Model ML yakamilisha kazi za fedha kwa ufanisi na GPT‑5.6 Sol

Kabla uchanganuzi wa kifedha haujawasilishwa kwa wateja au viongozi wakuu wanaofanya maamuzi, timu lazima zikamilishe hatua ya mwisho yenye changamoto: kulinganisha ushahidi, kuunda na kupangilia faili, kukagua kila nambari na kuunganisha kila dai na chanzo chake. Wasilisho la PowerPoint au kitabu cha Excel kilichokamilika lazima kiweze kuhaririwa na kiwe tayari kukaguliwa kwa kina.

Waanzilishi wenza wa Model ML ambao ni ndugu, Arnie na Chaz Englander, waliona ukubwa wa kazi hiyo baada ya kufanikiwa kuuza kampuni mbili, walipoanza kuwekeza kupitia ofisi binafsi ya familia na, kama wabunifu wafanyavyo, kujitengenezea programu ya kuwasaidia.

Wakala wa Model ML, waliotokana na programu hiyo, huwasaidia wataalamu wa fedha kutekeleza mtiririko wa kazi kuanzia ombi la awali, kupitia utafiti na uchanganuzi, hadi wasilisho au kitabu cha kazi kilichokamilika. Katika kitovu chake, wakala mkuu hupanga kazi, huchagua zana zinazofaa, hulinganisha ushahidi na kufanya hesabu, huku akielekeza kila hatua kwa muundo unaoifaa zaidi, ambao mara nyingi ni GPT‑5.6 Sol. Miongoni mwa zana hizo ni zana za Model ML za hati, ambazo huunda faili asilia za PowerPoint na Excel zenye vyanzo vinavyoweza kufuatiliwa.

Model ML husaidia timu za fedha kwa kuendesha kiotomatiki mtiririko mzima wa kazi za fedha. Akitumia muhtasari na nyenzo za chanzo, wakala anaweza kutekeleza kazi kupitia utafiti na uundaji wa miundo hadi kutoa nyenzo zilizokamilika kwa wateja au timu za mikataba. Mtaalamu wa fedha hukagua makadirio, vyanzo na ujumbe kabla ya kushiriki kazi hiyo.

Model ML huiita bidhaa hiyo “isiyotegemea kiolesura.” Mtaalamu wa fedha anaweza kuanzisha kazi kupitia barua pepe au programu ya Model ML, kisha kuiendeleza katika programu-jalizi zake za Microsoft Office bila kuieleza tena.

Mwendelezo huo unafika hadi kwenye kazi iliyokamilika. Kwa wasilisho la kamati ya uwekezaji, Model ML inaweza kubadilisha muhtasari na nyenzo za chanzo kuwa PowerPoint inayoweza kuhaririwa. Kwa kazi ya Excel, wakala anaweza kuanza na kiolezo cha mteja au kitabu tupu, kukusanya data inayohitajika, kuunda fomula na mantiki katika vichupo kadhaa, kisha kutumia mpangilio maalumu wa fedha ili kutoa lahajedwali kamili au muundo wa kifedha.

Katika Composite ya Model ML, kipimo cha kampuni cha kutathmini AI katika huduma za kifedha, GPT‑5.6 Sol ilitumia token chache kwa 36% kwa kila kitabu kuliko Opus 5 katika mtiririko wa kazi wa Excel.

Kwa kutekeleza kazi hadi hatua hiyo ya mwisho, wakala pia anaweza kuokoa muda katika kila kazi inayowasilishwa na kusaidia timu kuchakata nyenzo nyingi za chanzo. Katika kampuni moja ya kimataifa ya usimamizi wa mali, karatasi maalumu ya muhtasari ambayo mchambuzi alitumia takribani saa moja kuitayarisha sasa huchukua karibu dakika tano. Katika mtiririko mwingine wa kazi, wakala wa Model ML walichakata vyumba pepe vya data vyenye zaidi ya safu mlalo 100,000 na mamia ya faili kwa mara moja.

Model ML ilitathmini GPT‑5.6 Sol pamoja na miundo mingine maarufu katika mitiririko mbalimbali ya kazi za fedha. Tathmini zake za Composite hufuatilia kazi kuanzia muhtasari wa awali wa kifedha, kupitia utafiti na hesabu, hadi wasilisho au lahajedwali inayoweza kuhaririwa; kisha hukagua nambari, vyanzo, fomula na muundo, pamoja na ubora wa mwonekano wa mawasilisho.

