AI ஏஜென்ட்களுக்கு நிறுவன நினைவை V7 வழங்கும் விதம்

இன்றைய மாடல்களால் சிக்கலான பணிகளில் ரீஸனிங் செய்ய முடியும். ஆனால் அந்தப் பணிகளின் அடிப்படை வணிகச் சூழலை அவை தானாகவே புரிந்துகொள்வதில்லை. எந்த நிதிய அறிக்கை தற்போதையது? மூன்று அமைப்புகளில் ஒரே உட்பொருள் எவ்வாறு பெயரிடப்பட்டுள்ளது?

அந்தச் சூழல் ஆவணங்கள், தரவு அறைகள், விரிதாள்கள், மின்னஞ்சல்கள், உள் கருவிகள் ஆகியவற்றில் சிதறிக்கிடக்கிறது; தீர்க்கப்படாமலும் ஏஜென்ட்களுக்குப் புலப்படாமலும் உள்ளது. நிதி, காப்பீடு, மனை வணிகக் குழுக்களுக்கு, பணிப்பாய்வுகளுக்குள் மீட்டெடுப்புத் துல்லியத்தில் சமரசத்திற்கே இடமில்லை.

பரவலாகப் பயன்படுத்தப்படும் கணினிப் பார்வை அணுகல்தன்மைச் செயலியை இணைந்து உருவாக்கிய பிறகு, நிறுவனங்களின் வணிகம் எவ்வாறு இயங்குகிறது என்பதை AI அமைப்புகளுக்குக் கற்பிக்க உதவுவதற்காக ரிஸோலியும் எட்வர்ட்சனும் 2018-இல் V7⁠(புதிய சாளரத்தில் திறக்கும்)-ஐத் தொடங்கினர். மிக முக்கியமான பணிப்பாய்வுகளை உருவாக்குவதற்கும், புதைந்துள்ள சூழலை ஏஜென்ட்கள் வினவி நடவடிக்கை எடுக்கக்கூடிய நினைவாக ஒழுங்கமைப்பதற்குமான ஏஜென்ட் சார்ந்த தளமே V7 Go.

மில்லியன் கணக்கான கோப்புகளிலிருந்து தகவல்களைப் பிரித்தெடுத்து, உட்பொருட்கள், தொடர்புகள், மேற்கோள் ஆதாரங்கள் ஆகியவற்றை இணைக்கும் சூழல் வரைபடத்தில் அவற்றை ஒழுங்கமைக்க V7 Go, GPT‑5.6 Luna-வைப் பயன்படுத்துகிறது. இது MCP தேடலுக்கும் நூற்றுக்கணக்கான படிகளைக் கொண்ட மீண்டும் செயல்படுத்தக்கூடிய பணிப்பாய்வுகளுக்கும் ஆற்றல் அளிக்கிறது. மனிதர்கள் முடிக்கப் பல மணிநேரம் ஆகும் சிக்கலான, பல படி அறிவுறுத்தல்களில் ரீஸனிங் மற்றும் கருவிப் பயன்பாட்டுக்காக GPT‑5.6 Terra மற்றும் Sol-ஐ V7 Go பயன்படுத்துகிறது. ஆயிரக்கணக்கான ஆவணங்களில் நிதிப் பகுப்பாய்வு செய்வது உள்ளிட்ட மிகக் கடினமான சூழல் வரைபட வினாக்களில் GPT‑6 Astra-வையும் V7 பயன்படுத்தத் தொடங்கியுள்ளது.

சூழல், மாடல்கள், கருவிகள் ஒன்றிணைந்து செயல்படும்போது, ஒவ்வொரு முடிவுக்கும் தணிக்கை செய்யக்கூடிய தடத்தைப் பராமரித்தபடி, 50–100 படிகளைக் கொண்ட பணிப்பாய்வுகளை ஏஜென்ட்கள் சில நிமிடங்களில் 99.9% துல்லியத்துடன் முடிப்பதாக V7 கூறுகிறது.

சூழல் வரைபடம் ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்கிறது. ஒவ்வொரு கோரிக்கையின்போதும் ஏஜென்ட்கள் சூழலை மீண்டும் கண்டறிய வேண்டியுள்ளது. இதனால் நேரமும் டோக்கன்களும் செலவாகும் பல தேடல்கள் தேவைப்படுவதுடன், தொடர்புகளுக்குள் புதைந்துள்ள முக்கியத் தகவல்களும் அடிக்கடி தவறவிடப்படுகின்றன.

