V7 ปฏิวัติเอเจนต์ AI ด้วยระบบความจำ Context Graph ประสิทธิภาพสูง

V7 เปลี่ยนไฟล์ข้อมูลของบริษัทให้กลายเป็นบริบทสำคัญสำหรับเอเจนต์ AI โดย GPT-6 Astra สามารถทำความแม่นยำได้สูงถึง 89% ในการทดสอบคำสั่งสืบค้นผ่านกราฟข้อมูลที่ซับซ้อนที่สุด

ผลลัพธ์

89% ความแม่นยำสำหรับ GPT-6 Astra ในการสืบค้นที่ยากที่สุด

78% ต้นทุนต่อเอกสารต่ำลงด้วย GPT-5.6 Luna

+11.6 pts ความแม่นยำสูงขึ้นด้วย GPT-5.6 Luna

แม้โมเดล AI ในปัจจุบันจะสามารถให้เหตุผลในงานซับซ้อนได้ดี แต่พวกมันมักขาดความเข้าใจในบริบทพื้นฐานทางธุรกิจ เช่น การระบุว่ารายงานฉบับใดเป็นฉบับปัจจุบัน หรือการเชื่อมโยงชื่อเอนทิตีที่แตกต่างกันในแต่ละระบบ ซึ่งข้อมูลเหล่านี้มักกระจัดกระจายอยู่ในเอกสาร สเปรดชีต และอีเมล ทำให้เอเจนต์เข้าถึงได้ยาก

หลังจากประสบความสำเร็จในการสร้างแอปพลิเคชัน computer vision Alberto Rizzoli และ Simon Edwardsson ได้ก่อตั้ง V7(opens in a new window) ในปี 2018 เพื่อสอนให้ระบบ AI เข้าใจการทำงานของธุรกิจผ่านแพลตฟอร์ม V7 Go ซึ่งจัดระเบียบบริบทที่ถูกฝังอยู่ให้กลายเป็นหน่วยความจำที่เอเจนต์สามารถสืบค้นและใช้งานได้จริง

V7 Go ใช้ GPT-5.6 Luna ในการสกัดข้อมูลจากไฟล์นับล้านเพื่อสร้าง Context Graph ที่เชื่อมโยงความสัมพันธ์ของข้อมูลและหลักฐานอ้างอิง พร้อมใช้ GPT-5.6 Terra และ Sol ในการจัดการเวิร์กโฟลว์ที่ซับซ้อนหลายร้อยขั้นตอน นอกจากนี้ยังเริ่มนำ GPT-6 Astra มาใช้กับการวิเคราะห์ทางการเงินผ่านเอกสารจำนวนมหาศาลที่ต้องการความแม่นยำสูงสุด

ด้วยการทำงานร่วมกันของบริบทและโมเดลประสิทธิภาพสูง V7 ระบุว่าเอเจนต์สามารถจัดการเวิร์กโฟลว์ 50-100 ขั้นตอนให้เสร็จสิ้นได้ในเวลาไม่กี่นาที โดยมีความแม่นยำสูงถึง 99.9% และยังคงรักษาประวัติการตัดสินใจที่ตรวจสอบย้อนกลับได้ทุกขั้นตอน เพื่อตอบโจทย์งานด้านการเงินและการประกันภัยที่ AI ต้องเรียนรู้วิธีดำเนินธุรกิจให้เชี่ยวชาญเทียบเท่าการเรียนรู้จากอินเทอร์เน็ต

ระบบ Context Graph ช่วยแก้ปัญหาการสิ้นเปลือง token และเวลาจากการที่เอเจนต์ต้องค้นหาบริบทใหม่ทุกครั้ง โดย V7 Go จะเชื่อมต่อกับแหล่งข้อมูลอย่าง SharePoint หรือ Google Drive เพื่อสแกนเอนทิตีและความสัมพันธ์ แล้วนำไปใส่ในกราฟข้อมูลที่ประหยัดต้นทุนและรวดเร็วกว่าการใช้แนวทาง long-context ทั่วไปถึงหนึ่งเท่าตัว

ในการทดสอบผ่านเกณฑ์มาตรฐาน HERB ระบบของ V7 ทำผลงานได้ดีกว่าเกณฑ์มาตรฐานเดิมถึง 69% และลดการเกิดอาการหลอน (hallucinations) ลง 38% ทำให้เวิร์กโฟลว์ที่ซับซ้อน เช่น การคัดกรองข้อตกลงไพรเวทอิควิตี้ (Private Equity) หรือการพิจารณารับประกันภัย สามารถดำเนินไปได้อย่างแม่นยำภายใต้ขอบเขตข้อมูลของแต่ละบริษัทเอง

ประโยชน์ที่เกิดขึ้นจริงกับลูกค้าของ V7 ได้แก่:

• ผู้จัดการสินทรัพย์คัดกรองข้อตกลงได้เร็วขึ้น 21 เท่า (จาก 1 วันเหลือ 15 นาที)
• ทีมบริการทางการเงินลดเวลาตรวจสอบจาก 100 ชั่วโมงเหลือไม่ถึง 10 ชั่วโมง
• ทีมประกันภัยลดข้อผิดพลาดในการประมวลผลเคลมลง 13.5% จากความสามารถในการเข้าถึงประวัติกรมธรรม์ย้อนหลัง

นอกจากด้านความแม่นยำแล้ว V7 ยังพบว่า GPT-5.6 Luna ช่วยลดต้นทุนต่อเอกสารลงถึง 78% เมื่อเทียบกับ GPT-5.4 mini และ GPT-5.6 Sol ยังลดอัตราข้อผิดพลาดในการเรียกใช้เครื่องมือ (tool use) จาก 2.7% เหลือเพียง 0.2% ซึ่งความรวดเร็วในการเพิ่มขีดความสามารถของ OpenAI ยังเป็นปัจจัยสำคัญที่ช่วยให้ระบบทำงานได้รวดเร็วขึ้นถึง 50% ในเวิร์กโฟลว์สำคัญ

เป้าหมายระยะยาวของ V7 คือการพัฒนาหน่วยความจำเชิงรุกที่สามารถแจ้งเตือนเมื่อข้อมูลใน Context Graph เปลี่ยนแปลง หรือตรวจพบความไม่สอดคล้องของตัวเลขในรายงาน โดย Rizzoli ทิ้งท้ายว่าบริษัทที่จะได้รับคุณค่าจาก AI มากที่สุดไม่ใช่บริษัทที่มีเอเจนต์มากที่สุด แต่คือบริษัทที่มีบริบทของข้อมูลดีที่สุด