Harvey rakensi oman juridiikan tekoälymallin Kimi K3:n pohjalta – syynä olivat laatu ja kustannukset

Näin Tenet koulutettiin

Tenet ei ole alusta asti koulutettu uusi yleiskäyttöinen perustavanlaatuinen malli. Kyseessä on erikoistunut malli, joka rakennettiin olemassa olevan avoimesti julkaistun mallipohjan – raporttien mukaan Moonshot AI:n Kimi K3:n – päälle ja jota koulutettiin lisää juridista päättelyä varten.

Harveyn raportoitu koulutusaineisto yhdisti:

• julkisesti saatavilla olevaa oikeudellista aineistoa;
• synteettisiä juridisia tehtäviä ja simuloituja riitatilanteita;
• kuvitteellisia asiakirjakokonaisuuksia ja sopimustilanteita; sekä
• juristien ja muiden oikeudellisten asiantuntijoiden laatimia, tarkistamia tai arvioimia esimerkkejä.

Juristien rooli on olennainen. Juridinen asiantuntemus ei ole vain asiakirjojen tuntemista, vaan myös sen arvioimista, onko tulkinta, neuvottelustrategia tai monivaiheinen analyysi perusteltu. Kun juristit laativat tehtäviä ja arvioivat mallin vastauksia, koulutus- ja testiaineisto voidaan sovittaa lähemmäs todellisen juridisen työn laatukriteerejä.

Millaisia tuloksia Harvey kertoo saavuttaneensa?

Harvey kuvaa Tenetin suorituskykyä ”huipputasoiseksi” keskeisissä juridisissa vertailutesteissä ja sanoo sen yltävän relevantissa työssä johtavien yleismallien tasolle.

Yhtiön teknisen päivityksen mukaan Tenet suoritti lähes kaksi kertaa enemmän Legal Agent Benchmarkin (LAB) erillään pidettyjä tehtäviä kuin Kimi K3:n lähtömalli. LAB Contracts -testissä tehtävien määrä kasvoi 20 prosenttia. Harvey raportoi lisäksi, että kaikkien testin tehtävien läpäisyaste nousi LABissa 9 prosenttiyksikköä ja LAB Contractsissa 2 prosenttiyksikköä.

Erillisessä yhtiön ilmoituksessa parannukset esitetään suhteellisina lukuina: LABissa 82 prosenttia ja LAB Contractsissa 22 prosenttia. Harveyn mukaan Tenet sijoittui LAB Contractsissa ensimmäiseksi ja koko LAB-testissä toiseksi.

Näitä lukuja on kuitenkin syytä pitää yhtiön raportoimina vertailutestituloksina, ei todisteena siitä, että Tenet olisi kaikissa tilanteissa suljettuja malleja tarkempi tai luotettava kaikissa oikeusjärjestelmissä ja juridisissa asioissa. Tässä käytettävissä oleva näyttö perustuu pääosin Harveyn omaan ilmoitukseen ja siihen pohjautuvaan uutisointiin. Riippumatonta vahvistusta todellisen juridisen työn tarkkuudesta ei ole esitetty.

Harvey siirtyy mallien käyttäjästä niiden omistajaksi

Ennen Tenetiä Harveyn strategia oli ensisijaisesti sovellusvetoinen. Yhtiö pystyi muokkaamaan kehotteita, työnkulkuja ja mallien reititystä samalla kun se käytti ulkopuolisten toimittajien suljettuja malleja. Näin tehokkaita malleja sai tuotteeseen ilman oman mallipinon rakentamista ja ylläpitoa.

Tenet muuttaa mallin asemaa Harveyn teknologiassa:

• Aiemmin: suljettuja malleja koordinoitiin ja räätälöitiin ulkopuolisten palveluntarjoajien kautta.
• Nyt: julkaistuista mallipainoista lähdetään liikkeelle, niitä jälkikoulutetaan juridisiin tehtäviin ja erikoistunutta mallia käytetään osana Harveyn omaa tuotetta.

Muutos ei ole vain tekninen. Pääsy mallin painoihin antaa Harveylle enemmän vapautta säätää mallia oman datansa, testiensä ja työnkulkujensa perusteella. Yhtiö voi myös tehdä omia ratkaisujaan palvelininfrastruktuurista ja optimoinnista sen sijaan, että jokaisesta pyynnöstä maksettaisiin suljetun rajapinnan tarjoajalle.

Mitä jälkikoulutus tarkoittaa?

Jälkikoulutus tarkoittaa mallin lisäkoulutusta sen jälkeen, kun sen laaja perustason koulutus on valmis. Tarkoitus ei ole opettaa mallille yleistä kielitaitoa alusta alkaen, vaan parantaa tiettyjä taitoja ja toimintatapoja valikoitujen esimerkkien, asiantuntijapalautteen, synteettisten tehtävien ja tuloksiin perustuvien arvioiden avulla.