தரவு வந்ததும், SharePoint, Google Drive போன்ற களஞ்சியங்களுடன் V7 Go இணைந்து, உட்பொருட்கள், தொடர்புகள், உண்மைகள், பண்புகள், அளவீடுகள் ஆகியவற்றுக்காக அவற்றை வருடுகிறது. பின்னர் நீண்ட சூழல் அணுகுமுறைகளைவிடப் பன்மடங்கு மலிவாகவும் வேகமாகவும் பயணிக்கக்கூடிய ஒரு வரைபடத்தை நிரப்புகிறது.

ஏஜென்ட்கள் நேரடியாக வினவக்கூடிய, கட்டமைக்கப்பட்ட, புதுப்பித்த பதிவைச் சூழல் வரைபடம் வழங்குகிறது. புதிய கோப்பு வரும்போது, நிறுவனங்கள், நிதியங்கள், நபர்கள் அல்லது கருத்தமைப்பில் உள்ள எந்தவொரு உட்பொருளையும் V7 Go அடையாளம் காண்கிறது. பின்னர் ஒவ்வொரு உண்மையையும் புதிய அல்லது தற்போதைய பதிவுடன் இணைத்து, அசல் மூலத்திற்கான மேற்கோள் ஆதாரத்தைப் பாதுகாக்கிறது. வரைபடத்தில் போதிய தகவல் இல்லாவிட்டாலும், அடிப்படை ஆவணங்களை RAG மூலம் V7 Go தேட முடியும்.

அந்தச் சூழலின் கட்டமைப்பு எந்த அளவுக்கு முக்கியம் என்பதையும் V7 சோதித்துள்ளது. நிறுவன அமைப்புகள் முழுவதும் பரவியுள்ள தகவல்களைக் கண்டறிந்து இணைப்பதற்கான HERB ஒப்பீட்டுச் சோதனையில், V7-இன் மீட்டெடுப்பு மட்டுமே கொண்ட அமைப்பு அதிகாரப்பூர்வ அடிப்படையைவிட 69% சிறப்பாகச் செயல்பட்டதுடன், பதிலளிக்க இயலாத வினாக்களில் புனைதல்களை 38% குறைத்தது. சிக்கலான பணிப்பாய்வுகள் ஒவ்வொரு நிறுவனத்தின் சொந்தத் தகவலையும் அடிப்படையாகக் கொண்டிருக்க, மூலத்துடன் இணைக்கப்பட்ட அந்தச் சூழலை V7 Go பயன்படுத்துகிறது.

தனியார் பங்கு முதலீட்டு ஒப்பந்தப் பரிசீலனை, காப்பீட்டு இடர் மதிப்பீடு போன்ற பணிப்பாய்வுகளில் அந்த ஒழுங்கமைக்கப்பட்ட சூழலை V7 Go பயன்படுத்துகிறது. கீழுள்ள செயல்விளக்கத்தில், ரகசியத் தகவல் குறிப்பாணை (CIM) எனப்படும் ஒப்பந்த ஆவணத்திலிருந்து ஒரு பணிப்பாய்வு தகவல்களைப் பிரித்தெடுக்கிறது. முக்கிய நிதித் தகவல்கள், ஒப்பந்த விதிகள், நிர்வாக விவரங்கள் ஆகியவற்றை வழங்கி, இடர் புலங்களுக்கு மேற்கோளிட்ட பிறகு V7 Go ஒரு பரிசீலனைக் குறிப்பை உருவாக்குகிறது.

ஒரு நிறுவனத்தின் வரலாற்றை ஒவ்வொரு முறையும் மீண்டும் கற்காமல் மாடல் பயன்படுத்துவதற்குச் சூழல் வரைபடம் வழிவகுக்கிறது. நீண்டகாலம் இயங்கும் ஏஜென்ட்களுக்காக, சமீபத்திய உரையாடல்களை மாடலின் செயலில் உள்ள சூழலில் V7 Go வைத்திருந்து, தேவைப்படும்போது மீட்டெடுக்கப் பழைய தகவல்களை வரைபடத்தில் சேமிக்கிறது.

