برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
هنگامی که شرکت تحقیقاتی حقوقی LexisNexis دستیار AI Protégé خود را ایجاد کرد ، می خواست بهترین راه برای استفاده از تخصص خود را بدون استفاده از یک مدل بزرگ بفهمد.
Protégé با هدف کمک به وکلا ، همکاران و همکاران ، اسناد حقوقی را می نویسد و اثبات می کند و اطمینان حاصل می کند که هر چیزی که در شکایات و خلاصه ها استناد می کنند ، دقیق است. با این حال ، Lexisnexis نمی خواست یک دستیار عمومی هوش مصنوعی باشد. آنها می خواستند یکی از آنها را بسازند که گردش کار یک شرکت را یاد بگیرد و قابل تنظیم تر باشد.
Lexisnexis این فرصت را دید که قدرت مدل های بزرگ زبان (LLMS) را از انسان شناسی و سوء استفاده از آن بیابد و بهترین مدل هایی را پیدا کند که به سؤالات کاربر بهترین پاسخ می دهد ، جف ریل ، CTO از Lexisnexis حقوقی و حرفه ای ، به VentureBeat گفت.
ریل گفت: “ما از بهترین مدل برای مورد استفاده خاص به عنوان بخشی از رویکرد چند مدل خود استفاده می کنیم. ما از مدل استفاده می کنیم که بهترین نتیجه را با سریعترین زمان پاسخ ارائه می دهد.” “برای برخی موارد استفاده ، این یک الگوی زبان کوچک مانند mistral خواهد بود یا ما برای بهبود عملکرد و کاهش هزینه ، تقطیر را انجام می دهیم.”
در حالی که LLM ها هنوز هم در ساخت برنامه های هوش مصنوعی ارزش ارائه می دهند ، برخی از سازمان ها به استفاده از مدل های زبان کوچک (SLM) یا تقطیر LLM ها روی می آورند تا به نسخه های کوچک از همان مدل تبدیل شوند.
تقطیر ، جایی که یک LLM یک مدل کوچکتر را آموزش می دهد ، برای بسیاری از سازمان ها به یک روش محبوب تبدیل شده است.
مدل های کوچک اغلب برای برنامه هایی مانند Chatbots یا تکمیل کد ساده بهتر کار می کنند ، این همان چیزی است که LexisNexis می خواست برای Protégé استفاده کند.
این اولین بار نیست که لکسیسکسیس برنامه های هوش مصنوعی را ساخت ، حتی قبل از راه اندازی مرکز تحقیقات حقوقی خود Lexisnexis + AI در ژوئیه 2024.
ریل گفت: “ما در گذشته از هوش مصنوعی زیادی استفاده کرده ایم که بیشتر مربوط به پردازش زبان طبیعی ، برخی از یادگیری عمیق و یادگیری ماشین است.” “این واقعاً در نوامبر 2022 هنگام راه اندازی Chatgpt تغییر کرد ، زیرا قبل از آن ، بسیاری از قابلیت های هوش مصنوعی به نوعی پشت صحنه بودند. اما به محض اینکه چتگپ بیرون آمد ، قابلیت های تولیدی ، قابلیت های مکالمه آن برای ما بسیار ، بسیار جذاب بود.”
مدل های کوچک و مرتب و مسیریابی مدل
ریل گفت: لکسیسکسیس هنگام ساخت سیستم عامل های هوش مصنوعی خود از مدل های مختلفی از اکثر ارائه دهندگان اصلی مدل استفاده می کند. Lexisnexis + AI از مدل های Claude از مدل های GPT ، OpenAi و مدلی از Mistral استفاده کرد.
این رویکرد چند حالته به تجزیه هر وظیفه ای که کاربران می خواستند روی این سکو انجام دهند ، کمک کرد. برای انجام این کار ، Lexisnexis مجبور شد پلت فرم خود را معمار کند تا بین مدل ها جابجا شود.
ریه گفت: “ما هر کاری را که در مؤلفه های فردی انجام می شد ، تجزیه می کنیم و سپس بهترین مدل بزرگ زبان را برای پشتیبانی از آن مؤلفه شناسایی می کنیم. یک نمونه از آن این است که ما از mistral برای ارزیابی پرس و جو مورد استفاده کاربر استفاده خواهیم کرد.”
