Како V7 даје институционално памћење AI агентима

Данашњи модели могу резоновањем да решавају сложене задатке, али не разумеју аутоматски пословни контекст на којем се ти задаци заснивају. Који извештај фонда је важећи? Како се исти ентитет назива у три различита система?

Тај контекст се налази у документима, виртуелним собама са подацима, табелама, имејловима и интерним алатима: расут је, неусклађен и невидљив агентима. За тимове у финансијама, осигурању и некретнинама, тачност проналажења података у токовима рада неопходан је услов.

Након што су заједно направили широко коришћену апликацију за приступачност засновану на рачунарском виду, Рицоли и Едвардсон су 2018. основали V7⁠(отвара се у новом прозору) како би помогли компанијама да науче системе вештачке интелигенције како њихово пословање функционише. V7 Go је агентска платформа за прављење токова рада од пресудног значаја и организовање скривеног контекста у памћење које агенти могу да претражују и на основу њега делују.

V7 Go користи GPT‑5.6 Luna за издвајање информација из милиона датотека и њихово организовање у Граф контекста, који повезује ентитете, односе и цитиране доказе и омогућава MCP претрагу и поновљиве токове рада са стотинама корака. За токове рада, V7 Go користи GPT‑5.6 Terra и Sol за резоновање и коришћење алата у оквиру сложених инструкција са више корака, за чије су извршавање људима потребне десетине сати. V7 такође почиње да користи GPT‑6 Astra за најзахтевније упите над Графом контекста, укључујући финансијску анализу хиљада докумената.

Када контекст, модели и алати раде заједно, V7 наводи да агенти за неколико минута завршавају токове рада од 50 до 100 корака, достижу тачност од 99,9% и притом чувају проверљив траг сваке донете одлуке.

Граф контекста решава конкретан проблем. Агенти при сваком захтеву морају изнова да откривају контекст, што доводи до десетина претрага које троше време и токене, а често и до пропуштања кључних информација скривених у односима.

Када подаци стигну, V7 Go се повезује са складиштима као што су SharePoint и Google Drive, претражује их ради проналажења ентитета, односа, чињеница, атрибута и показатеља и попуњава граф кроз који се пролази десетак пута јефтиније и брже него при приступима са дугим контекстом.

Граф контекста пружа агентима структурирану и ажурну евиденцију коју могу директно да претражују. Када стигне нова датотека, V7 Go препознаје компаније, фондове, људе и све друге ентитете у онтологији, затим сваку чињеницу повезује са новим или постојећим записом и чува цитирани доказ из изворног материјала. Ако граф не садржи довољно информација, V7 Go и даље може да претражује основне документе помоћу RAG-а.

V7 је тестирао и колико је важна структура тог контекста. На тесту HERB, намењеном проналажењу и повезивању информација распоређених по пословним системима, систем компаније V7 заснован искључиво на проналажењу надмашио је званични почетни резултат за 69% и смањио халуцинације на упитима без одговора за 38%. V7 Go користи тај контекст повезан са изворима како би сложени токови рада остали утемељени у сопственим информацијама сваке компаније.

V7 Go користи тај организовани контекст у токовима рада као што су процена потенцијалних улагања приватног капитала и преузимање ризика у осигурању. У демонстрацији испод, ток рада издваја информације из документа о трансакцији који се назива Меморандум о поверљивим информацијама (CIM), уноси кључне финансијске податке, услове трансакције и податке о руководству и наводи изворе за поља ризика, након чега V7 Go прави белешку о процени.

Граф контекста омогућава моделу да користи историју компаније без поновног учења при сваком задатку. За дуготрајне агенте, V7 Go чува недавне размене у активном контексту модела, а старији садржај смешта у граф како би се по потреби могао преузети.

