Vállalati adatokra épülő kontextusgráfot indított a V7

A V7 Go platformja mesterséges intelligencia (AI) ügynököknek ad intézményi memóriát, lehetővé téve számukra a vállalati adatok gyors és pontos lekérdezését. A GPT-6 Astra modell a legnehezebb lekérdezések 89%-át képes pontosan megválaszolni, miközben a GPT-5.6 Luna 78%-kal csökkenti a dokumentumonkénti költségeket és 11,6 százalékponttal javítja a pontosságot. (OpenAI)

A mai AI-modellek képesek komplex feladatokat megoldani, de nem értik automatikusan az üzleti kontextust. Ez az információ szétszórva él dokumentumokban, adatbázisokban, e-mailekben és belső eszközökben. A V7 Go platformja ezt a kontextust szervezi egy „kontextusgráfba”, amely összeköti az entitásokat, kapcsolatokat és hivatkozott bizonyítékokat. A pénzügyi, biztosítási és ingatlan szektorban dolgozó csapatok számára a munkafolyamatokon belüli lekérdezési pontosság kritikus fontosságú.

Kontextusgráf az üzleti tudásért

A V7 Go a GPT-5.6 Luna modellt használja több millió fájlból történő információk kinyerésére és azoknak a kontextusgráfba rendezésére. Ez a megközelítés lehetővé teszi az ismételhető, több száz lépésből álló munkafolyamatok futtatását. A komplex, több lépésből álló utasításokhoz a GPT-5.6 Terra és Sol modelleket használja a V7 Go a gondolkodási és eszköztár-használati feladatokhoz. A legigényesebb kontextusgráf-lekérdezésekhez, beleértve a több ezer dokumentumon átívelő pénzügyi elemzéseket, a V7 elkezdte használni a GPT-6 Astra modellt.

A V7 szerint az AI-ügynökök a kontextus, a modellek és az eszközök együttes használatával percek alatt képesek 50–100 lépéses munkafolyamatokat elvégezni, 99,9%-os pontossággal, miközben minden döntésről auditálható nyomot hagynak. A kontextusgráf megoldja azt a problémát, hogy az ügynököknek minden kérésre újra fel kell fedezniük a kontextust, ami időt és tokeneket emészt fel. Az új fájlok érkezésekor a V7 Go azonosítja az entitásokat és kapcsolatokat, és egy grafikonba rendezi azokat, amely egy nagyságrenddel olcsóbb és gyorsabb a hosszú kontextusú megközelítéseknél.

Teljesítmény és költséghatékonyság

A HERB teljesítményteszten, amely az vállalati rendszerekben szétszórt információk megtalálására és összekapcsolására szolgál, a V7 kizárólag visszakeresésre épülő rendszere 69%-kal múlta felül a hivatalos alapvonalat, és 38%-kal csökkentette a nem megválaszolható lekérdezések téves válaszait. A V7 Go a forrásokkal összekapcsolt kontextust használja a komplex munkafolyamatok alapozásához a cégek saját információin belül. A V7 Go által szervezett kontextus olyan munkafolyamatokban használatos, mint a magántőke-befektetési ügyletek szűrése és a biztosítási kockázatértékelés.

A V7 szerint az AI-ügynökök percek alatt képesek 50–100 lépéses munkafolyamatokat elvégezni, 99,9%-os pontossággal. Az Asset menedzserek 21-szer gyorsabban szűrik az ügyleteket, egy pénzügyi szolgáltató csapat 100 óra helyett 10 óra alatt végez, és a biztosítási csapatok 13,5%-kal csökkentették a kárfeldolgozási hibákat. A GPT-5.6 Luna 78%-kal csökkentette a dokumentumonkénti költséget a GPT-5.4 minihez képest. A V7 a GPT-6 Astrát a legnehezebb lekérdezéseken tesztelte, ahol a modell 89%-os pontosságot ért el.