برای Protégé ، این شرکت می خواست زمان پاسخ سریعتر و مدل های دقیق تر برای موارد استفاده قانونی تنظیم شود. بنابراین به آنچه Riehl نسخه های “تنظیم شده خوب” از مدل ها می نامد ، در واقع نسخه های وزن کوچکتر LLM یا مدل های مقطر است.
وی گفت: “شما برای انجام ارزیابی یک پرس و جو به GPT-4O احتیاج ندارید ، بنابراین ما از آن برای کارهای پیشرفته تر استفاده می کنیم و مدل ها را تغییر می دهیم.”
هنگامی که یک کاربر از Protégé سؤالی در مورد یک مورد خاص می پرسد ، اولین مدل It Pings یک اشتباه تنظیم شده است “برای ارزیابی پرس و جو ، سپس تعیین هدف و هدف آن پرس و جو” قبل از تغییر به مدل مناسب برای انجام کار. ریل گفت مدل بعدی می تواند LLM باشد که نمایش داده های جدیدی را برای موتور جستجو یا مدل دیگری ایجاد می کند که نتایج را خلاصه می کند.
در حال حاضر ، Lexisnexis بیشتر به یک مدل Mistral تنظیم شده متکی است ، اگرچه Riehl گفت که از یک نسخه تنظیم شده خوب از کلود استفاده می کند “وقتی برای اولین بار بیرون آمد ؛ ما امروز از آن در محصول استفاده نمی کنیم بلکه به روش های دیگر.” Lexisnexis همچنین علاقه مند به استفاده از سایر مدل های OpenAI است ، به ویژه که این شرکت سال گذشته با قابلیت های تنظیم خوب آرماتور جدید ظاهر شد. Lexisnexis در حال ارزیابی مدل های استدلال Openai از جمله O3 برای سیستم عامل های خود است.
Riehl افزود: همچنین ممکن است به استفاده از مدل های Gemini از Google بپردازد.
Lexisnexis تمام سیستم عامل های هوش مصنوعی خود را با نمودار دانش خود برای انجام قابلیت های تولید شده بازیابی (RAG) بازیابی می کند ، به خصوص که پروتکل می تواند بعداً به راه اندازی فرآیندهای عامل کمک کند.
مجموعه حقوقی هوش مصنوعی
حتی قبل از ظهور هوش مصنوعی تولیدی ، لکسیسکسیس امکان کار چت بابات را برای کار در صنعت حقوقی آزمایش کرد. در سال 2017 ، این شرکت یک دستیار هوش مصنوعی را آزمایش کرد که با Ross و Protégé IBM در پلت فرم Lexisnexis + AI شرکت می کند ، که خدمات AI Lexisnexis را گرد هم می آورد.
Protégé به موسسات حقوقی در انجام کارهایی کمک می کند که متقاضیان یا همکاران تمایل به انجام آن دارند. این کمک می کند تا به نوشتن خلاصه نامه ها و شکایات قانونی که در اسناد و داده های بنگاه ها پایه گذاری شده است ، مراحل بعدی گردش کار را پیشنهاد کنید ، پیشنهادات جدیدی را برای اصلاح جستجو ، پیش نویس سؤالات مربوط به رسوبات و کشف ، نقل قول های پیوند در پرونده های صحت ، تولید جدول زمانی و البته خلاصه اسناد حقوقی پیچیده را پیشنهاد کنید.
ریل گفت: “ما پروتئین را به عنوان گام اولیه در شخصی سازی و قابلیت های عامل می بینیم.” “در مورد انواع مختلف وکلا فکر کنید: M&A ، دادخواهان ، املاک و مستغلات. بر اساس کار خاصی که انجام می دهید ، بیشتر و بیشتر شخصی سازی می شود. چشم انداز ما این است که هر حرفه ای حقوقی یک دستیار شخصی خواهد داشت تا به آنها کمک کند تا بر اساس آنچه انجام می دهند ، انجام دهند ، نه آنچه سایر وکلا انجام می دهند.”
Protégé اکنون در برابر سایر سیستم عامل های تحقیق و فناوری حقوقی رقابت می کند. تامسون رویترز برای دستیار حقوقی Cocounsel ، O1-Mini-Model Openai را سفارشی کرد. هاروی ، که 300 میلیون دلار از سرمایه گذاران از جمله Lexisnexis جمع آوری کرده است ، همچنین یک دستیار حقوقی هوش مصنوعی دارد.