ಬಾಡಿಗೆಯ ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಮಾದರಿ ಕಾರ್ಖಾನೆಯವರೆಗೆ

ವರ್ಷಗಳ ಕಾಲ Thomson Reuters ಮೂರನೇ ವ್ಯಕ್ತಿ ಪ್ರಯೋಗಾಲಯಗಳ (third-party labs) ವಾಣಿಜ್ಯ ಮಾದರಿಗಳನ್ನು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡುವ ಮೂಲಕ AI-ವರ್ಧಿತ ಉತ್ಪನ್ನಗಳನ್ನು ನೀಡುತ್ತಿತ್ತು. ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಎಂದರೆ ಮೊದಲೇ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಂಡು ಸಣ್ಣ ಡೇಟಾಸೆಟ್ ಮೇಲೆ ಅದರ ತೂಕಗಳನ್ನು (weights) ಸರಿಹೊಂದಿಸುವುದು, ಆದರೆ ಇದು ಮಾದರಿಯ ವಿಶಾಲವಾದ ತರ್ಕ ಸಾಮರ್ಥ್ಯವನ್ನು (reasoning) ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಕಂಪನಿಯನ್ನು ಪೂರೈಕೆದಾರರ ಬೆಲೆ ಮತ್ತು API ಮಿತಿಗಳಿಗೆ ಕಟ್ಟಿಹಾಕುತ್ತದೆ.

ಈಗ ಕಂಪನಿಯು AI ಅನ್ನು ಒಂದು ಉತ್ಪಾದನಾ ಲೈನ್‌ನಂತೆ ಪರಿಗಣಿಸುತ್ತದೆ. ಕಳೆದ ಎರಡು ವರ್ಷಗಳಲ್ಲಿ ಇದು ಎಂಜಿನಿಯರ್‌ಗಳು, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಕಂಪ್ಯೂಟ್ ತಜ್ಞರನ್ನು ನೇಮಕ ಮಾಡಿಕೊಂಡಿದೆ ಮತ್ತು Alibaba ನ Qwen architecture ಹೊಂದಿರುವ ಓಪನ್-ಸೋರ್ಸ್ Qwen ಸರಣಿಯಿಂದ ಒಂದು ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಕ್ಲೌಡ್ GPU ಸಮಯ ಮತ್ತು ಆನ್-ಪ್ರೆಮ್ (on-prem) ಹಾರ್ಡ್‌ವೇರ್‌ಗಾಗಿ $40 ಮಿಲಿಯನ್ ವ್ಯಯಿಸಿದೆ. ಓಪನ್-ಸೋರ್ಸ್ ಎಂದರೆ ಕೋಡ್ ಮತ್ತು ತೂಕಗಳು (weights) ಸಾರ್ವಜನಿಕವಾಗಿವೆ ಎಂದರ್ಥ, ಆದ್ದರಿಂದ Thomson Reuters ಯಾವುದೇ ಲೈಸೆನ್ಸಿ ಶುಲ್ಕವಿಲ್ಲದೆ ಬಲವಾದ ಅಡಿಪಾಯದಿಂದ ಪ್ರಾರಂಭಿಸಲು ಸಾಧ್ಯವಾಯಿತು.

Imperial College ಜೊತೆಗಿನ ಪಾಲುದಾರಿಕೆಯು ಮಧ್ಯಂತರ "Snowdon" ಮಾದರಿಯನ್ನು ಸೃಷ್ಟಿಸಿತು, ಇದನ್ನು ಮೊದಲು ಸುರಕ್ಷತೆ, ನೈತಿಕತೆ ಮತ್ತು ರಾಜಕೀಯ ತಟಸ್ಥತೆಗಾಗಿ ಮರುತರಬೇತಿಗೊಳಿಸಲಾಯಿತು—ಗ್ರಾಹಕರನ್ನು ತಲುಪುವ ಮೊದಲು ಯಾವುದೇ LLM ಈ ಅಗತ್ಯತೆಗಳನ್ನು ಪೂರೈಸಲೇಬೇಕು. Snowdon ನಂತರ, ತಂಡವು Westlaw, Practical Law, Checkpoint ಮತ್ತು Reuters ಸುದ್ದಿ ಆರ್ಕೈವ್‌ಗಳಿಂದ ಲಭ್ಯವಿರುವ ಮಾಲೀಕತ್ವದ (proprietary) ವಿಷಯವನ್ನು ಮಾದರಿಗೆ ಒದಗಿಸಿತು. ಈವರೆಗೆ ಆ ವಿಷಯದ ಶೇಕಡಾ 10 ಕ್ಕಿಂತ ಕಡಿಮೆ ಭಾಗವನ್ನು ಬಳಸಲಾಗಿದೆ, ಇದು ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ ವಿಸ್ತರಿಸಲು ಸಾಕಷ್ಟು ಅವಕಾಶವನ್ನು ಉಳಿಸಿದೆ. ಅಂತಿಮ ಹಂತವು ಏಜೆಂಟಿಕ್ ರಿಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (agentic reinforcement learning) ಅನ್ನು ಸೇರಿಸಿತು: ಮಾದರಿಯು Thomson Reuters ನ ಸ್ವಂತ ಟೂಲ್ ಪರಿಸರಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತದೆ, ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು (feedback) ಪಡೆಯುತ್ತದೆ ಮತ್ತು ಕಾರ್ಯದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ತನ್ನ ನೀತಿಯನ್ನು ನವೀಕರಿಸುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ರಿಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗೆ ಸ್ಥಿರ ಉದಾಹರಣೆಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಪ್ರಯತ್ನ ಮತ್ತು ತಪ್ಪುಗಳ (trial and error) ಮೂಲಕ ಗುರಿಗಳನ್ನು (ಸರಿಯಾದ ಉಲ್ಲೇಖವನ್ನು ಹುಡುಕುವಂತಹುದು) ಸಾಧಿಸಲು ಕಲಿಸುತ್ತದೆ.

ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯ ಹೇಗಿದೆ

Stanford LegalBench—ಕಾನೂನು ತರ್ಕದ ಪರೀಕ್ಷೆಗಳ ಸರಣಿ—ನಲ್ಲಿ, ಕಂಪನಿಯ ಒಳಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಮಾದರಿಯು 0.823 ಅಂಕಗಳನ್ನು ಗಳಿಸಿತು, ಇದು Harvey Legal Agent Benchmark ನಲ್ಲಿ Gemini 3.1 Pro, GPT-5.5 ಮತ್ತು Opus 4.8 ರ ನಂತರದ ಸ್ಥಾನದಲ್ಲಿದೆ. ಇದು ಸಾಮಾನ್ಯ ಕೋಡಿಂಗ್ ಮತ್ತು ತರ್ಕದ ಸಮಸ್ಯೆಗಳಲ್ಲೂ ಹಿಂದುಳಿದಿದೆ, ಇದು ಬೃಹತ್, ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ LLM ಗಳಿಗಾಗಿ ಶತಕೋಟಿಗಳನ್ನು ವ್ಯಯಿಸುವ ಫ್ರಾಂಟಿಯರ್ ಲ್ಯಾಬ್‌ಗಳಿಗಿಂತ ಇದರ ಮೂಲ ತರ್ಕ ಸಾಮರ್ಥ್ಯವು ದುರ್ಬಲವಾಗಿದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.

Thomson Reuters ನ ವಿಶೇಷ ಡೇಟಾವನ್ನು ಮಾದರಿಯು ಬಳಸಿಕೊಂಡಾಗ ಅದರ ಅನುಕೂಲವು ಕಂಡುಬರುತ್ತದೆ. ವಾಸ್ತವ ನಿಖರತೆಯನ್ನು ಅಳೆಯುವ Deep Research ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿ, ಮಾದರಿಯು ಕೇವಲ ವೆಬ್ ಪ್ರವೇಶದೊಂದಿಗೆ 0.53 ಅನ್ನು ತಲುಪಿತು—ಇದು GPT-5.4 ರ 0.65 ಕ್ಕಿಂತ ಕಡಿಮೆ. ಅದರ ಆಂತರಿಕ ಕಾನೂನು ಲೈಬ್ರರಿಗಳನ್ನು ಸೇರಿಸಿದಾಗ ನಿಖರತೆಯು 0.83 ಕ್ಕೆ ಏರಿತು, ಇದು ವಾಣಿಜ್ಯ ಸ್ಪರ್ಧಿಯನ್ನು ಹಿಂದಿಕ್ಕಿತು. ಈ ಫಲಿತಾಂಶವು ಒಂದು ಪರಿಚಿತ ಮಾದರಿಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ: ಸಾಧಾರಣ ಗಾತ್ರದ ಮಾದರಿಯು, ಡೊಮೇನ್-ನಿರ್ದಿಷ್ಟ ಜ್ಞಾನವನ್ನು ಪಡೆದಾಗ, ಆ ವಿಶೇಷ ಮಾಹಿತಿಯ ಕೊರತೆಯಿರುವ ಬೃಹತ್ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸೋಲಿಸಬಲ್ಲದು.

"ಮಾಲೀಕತ್ವ" ಏಕೆ "ಬಾಡಿಗೆ"ಗಿಂತ ಉತ್ತಮ?

