Ako V7 poskytuje agentom AI inštitucionálnu pamäť

Dnešné modely dokážu uvažovať nad komplexnými úlohami, no automaticky nerozumejú podnikovému kontextu, z ktorého tieto úlohy vychádzajú. Ktorá správa fondu je aktuálna? Ako je tá istá entita pomenovaná v troch rôznych systémoch?

Tento kontext sa nachádza v dokumentoch, dátových miestnostiach, tabuľkách, e-mailoch a interných nástrojoch: je rozptýlený, neprepojený a pre agentov neviditeľný. Pre tímy vo financiách, poisťovníctve a realitách je presnosť vyhľadávania v pracovných postupoch nevyhnutnosťou.

Po spoločnom vytvorení široko používanej aplikácie počítačového videnia na zlepšenie prístupnosti založili Rizzoli a Edwardsson v roku 2018 spoločnosť V7⁠(otvorí sa v novom okne), aby pomohli firmám naučiť systémy AI, ako funguje ich podnikanie. V7 Go je platforma s agentmi určená na vytváranie kriticky dôležitých pracovných postupov a usporiadanie skrytého kontextu do pamäte, v ktorej môžu agenti vyhľadávať a podľa nej konať.

V7 Go používa GPT‑5.6 Luna na extrahovanie informácií z miliónov súborov a ich usporiadanie v Grafe kontextu, ktorý prepája entity, vzťahy a citované dôkazy. Tým podporuje vyhľadávanie cez MCP a opakovateľné pracovné postupy, ktoré môžu zahŕňať stovky krokov. V pracovných postupoch používa V7 Go modely GPT‑5.6 Terra a Sol na uvažovanie a používanie nástrojov pri komplexných viackrokových pokynoch, ktorých splnenie ľuďom trvá desiatky hodín. V7 začína používať GPT‑6 Astra aj pri najnáročnejších dopytoch v Grafe kontextu vrátane finančnej analýzy tisícov dokumentov.

V7 uvádza, že vďaka spolupráci kontextu, modelov a nástrojov agenti dokončia pracovné postupy s 50 až 100 krokmi za niekoľko minút s presnosťou 99,9 %, pričom sa zachová kontrolovateľný záznam každého rozhodnutia.

Graf kontextu rieši konkrétny problém. Agenti musia pri každej požiadavke znova zisťovať kontext, čo vedie k desiatkam vyhľadávaní, ktoré stoja čas aj tokeny, a často prehliadnu kľúčové informácie ukryté vo vzťahoch.

Po prijatí údajov sa V7 Go pripojí k úložiskám, ako sú SharePoint a Google Drive, vyhľadá v nich entity, vzťahy, fakty, atribúty a metriky a naplní graf, ktorým možno prechádzať rádovo lacnejšie a rýchlejšie než pri prístupoch s dlhým kontextom.

Graf kontextu poskytuje agentom štruktúrovaný a aktuálny záznam, v ktorom môžu priamo vyhľadávať. Keď pribudne nový súbor, V7 Go identifikuje spoločnosti, fondy, osoby či ľubovoľné entity v ontológii, následne prepojí každý fakt s novým alebo existujúcim záznamom a zachová citované dôkazy s odkazom na pôvodný zdroj. Ak graf neobsahuje dostatok informácií, V7 Go môže stále prehľadávať podkladové dokumenty pomocou RAG.

V7 testovala aj to, do akej miery záleží na štruktúre tohto kontextu. V teste HERB, ktorý hodnotí vyhľadávanie a prepájanie informácií rozptýlených v podnikových systémoch, prekonal systém V7 založený výlučne na vyhľadávaní oficiálnu referenčnú úroveň o 69 % a pri dopytoch bez dostupnej odpovede znížil počet halucinácií o 38 %. V7 Go využíva tento kontext prepojený so zdrojmi, aby komplexné pracovné postupy vychádzali z vlastných informácií každej spoločnosti.

V7 Go využíva tento usporiadaný kontext v pracovných postupoch, ako je preverovanie investičných príležitostí v oblasti private equity a upisovanie poistenia. V ukážke nižšie pracovný postup extrahuje informácie z dokumentu o transakcii nazývaného Memorandum o dôverných informáciách (CIM), spracuje kľúčové finančné údaje, podmienky transakcie a informácie o vedení a označí rizikové položky zdrojmi. V7 Go potom vytvorí správu z preverovania.

Vďaka Grafu kontextu môže model pracovať s históriou firmy bez toho, aby sa ju musel zakaždým učiť odznova. Pri dlhodobo spustených agentoch uchováva V7 Go nedávne interakcie v aktívnom kontexte modelu a starší obsah ukladá do grafu, odkiaľ ho podľa potreby načíta.