அந்தப் பகிரப்பட்ட சூழல், V7 வாடிக்கையாளர்களின் ஆவணங்கள் அதிகமுள்ள பணிகளை ஏற்கெனவே வேகப்படுத்துகிறது:

• சொத்து மேலாளர்கள் ஒப்பந்தங்களை முன்பைவிட 21 மடங்கு வேகமாகப் பரிசீலித்து, ஒரு நாள் முழுவதும் எடுத்த செயல்முறையை வெறும் 15 நிமிடங்களாகக் குறைக்க முடிகிறது.

• ஒரு நிதிச் சேவைக் குழு மதிப்பாய்வு நேரத்தை 100 மணிநேரத்திற்கும் மேலிருந்து 10 மணிநேரத்திற்குக் கீழாகக் குறைத்து, ஒவ்வொரு பணியிலும் நிபுணர் செலவாக $12,000 சேமித்தது.

• முந்தைய அனைத்து கோரிக்கைகள் மற்றும் தற்போதைய காப்பீட்டுத் திட்டங்களின் வரலாற்று அறிவை ஏஜென்ட்களுக்கு வழங்கிய பிறகு, கைமுறை அடிப்படையுடன் ஒப்பிடுகையில் கோரிக்கைச் செயலாக்கப் பிழைகளை காப்பீட்டுக் குழுக்கள் 13.5% குறைத்தன.

சிக்கலான, பல படிகளைக் கொண்ட பணிப்பாய்வுகள், நீண்ட அறிவுறுத்தல்களை ஒரு மாடல் நம்பகமாகப் பின்பற்றுவது, கருவிகளை இயக்குவது, முடிவுகளைப் புரிந்துகொள்வது, நீண்ட தொடர் படிகளைக் கடப்பது ஆகியவற்றைச் சார்ந்துள்ளன. தொடக்கநிலையில் ஏற்படும் ஒரு பிழைகூட அதிகச் செலவையும் AI அமைப்புகள் மீதான நம்பிக்கை சிதைவையும் ஏற்படுத்தலாம். தீர்மானிக்கப்பட்ட குறியீடு, சிறிய மாடல்களுக்கான பணிமாற்றம், கோப்பு உருவாக்கப் படிகள், ஒருங்கிணைப்புகள் ஆகியவற்றை உள்ளடக்கிய நீண்டகாலப் பணிகளில் மாடல்களுக்கு V7 Go வழிகாட்டுகிறது; ஒவ்வொரு இயக்கத்திற்கும் தணிக்கை செய்யக்கூடிய தடத்தையும் வழங்குகிறது.

AI உருவாக்கிய பணிப்பாய்வுகளில், ஒவ்வொரு படியையும் வேகமான, நடுத்தர, அறிவார்ந்த நிலைகளில் ஒன்றுடன் V7 Go பொருத்துகிறது. கட்டமைக்கப்பட்ட தரவுப் பிரித்தெடுப்பையும் அதிக அளவிலான பிற பணிகளையும் GPT‑5.6 Luna கையாளுகிறது. அரட்டை, Go ஏஜென்ட் பாதை, கூடுதல் ரீஸனிங் அல்லது கருவிப் பயன்பாடு தேவைப்படும் படிகள் ஆகியவற்றை GPT‑5.6 Terra அல்லது Sol இயக்குகின்றன.

மேற்கோள் துல்லியம், நூற்றுக்கணக்கான ஆவண வகைகளில் பிரித்தெடுப்புத் தரம், பதில் சரியானதா, அறிவுறுத்தல் பின்பற்றப்படுகிறதா, தாமதம், செலவு, நடைமுறை நிறுவனப் பணிப்பாய்வுகள் ஆகியவற்றை உள்ளடக்கிய, தொடர்ந்து பராமரிக்கப்படும் ஒப்பீட்டுத் தொகுப்பில் புதிய மாடல்களை V7 சோதிக்கிறது. V7 மிகவும் முக்கியமாகக் கருதும் செயல்பாடுகளில் பெரும்பாலான மாடல்களைவிட OpenAI சிறப்பாகச் செயல்படுகிறது. V7 பயன்படுத்தும் பிற வழங்குநர்கள் பல வாரங்கள் எடுத்துக்கொண்ட நிலையில், V7-இன் கொள்ளளவு அதிகரிப்புத் தேவைகளை OpenAI சில மணிநேரங்களிலேயே அங்கீகரித்துச் செயல்படுத்தியது.