Tenetin tapauksessa tavoitteena oli juridinen päättely pitkissä ja vaiheittaisissa tehtävissä. Harveyn mukaan koulutuksessa käytettiin synteettistä, julkista ja ihmisten tuottamaa asiantuntijadataa, minkä jälkeen mallia mitattiin tehtävillä, joita ei käytetty koulutukseen.

Vertikaaliseen eli tietylle toimialalle rakennettuun tekoälyyn keskittyvälle yhtiölle tämä voi olla tehokkaampi tapa kuin uuden huipputason yleismallin rakentaminen. Perusmalli tarjoaa laajan kielellisen ja päättelykyvyn, kun taas jälkikoulutus kohdistaa lisätyön niihin työnkulkuihin, joita asiakkaat todellisuudessa käyttävät.

Avoimet mallipainot tuovat hallintaa – mutta eivät tee tekoälystä ilmaista

Avoimesti julkaistussa mallissa mallin numeeriset parametrit eli mallipainot ovat organisaation saatavilla omaa käyttöä ja muokkaamista varten. Suljettua mallia käytetään sen sijaan yleensä vain palveluntarjoajan hallitseman rajapinnan kautta. Kimi K3:n julkaistut painot antoivat Harveylle pohjan, jota se saattoi mukauttaa juridiseen työhön.

Tämä hallinta voi tukea tarkempaa erikoistumista. Yhtiö voi kouluttaa ja arvioida mallia toistuvasti juuri niiden asiakirjojen, tehtäväketjujen ja laatukriteerien perusteella, joilla sen omalla toimialalla on merkitystä. Tulos ei automaattisesti ole suljettua mallia parempi, mutta yrityksellä on enemmän mahdollisuuksia optimoida malli rajattua tuotantokäyttöä varten.

Avoimet mallipainot voivat muuttaa myös päättelyn eli inferenssin taloutta. Yritys voi valita oman laitteistonsa, palvelinohjelmistonsa ja optimointimenetelmänsä sen sijaan, että se maksaisi suljetun mallin tarjoajalle jokaisesta tokenista. Mallin ajaminen ei silti ole ilmaista: laskentateho, laitteet, suunnittelu, tietoturva ja ylläpito aiheuttavat edelleen merkittäviä kustannuksia.

Jos juridinen agentti käsittelee suuria asiakirjakokonaisuuksia tai työskentelee pitkään yhden toimeksiannon parissa, yksittäisen operaatioiden kustannuksen pienentäminen voi helpottaa jatkuvien ja monivaiheisten palvelujen tarjoamista. Tähän liiketoimintalogiikkaan yhdistyvät tehokas perusmalli ja toimialakohtainen jälkikoulutus.

Mitä suunnanmuutos kertoo tekoälymarkkinasta?

Harveyn ratkaisu on esimerkki laajemmasta muutoksesta vertikaalisessa tekoälyssä. Sovellusyrityksen ei välttämättä tarvitse voittaa rakentamalla suurinta yleismallia. Se voi kilpailla erikoistuneella datalla, asiantuntijapalautteella, arviointimenetelmillä, työnkulkujen suunnittelulla, käyttöönotolla ja asiakkaiden luottamuksella.

Kimi K3:n valinta on strategisesti kiinnostava myös siksi, että yhdysvaltalainen yhtiö käyttää kiinalaisen tekoälylaboratorion avoimesti julkaistua mallia teknisenä perustana aikana, jolloin johtavat tekoälylaboratoriot ovat keskellä laajempaa geopoliittista ja kaupallista kilpailua. Tämä ei todista kiinalaisten mallien olevan yleisesti parempia. Se osoittaa pikemminkin, että avoin saatavuus, muokattavuus ja mahdollisesti pienemmät käyttökustannukset voivat olla keskittyneessä yritystuotteessa tärkeämpiä kuin yleisvertailujen kärkisija.

Rajoitus on yhtä tärkeä huomata: avoimet mallipainot siirtävät yritykselle hallintaa, eivät poista kaikkia kustannuksia tai riskejä. Mallin ajamiseen tarvitaan infrastruktuuri, sen arviointiin asiantuntemusta ja arkaluonteisen juridisen datan käsittelyyn tehokkaat suojatoimet.

Tenet ei siis ole niinkään suljettujen mallien hylkäys kuin veto sen puolesta, että erikoistuneen mallin omistamisesta on tulossa käytännöllinen ja strategisesti arvokas vaihtoehto yritysohjelmistojen rakentajille.