Kwa PowerPoint, tathmini ya Composite ya Model ML hujumuisha mitiririko halisi ya kazi na mamia ya mawasilisho yaliyoundwa, kwa kutumia mwongozo wa kina wa utoaji alama.

GPT‑5.6 Sol ilikamilisha mtiririko wa kazi wa PowerPoint katika 100% ya majaribio, ikilinganishwa na 76% kwa Opus 5, na ikafikia kiwango cha Model ML cha utayari wa kitaalamu—kipimo cha iwapo matokeo yalikuwa tayari kukaguliwa kwa kina—katika 43.3% ya majaribio, dhidi ya 26.7%. Pia iliipiku Opus 5 katika ubora wa mawasilisho, kufuata muhtasari, mpangilio wa taarifa na uthabiti.

Kwa ujumla, matokeo ya Composite yaliyoonyeshwa hapo juu yaliipa Model ML ushahidi wa kupanua matumizi ya GPT‑5.6 Sol katika uzalishaji, ikijumuisha baadhi ya mitiririko ya kazi iliyoshughulikiwa awali na Opus 4.8. Kwa mitiririko ya kazi ya PowerPoint, GPT‑5.6 Sol iliunganisha ubora wa mawasilisho unaoshindana na kiwango cha juu zaidi cha mawasilisho yaliyokamilika na yaliyo tayari kukaguliwa kuliko Opus 5 na Fable 5, huku ikitumia token chache kwa takribani 21% kuliko Fable 5.

“Kuwa tayari kwa kazi halisi kunamaanisha mtumiaji anaweza kuendelea moja kwa moja na ukaguzi halisi,” anasema Englander. “Nambari zinaweza kufuatiliwa hadi vyanzo vyake, kitabu huhesabu upya na slaidi inaweza kuhaririwa.”

PowerPoint iliipa Model ML jaribio gumu la kubaini iwapo GPT‑5.6 Sol ilikuwa tayari kwa kazi halisi. Wasilisho linaweza kuonekana limekamilishwa vizuri lakini likashindwa wakati wa ukaguzi ikiwa nambari zake si sahihi au haziwezi kufuatiliwa, chati zake zimekuwa picha zisizoweza kuhaririwa, au slaidi zake lazima ziundwe upya kabla ya kushirikiwa.

Model ML iliendesha muundo huo ndani ya mazingira ya uendeshaji ya wakala wake, pamoja na zana za kuunda na kuhariri hati ambazo humwezesha wakala kuunda slaidi zenye grafu na majedwali yanayoweza kuhaririwa. Huhifadhi muhtasari wa awali katika muktadha inapofanya kazi, kisha hukagua kila slaidi kwa kuangalia mwonekano wake kabla ya kurejesha faili.

Mfano ulio hapa chini unaonyesha jinsi matokeo ya PowerPoint ya Model ML yalivyoboreshwa kutoka GPT‑5.5 hadi GPT‑5.6 Sol, ikijumuisha mpangilio ulio wazi zaidi na muundo thabiti zaidi wa slaidi.

Leo, mazingira ya uendeshaji ya Model ML humpa wakala vifurushi vya zana anavyoweza kupakia ili kufikia miunganisho ya data, zana na ujuzi wa kuhariri hati, pamoja na mazingira ya kutekeleza msimbo. Hii humsaidia wakala kudumisha umakini na humpa zana kamili anazohitaji kutumia hati za mtumiaji.

Model ML ilifikia usanidi huu kupitia vikao vya ana kwa ana na OpenAI. Timu zilifuatilia jinsi wakala alivyopanga mawasilisho, kuchagua zana na kudumisha muktadha, kisha zikatumia matokeo hayo kuboresha maagizo ya wakala na kuamua wakati wa kupakia kila kifurushi cha zana.

Wateja wa Model ML wanaelekea kwenye matokeo yanayotumika kwenye kivinjari na yanayoendelea kuunganishwa na miundo na nyenzo za chanzo zinazoyategemeza.

Mfumo wa Model ML unaweza kutoa matokeo salama na shirikishi yanayoweza kusasishwa mfululizo au kufungwa katika hali ya wakati fulani. Mkaguzi anaweza kufungua muhtasari wa uwekezaji, kubofya ili kufikia muundo wa kifedha unaotegemeza takwimu fulani, na kufanya kazi na wakala kutoka kwenye ukurasa huohuo.

“PowerPoint, Excel na Word ziliundwa kwa ulimwengu ambako kazi ya kuzalisha maarifa ilifanywa kwa mikono,” anasema Englander. “AI imebadilisha dhana hiyo. Programu yenyewe iko karibu kubadilika.”