V7-இன் சமீபத்திய சூழல் பணி அமைவில், பல வெளிப்புற அழைப்புகளைக் கொண்ட முக்கியப் பணிப்பாய்வுகள் இப்போது 50% வரை வேகமாக முடிகின்றன. GPT‑5.6 Luna மூலம் மற்றொரு செயல்திறன் மேம்பாட்டையும் V7 அளவிட்டது: GPT‑5.4 mini-ஐவிட ஓர் ஆவணத்திற்கான செலவு 78% குறைந்தது. ஆவணங்கள் அதிகமுள்ள தனது V7 Go பணிச்சுமைகளையும் சாட் கம்ப்ளீஷன்ஸ் API-இலிருந்து Responses API-க்கு V7 மாற்றியது. அதன் சோதனையில், இந்த மாற்றம் PDF அதிகமுள்ள சில பணிப்பாய்வுகளில் டோக்கன் பயன்பாட்டைச் சுமார் 5% குறைத்து, இடைநினைவகத்தின் நம்பகத்தன்மையை மேம்படுத்தியது.

தனது மிகக் கடினமான வினாக்களில் GPT‑6 Astra-வையும் V7 சோதித்தது. V7-இன் தற்போதைய பல ஒப்பீட்டுச் சோதனைகளில் GPT‑5.6 Sol உச்சத்தை எட்டியிருந்தது. எனவே, ஆயிரக்கணக்கான ஆவணங்களில் உள்ள சீரற்ற நடைமுறைத் தரவுகளைப் பயன்படுத்தி, மேலும் சவாலான வரைபட வினாக்களை நிறுவனம் உருவாக்கியது. இந்தச் சோதனையின் தரவுத்தொகுப்பு நான்கு கடினத்தன்மை நிலைகளைக் கொண்டுள்ளது. மிகக் கடினமான நிலையில் GPT‑5.6 Sol 78% மதிப்பெண்ணும் GPT‑6 Astra 89% துல்லியமும் பெற்றதாக V7 தெரிவிக்கிறது. எளிய, நடுத்தர, கடினமான நிலைகளில் இரு மாடல்களும் ஏறக்குறைய 100% மதிப்பெண் பெற்றன.

V7 Go தனது MCP சேவையகம் மூலம் சூழல் வரைபட வினவலையும் தரவு உள்ளீட்டையும் ஏற்கெனவே வழங்குகிறது. எனவே, வாடிக்கையாளர்கள் அதை ChatGPT மற்றும் இணக்கமான பிற பயன்பாடுகளில் பயன்படுத்தலாம். Codex-இல் MCP மூலம் V7 Go பணிப்பாய்வுகளையும் அவர்கள் உருவாக்கலாம். எளிமையான பணிப்பாய்வு வடிவமைப்புடன் இணைந்து, இது நடுத்தர நீளப் பணிப்பாய்வை உருவாக்கத் தேவையான நேரத்தைச் சுமார் ஒரு மணிநேரத்திலிருந்து 20 நிமிடங்களாகக் குறைத்துள்ளது.

அந்தப் பகிரப்பட்ட நினைவகத்தை மேலும் முனைப்பாகச் செயல்படச் செய்வதே V7-இன் நீண்டகால இலக்கு. சூழல் வரைபடத்தில் உள்ள உண்மைகள் மாறும்போது தொடங்கி, முரண்பாடுகளைச் சுட்டிக்காட்டி, எந்தப் பகுப்பாய்வுகளை மீண்டும் பார்க்க வேண்டும் என்பதை மக்களுக்குக் காட்டும் பணிப்பாய்வுகளை உருவாக்கக் குழு முயல்கிறது. எடுத்துக்காட்டாக, திருத்தி வெளியிடப்பட்ட நிதிய அறிக்கை வந்தால், பழைய எண்ணிக்கைகளை இன்னும் சார்ந்துள்ள பணிகளை V7 Go சுட்டிக்காட்டலாம்.

“மிக முக்கியமான பணிகளைத் தீர்க்கும் பணிப்பாய்வுகளையும், மனிதர்களைவிடச் சிறப்பாகச் செயல்படும் நினைவகத்தையும் வழங்கி, AI யுகத்திற்கேற்ப நிறுவனங்கள் தங்கள் கருவிகளை மாற்றியமைக்க உதவுவதே எங்கள் இலக்கு,” என்கிறார் ரிஸோலி. “AI மூலம் உண்மையான பலன் பெறும் நிதி நிறுவனங்கள், மிக அதிக ஏஜென்ட்களைக் கொண்டவையாக இருக்காது. மிகச் சிறந்த சூழலைக் கொண்டவையாகவே இருக்கும்.”