऐवजप्रधान V7 Go कामांचे स्थलांतर चॅट कम्प्लीशन्स API वरून रिस्पॉन्सेस API वरही केले. चाचण्यांमध्ये या बदलामुळे काही PDF-प्रधान कार्यप्रवाहांतील टोकनचा वापर सुमारे 5% नी कमी झाला आणि तात्पुरत्या संचयनाची विश्वासार्हता सुधारली.
V7 ने आपल्या सर्वांत कठीण प्रश्नांवर GPT‑6 Astra चीही चाचणी केली. GPT‑5.6 Sol ने V7 च्या अनेक विद्यमान निकषांवर कमाल कामगिरी गाठली होती. त्यामुळे कंपनीने हजारो दस्तऐवजांतील अधिक विस्कळीत, वास्तविक जगातील माहिती वापरून ग्राफ-क्वेरी प्रश्नांचा अधिक आव्हानात्मक संच तयार केला. चाचणीतील माहिती-संचात अवघडपणाचे चार स्तर आहेत. अतिशय कठीण स्तरावर GPT‑5.6 Sol ने 78%, तर GPT‑6 Astra ने 89% अचूकता मिळवल्याचे V7 ने नोंदवले. सोप्या, मध्यम आणि कठीण स्तरांवर दोन्ही मॉडेलनी जवळपास 100% गुण मिळवले.
V7 Go आधीपासूनच त्याच्या MCP सर्व्हरद्वारे कॉन्टेक्स्ट ग्राफ क्वेरींग आणि इनजेशनची सुविधा उपलब्ध करून देते, त्यामुळे ग्राहक ChatGPT आणि इतर सुसंगत क्लायंटवरून त्याचा वापर करू शकतात. ते Codex मधील MCP द्वारे V7 Go वर्कफ्लो देखील तयार करू शकतात. सोप्या वर्कफ्लो डिझाइनसह, यामुळे मध्यम-लांबीचा वर्कफ्लो तयार करण्यासाठी लागणारा वेळ सुमारे एका तासावरून कमी होऊन सुमारे 20 मिनिटांवर आला आहे.
दीर्घकालीन दृष्टीने ही सामायिक स्मृती अधिक सक्रिय करणे हे V7 चे ध्येय आहे. संदर्भ ग्राफमधील तथ्ये बदलल्यावर सुरू होणारे, विसंगती दर्शवणारे आणि कोणत्या विश्लेषणांचा पुन्हा आढावा घेणे आवश्यक आहे हे लोकांना सांगणारे कार्यप्रवाह तयार करण्यासाठी संघ काम करत आहे. उदाहरणार्थ, निधीचा सुधारित अहवाल आल्यास जुन्या आकड्यांवर अजूनही अवलंबून असलेले काम दर्शवण्यास V7 Go ला प्रॉम्प्ट केले जाऊ शकते.
“आमचे ध्येय उद्योगांना AI च्या युगासाठी स्वतःला नव्याने सज्ज करण्यास मदत करणे आहे, ज्यामध्ये अत्यंत महत्त्वाची कामे सोडवणारे कार्यप्रवाह आणि आपल्या मानवांपेक्षाही सरस स्मरणशक्ती असेल,” असे Rizzoli म्हणतात. “AI मधून खरा फायदा मिळवणाऱ्या वित्तीय कंपन्या त्या नसतील ज्यांच्याकडे सर्वाधिक एजंट असतील. त्यांना तो फायदा मिळेल, ज्यांच्याकडे सर्वोत्तम संदर्भ असेल.”
