V7, yapay zekâ ajanlarına nasıl kurumsal hafıza kazandırıyor

Günümüz modelleri karmaşık görevlerde akıl yürütebiliyor, ancak bu görevlerin temelindeki iş bağlamını kendiliğinden anlayamıyor. Hangi fon raporu güncel? Aynı varlık üç farklı sistemde nasıl adlandırılıyor?

Bu bağlam; belgelere, veri odalarına, elektronik tablolara, e-postalara ve şirket içi araçlara dağılmış, çözümlenmemiş ve ajanların göremediği hâldedir. Finans, sigorta ve gayrimenkul ekipleri için iş akışlarındaki getirme doğruluğundan taviz verilemez.

Rizzoli ve Edwardsson, yaygın kullanılan bir bilgisayarlı görü erişilebilirlik uygulamasını birlikte geliştirdikten sonra şirketlerin yapay zekâ sistemlerine işletmelerinin nasıl çalıştığını öğretmelerine yardımcı olmak amacıyla 2018'de V7⁠(yeni bir pencerede açılır)'yi kurdu. V7 Go, kritik iş akışları oluşturmaya ve dağınık bağlamı ajanların sorgulayıp eyleme dönüştürebileceği bir bellekte düzenlemeye yönelik ajan tabanlı bir platformdur.

V7 Go, milyonlarca dosyadan bilgi çıkarmak ve bunları Bağlam Grafiği'nde düzenlemek için GPT‑5.6 Luna'yı kullanır. Varlıkları, ilişkileri ve kaynak gösterilen kanıtları birbirine bağlayan bu grafik; MCP aramasını ve yüzlerce adıma uzanabilen tekrarlanabilir iş akışlarını destekler. V7 Go, insanların tamamlaması onlarca saat süren karmaşık ve çok adımlı talimatlarda akıl yürütme ve araç kullanımı için İş Akışlarında GPT‑5.6 Terra ve Sol'u kullanır. V7 ayrıca binlerce belgeyi kapsayan finansal analizler dâhil en zorlu Bağlam Grafiği sorgularında GPT‑6 Astra'yı kullanmaya başlıyor.

V7'ye göre bağlam, modeller ve araçlar birlikte çalıştığında ajanlar 50–100 adımlık iş akışlarını dakikalar içinde %99,9 doğrulukla tamamlıyor ve alınan her kararın denetlenebilir kaydını tutuyor.

Bağlam Grafiği belirli bir sorunu çözüyor. Ajanlar her istekte bağlamı yeniden keşfetmek zorunda kalıyor. Bu da zaman ve token harcayan onlarca aramaya yol açıyor; üstelik ilişkilerin içinde saklı kritik bilgiler çoğu zaman gözden kaçıyor.

Veriler geldiğinde V7 Go, SharePoint ve Google Drive gibi depolara bağlanıp varlıkları, ilişkileri, olguları, nitelikleri ve metrikleri tarar. Ardından uzun bağlamlı yaklaşımlara göre katbekat daha düşük maliyetle ve daha hızlı taranabilen bir grafiği doldurur.

Bağlam Grafiği, ajanlara doğrudan sorgulayabilecekleri yapılandırılmış ve güncel bir kayıt sunar. Yeni bir dosya geldiğinde V7 Go, ontolojideki şirketleri, fonları, kişileri veya diğer varlıkları belirler; her olguyu yeni ya da mevcut bir kayda bağlar ve özgün kaynağa atıf yapan kanıtları korur. Grafik yeterli bilgi içermiyorsa V7 Go, RAG ile temel belgelerde arama yapmaya devam edebilir.

V7, bu bağlamın yapısının ne kadar önemli olduğunu da test etti. Kurumsal sistemlere dağılmış bilgileri bulup ilişkilendirmeye yönelik HERB kıyaslamasında, V7'nin yalnızca getirmeye dayalı sistemi resmî temel performansı %69 aştı ve yanıtlanamayan sorgulardaki halüsinasyonları %38 azalttı. V7 Go, karmaşık iş akışlarını her şirketin kendi bilgilerine dayandırmak için kaynaklara bağlı bu bağlamı kullanır.

V7 Go bu düzenli bağlamı, özel sermaye anlaşmalarının taranması ve sigorta risk değerlendirmesi gibi iş akışlarında kullanır. Aşağıdaki demoda bir iş akışı, Gizli Bilgi Memorandumu (CIM) adlı anlaşma belgesinden bilgi çıkarır; temel finansal verileri, anlaşma koşullarını ve yönetim ayrıntılarını işler, risk alanlarına kaynak gösterir ve ardından V7 Go bir ön değerlendirme notu oluşturur.

Bağlam Grafiği, bir modelin şirketin geçmişini her seferinde yeniden öğrenmeden kullanabilmesini sağlar. V7 Go, uzun süre çalışan ajanlarda yakın tarihli konuşmaları modelin etkin bağlamında tutar; eski içerikleri ise gerektiğinde getirmek üzere grafikte saklar.