CTO Joel Hron ಮತ್ತು ಸಂಶೋಧನಾ ಮುಖ್ಯಸ್ಥ Jonathan Schwartz ಈ ಹೂಡಿಕೆಗೆ ಮೂರು ಪ್ರಮುಖ ಕಾರಣಗಳನ್ನು ಸೂಚಿಸುತ್ತಾರೆ:

  1. ವೆಚ್ಚ ಮತ್ತು ಸಾಮರ್ಥ್ಯ – ವಾಣಿಜ್ಯ API ನಲ್ಲಿ ಡಾಕ್ಯುಮೆಂಟ್ ರಿವ್ಯೂನಂತಹ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಕಾರ್ಯಗಳನ್ನು ಮಾಡುವುದರಿಂದ ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಶುಲ್ಕ ವಿಧಿಸಲಾಗುತ್ತದೆ, ಇದು ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಒಂದು ಮೀಸಲಾದ, ಸಣ್ಣ ಮಾದರಿಯು ಕಾನೂನು-ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಲೇ, ಅದೇ ಕೆಲಸವನ್ನು ಅಲ್ಪ ವೆಚ್ಚದಲ್ಲಿ ಮಾಡುತ್ತದೆ.
  2. ಡೇಟಾ ಸಾರ್ವಭೌಮತ್ವ – Thomson Reuters ನ ಅತ್ಯಂತ ಅಮೂಲ್ಯವಾದ ಆಸ್ತಿಯೆಂದರೆ ಅದರ ಸಂಸ್ಕರಿಸಿದ (curated) ಕಾನೂನು ವಿಷಯಗಳು. ಆ ಡೇಟಾವನ್ನು ಬಾಹ್ಯ AI ಪೂರೈಕೆದಾರರಿಗೆ ನೀಡುವುದು ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯ ಅಪಾಯಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಮತ್ತು ಪೂರೈಕೆದಾರರಿಗೆ ಸ್ಪರ್ಧಾತ್ಮಕ ಅನುಕೂಲವನ್ನು ನೀಡುತ್ತದೆ. ಡೇಟಾವನ್ನು ಒಳಗೆ ಇಟ್ಟುಕೊಳ್ಳುವುದು ಸುಧಾರಣೆಗಳು ಖಾಸಗಿಯಾಗಿರುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
  3. ಬೌದ್ಧಿಕ ಸಮಾನತೆಯ ಸಂಯೋಜನೆ (Compounding intellectual equity) – ಪ್ರತಿ ಬಾರಿ ವಕೀಲರು ಮಾದರಿಯ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ, ಆ ಸಂವಹನವನ್ನು ತರಬೇತಿ ಡೇಟಾವಾಗಿ ದಾಖಲಿಸಬಹುದು, ಇದು ಕ್ರಮೇಣ ಮಾದರಿಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಕಾಲಾನಂತರದಲ್ಲಿ, ಕಂಪನಿಯು ಬಾಡಿಗೆ ನೀಡುವ ಬದಲು ಆಸ್ತಿಯನ್ನು ಹೊಂದಿರುವಂತೆ, ಹೆಚ್ಚು ಮೌಲ್ಯಯುತವಾಗುವ ಸ್ವಯಂ-ಬಲವರ್ಧಿತ ಆಸ್ತಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ.

ಮೊದಲ ಬಳಕೆಯ ಪ್ರಕರಣಗಳು ಮತ್ತು ಓಪನ್-ಸೋರ್ಸ್‌ಗೆ ಒಂದು ಗೌರವ

ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಕಡಿಮೆ ವೆಚ್ಚವನ್ನು ಬಯಸುವ ಕಾರ್ಯಗಳಿಗಾಗಿ, ಉದಾಹರಣೆಗೆ ಒಪ್ಪಂದಗಳಿಂದ ರಚನಾತ್ಮಕ ಡೇಟಾವನ್ನು ಹೊರತೆಗೆಯುವ Tabular Analysis ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ, Thomson Reuters ನ CoCounsel Legal ಸೂಟ್‌ನಲ್ಲಿ ಈ ಮಾದರಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಲಾಗುತ್ತಿದೆ. ಇದು ಕಾನೂನು ಕರಡು ತಯಾರಿಕೆಯಲ್ಲಿ (legal drafting) ಪುನರಾವರ್ತಿತ ಆದರೆ ನಿಖರತೆ ಅತ್ಯಗತ್ಯವಾದ ಹಂತವಾದ ಉಲ್ಲೇಖ ಪರಿಶೀಲನೆಯನ್ನು (citation-checking) ಸಹ ನಿರ್ವಹಿಸುತ್ತದೆ.

ಡೆವಲಪರ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ಪೋಷಿಸಲು, ಇದರ ಸಂಕ್ಷಿಪ್ತ ಆವೃತ್ತಿಯು Hugging Face ನಲ್ಲಿ ವಾಣಿಜ್ಯೇತರ ಪರವಾನಗಿಯ ಅಡಿಯಲ್ಲಿ ಲಭ್ಯವಿರುತ್ತದೆ. ಇದು ಸಂಶೋಧಕರು ಮತ್ತು ಪಾಲುದಾರರು ಕಂಪನಿಯ ಆದಾಯದ ಉತ್ಪನ್ನಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುವ ಪೂರ್ಣ, ಮಾಲೀಕತ್ವದ ಮಾದರಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ ಪ್ರಯೋಗ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.