Тај заједнички контекст већ убрзава послове са великим бројем докумената код клијената компаније V7:

• Управници имовине могу да процене потенцијална улагања 21 пут брже него раније, скраћујући целодневни поступак на само 15 минута

• Тим за финансијске услуге скратио је време провере са више од 100 сати на мање од 10, чиме по задатку штеди 12.000 долара трошкова стручњака

• Тимови за осигурање смањили су грешке при обради одштетних захтева за 13,5% у односу на ручну обраду, након што су својим агентима омогућили приступ историјским подацима о свим претходним захтевима и постојећим полисама

Сложени токови рада са више корака зависе од тога да ли модел поуздано прати дугачке инструкције, покреће алате, тумачи резултате и пролази кроз дуг низ корака. Једна грешка у раној фази може довести до скупих последица и нарушити поверење у системе вештачке интелигенције. V7 Go усмерава моделе кроз дуготрајне задатке који обухватају детерминистички кôд, предају мањим моделима, кораке генерисања датотека и интеграције, уз проверљив траг сваког извршавања.

У токовима рада које генерише вештачка интелигенција, V7 Go сваком кораку додељује брзи, средњи или паметни ниво. GPT‑5.6 Luna обавља структурирано издвајање и друге обимне послове, док GPT‑5.6 Terra или Sol покрећу ћаскање, путању Go Agent и кораке који захтевају више резоновања или коришћења алата.

V7 тестира нове моделе помоћу непрекидно одржаваног скупа референтних тестова који обухвата тачност цитата, квалитет издвајања из стотина врста докумената, тачност одговора, праћење инструкција, кашњење, трошкове и стварне пословне токове рада. OpenAI надмашује већину модела у понашањима која су компанији V7 најважнија. OpenAI је у року од неколико сати одобрио и реализовао и повећање капацитета које је V7 захтевао, док је другим добављачима које V7 користи за то требало више недеља.

У најновијем окружењу компаније V7, кључни токови рада са неколико спољних позива сада се завршавају и до 50% брже. V7 је измерио још једно побољшање ефикасности уз GPT‑5.6 Luna: трошак по документу нижи је 78% него уз GPT‑5.4 mini. V7 је и своја оптерећења у V7 Go са великим бројем докумената пребацио са API-ја за довршавање ћаскања на Responses API. Током тестирања, та промена је у неким токовима рада са великим бројем PDF датотека смањила употребу токена за око 5% и побољшала поузданост кеширања.

V7 је тестирао и GPT‑6 Astra на својим најтежим упитима. GPT‑5.6 Sol је већ достигао горњу границу на многим постојећим референтним тестовима компаније V7, па је компанија направила захтевнији скуп питања за упите над графом, користећи неуређеније податке из стварног света распоређене у хиљадама докумената. Скуп података за тест обухвата четири нивоа тежине. V7 наводи да је на веома тешком нивоу GPT‑5.6 Sol остварио 78%, док је GPT‑6 Astra достигао тачност од 89%. Оба модела остварила су резултат близу 100% на лаком, средњем и тешком нивоу.

V7 Go већ омогућава претраживање и унос података у Граф контекста преко свог MCP сервера, па клијенти могу да га користе из ChatGPT‑а и других компатибилних клијената. Токове рада у V7 Go могу да праве и преко MCP-а у Codex-у. Заједно са једноставнијим осмишљавањем токова рада, то је скратило време потребно за прављење тока рада средње дужине са око једног сата на приближно 20 минута.

Дугорочни циљ компаније V7 јесте да то заједничко памћење постане проактивније. Тим ради на токовима рада који се покрећу када се промене чињенице у Графу контекста, означавају недоследности и показују људима које анализе треба поново прегледати. На пример, исправљени извештај фонда могао би да наведе V7 Go да означи рад који се и даље ослања на старе бројке.

„Наш циљ је да помогнемо предузећима да се прилагоде добу вештачке интелигенције помоћу токова рада који решавају задатке од пресудног значаја и памћења које надмашује људско“, каже Рицоли. „Финансијске компаније које остваре стварну вредност од вештачке интелигенције неће бити оне са највише агената. Биће то оне са најбољим контекстом.“