Tento zdieľaný kontext už zákazníkom V7 zrýchľuje prácu s veľkým množstvom dokumentov:

• Správcovia aktív môžu preverovať investičné príležitosti 21-krát rýchlejšie než predtým, čím sa celodenný proces skrátil na iba 15 minút

• Tím finančných služieb skrátil kontrolu z viac než 100 hodín na menej než 10 a pri každej úlohe ušetril 12 000 USD na nákladoch na odborníkov

• Po sprístupnení historických údajov o všetkých predchádzajúcich poistných udalostiach a existujúcich poistných zmluvách agentom znížili poisťovacie tímy chybovosť pri spracovaní nárokov o 13,5 % oproti manuálnemu postupu

Komplexné viackrokové pracovné postupy závisia od toho, či model spoľahlivo dodržiava rozsiahle pokyny, spúšťa nástroje, interpretuje výsledky a zvláda dlhú sériu krokov. Jediná chyba v úvodnej fáze môže mať nákladné dôsledky a narušiť dôveru v systémy AI. V7 Go vedie modely pri dlhodobých úlohách zahŕňajúcich deterministický kód, odovzdávanie menším modelom, generovanie súborov a integrácie, pričom uchováva kontrolovateľný záznam každého spustenia.

V pracovných postupoch generovaných AI priraďuje V7 Go každý krok k rýchlej, strednej alebo inteligentnej úrovni. GPT‑5.6 Luna zabezpečuje štruktúrovanú extrakciu a ďalšie objemné úlohy, zatiaľ čo GPT‑5.6 Terra alebo Sol poháňajú čet, postup Go Agent a kroky vyžadujúce viac uvažovania či používania nástrojov.

V7 testuje nové modely pomocou priebežne aktualizovaného súboru referenčných testov, ktorý hodnotí presnosť citácií, kvalitu extrakcie zo stoviek typov dokumentov, správnosť odpovedí, dodržiavanie pokynov, latenciu, náklady a reálne podnikové pracovné postupy. OpenAI prekonáva väčšinu modelov v oblastiach, na ktorých V7 záleží najviac. OpenAI navyše schválila a realizovala požadované zvýšenie kapacity pre V7 v priebehu niekoľkých hodín, kým iným poskytovateľom využívaným V7 to trvalo celé týždne.

V najnovšom harness V7 sa kľúčové pracovné postupy s viacerými externými volaniami dokončia až o 50 % rýchlejšie. V7 zaznamenala s GPT‑5.6 Luna aj ďalšie zvýšenie efektivity: náklady na dokument boli o 78 % nižšie než pri GPT‑5.4 mini. V7 tiež presunula svoje dokumentovo náročné úlohy V7 Go z API na dokončovanie četu do rozhrania Responses API. Podľa testov táto zmena znížila pri niektorých pracovných postupoch s veľkým podielom súborov PDF spotrebu tokenov približne o 5 % a zvýšila spoľahlivosť ukladania do vyrovnávacej pamäte.

V7 testovala GPT‑6 Astra aj na svojich najnáročnejších dopytoch. GPT‑5.6 Sol už dosahoval maximum v mnohých existujúcich testoch V7, preto spoločnosť vytvorila náročnejšiu súpravu otázok pre grafové dopyty s použitím menej usporiadaných reálnych údajov z tisícov dokumentov. Testovacia množina údajov zahŕňa štyri úrovne náročnosti. V7 uvádza, že na veľmi náročnej úrovni dosiahol GPT‑5.6 Sol úspešnosť 78 %, zatiaľ čo GPT‑6 Astra dosiahol presnosť 89 %. Oba modely dosiahli na ľahkej, strednej a náročnej úrovni výsledok blízky 100 %.

V7 Go už prostredníctvom svojho servera MCP sprístupňuje vyhľadávanie v Grafe kontextu a prijímanie údajov, takže ho zákazníci môžu používať z ChatGPT a ďalších kompatibilných klientov. Prostredníctvom MCP môžu vytvárať pracovné postupy V7 Go aj v Codexe. Spolu s jednoduchším návrhom pracovných postupov sa tým čas potrebný na vytvorenie stredne dlhého postupu skrátil približne z jednej hodiny na 20 minút.

Dlhodobým cieľom V7 je zvýšiť proaktívnosť tejto zdieľanej pamäte. Tím pracuje na pracovných postupoch, ktoré sa spustia pri zmene faktov v Grafe kontextu, upozornia na nezrovnalosti a ukážu ľuďom, ktoré analýzy treba znova preskúmať. Napríklad prepracovaná správa fondu by mohla viesť V7 Go k označeniu práce, ktorá sa stále opiera o staré údaje.

„Naším cieľom je pomôcť podnikom prispôsobiť nástroje ére AI pomocou pracovných postupov, ktoré riešia kriticky dôležité úlohy, a pamäte, ktorá prekonáva nás ľudí,“ hovorí Rizzoli. „Finančné spoločnosti, ktoré získajú z AI skutočnú hodnotu, nebudú tie s najväčším počtom agentov. Budú to tie s najlepším kontextom.“