Bu paylaşılan bağlam, V7 müşterilerinin belge ağırlıklı çalışmalarını şimdiden hızlandırıyor:

• Varlık yöneticileri anlaşmaları eskisine göre 21 kat daha hızlı tarayarak tam gün süren bir süreci yalnızca 15 dakikaya indirebiliyor

• Bir finansal hizmetler ekibi, inceleme süresini 100 saatin üzerinden 10 saatin altına indirerek görev başına 12.000 ABD doları uzman maliyetinden tasarruf etti

• Sigorta ekipleri, ajanlarına önceki tüm hasar talepleri ve mevcut poliçeler hakkında geçmiş bilgisi sağladıktan sonra hasar talebi işlemedeki hataları manuel temel sürece kıyasla %13,5 azalttı

Karmaşık ve çok adımlı iş akışları; bir modelin uzun talimatları güvenilir biçimde izlemesine, araçları çalıştırmasına, sonuçları yorumlamasına ve uzun bir adımlar dizisini yürütmesine bağlıdır. Sürecin başındaki tek bir hata, maliyetli sonuçlara ve yapay zekâ sistemlerine duyulan güvenin zedelenmesine yol açabilir. V7 Go; deterministik kod, daha küçük modellere devir, dosya oluşturma adımları ve entegrasyonları kapsayan uzun soluklu görevlerde modellere yol gösterir ve her çalıştırmanın denetlenebilir kaydını tutar.

V7 Go, yapay zekâ tarafından oluşturulan iş akışlarındaki her adımı hızlı, orta ve akıllı katmanlardan biriyle eşleştirir. GPT‑5.6 Luna yapılandırılmış veri çıkarma ve diğer yüksek hacimli işleri yürütürken GPT‑5.6 Terra veya Sol; sohbeti, Go Agent yolunu ve daha fazla akıl yürütme ya da araç kullanımı gerektiren adımları destekler.

V7, yeni modelleri sürekli güncellenen bir kıyaslama paketiyle test eder. Bu paket; alıntı doğruluğunu, yüzlerce belge türünde veri çıkarma kalitesini, yanıt doğruluğunu, talimatlara uyumu, gecikmeyi, maliyeti ve gerçek kurumsal iş akışlarını kapsar. OpenAI, V7'nin en çok önem verdiği davranışlarda çoğu modelden daha iyi performans gösteriyor. Ayrıca OpenAI, V7'nin kapasite artırma taleplerini birkaç saat içinde onaylayıp uyguladı; V7'nin kullandığı diğer sağlayıcılarda bu süreç haftalar sürüyor.

V7'nin en yeni düzeneğinde, birden çok harici çağrı içeren temel iş akışları artık %50'ye varan oranda daha hızlı tamamlanıyor. V7, GPT‑5.6 Luna ile bir başka verimlilik artışı daha ölçtü: belge başına maliyet GPT‑5.4 mini'ye kıyasla %78 düştü. V7 ayrıca belge ağırlıklı V7 Go iş yüklerini Chat Completions API'den Responses API'ye taşıdı. Testlerde bu değişiklik, PDF ağırlıklı bazı iş akışlarında token kullanımını yaklaşık %5 azalttı ve önbelleğe alma güvenilirliğini artırdı.

V7, en zor sorgularında GPT‑6 Astra'yı da test etti. GPT‑5.6 Sol, V7'nin mevcut kıyaslamalarının çoğunda üst sınıra ulaşmıştı. Bu nedenle şirket, binlerce belgedeki daha karmaşık gerçek dünya verilerini kullanarak daha zorlu bir grafik sorgusu soru seti oluşturdu. Testin veri kümesi dört zorluk düzeyini kapsıyor. V7'nin bildirdiğine göre çok zor düzeyde GPT‑5.6 Sol %78, GPT‑6 Astra ise %89 doğruluk elde etti. Her iki model de kolay, orta ve zor düzeylerde %100'e yakın puan aldı.

V7 Go, Bağlam Grafiği sorgulama ve veri alımını zaten MCP sunucusu üzerinden kullanıma sunuyor. Böylece müşteriler bunları ChatGPT ve diğer uyumlu istemcilerden kullanabiliyor. Müşteriler Codex'te MCP üzerinden V7 Go iş akışları da oluşturabiliyor. Bu özellik, daha basit iş akışı tasarımıyla birlikte orta uzunluktaki bir iş akışını oluşturmak için gereken süreyi yaklaşık bir saatten 20 dakikaya indirdi.

V7'nin uzun vadeli hedefi, bu paylaşılan belleği daha proaktif hâle getirmek. Ekip; Bağlam Grafiği'ndeki olgular değiştiğinde başlayan, tutarsızlıkları işaretleyen ve hangi analizlerin yeniden incelenmesi gerektiğini gösteren iş akışları üzerinde çalışıyor. Örneğin yeniden düzenlenmiş bir fon raporu, V7 Go'nun hâlâ eski rakamlara dayanan çalışmaları işaretlemesini sağlayabilir.

Rizzoli, “Hedefimiz, kritik görevleri çözen iş akışları ve biz insanlardan daha başarılı bir bellekle işletmelerin yapay zekâ çağına uygun araçlarla yeniden donatılmasına yardımcı olmak,” diyor. “Yapay zekâdan gerçek değer elde eden finans şirketleri, en fazla ajana sahip olanlar olmayacak. En iyi bağlama sahip olanlar olacak.”