सामान्यतः, एआय तयार करताना, प्रशिक्षण देताना आणि तैनात करताना, संस्था अचूकतेला प्राधान्य देतात. हे निःसंशयपणे महत्त्वाचे आहे; परंतु कायद्यासारख्या अत्यंत गुंतागुंतीच्या आणि सूक्ष्म उद्योगांमध्ये केवळ अचूकता पुरेशी नसते. उच्च स्टेक म्हणजे उच्च मानके: मॉडेल आउटपुटचे मूल्यमापन प्रासंगिकता, अधिकार, उद्धरण अचूकता आणि मतिभ्रम दरांच्या संदर्भात केले जाणे आवश्यक आहे.
हे प्रचंड काम हाताळण्यासाठी, LexisNexis ने स्टँडर्ड रिट्रीव्हल ऑगमेंटेड जनरेशन (RAG) ते RAG मॅपिंग आणि प्रॉक्सी आलेख यांच्या पलीकडे विकसित केले आहे; तेही बांधले गेले "एक योजना" आणि "प्रतिबिंब" AI एजंट जे विनंत्यांचे विश्लेषण करतात आणि त्यांच्या आउटपुटवर टीका करतात.
“परफेक्ट AI” सारखी कोणतीही गोष्ट नाही कारण तुम्हाला 100% अचूकता किंवा 100% प्रासंगिकता कधीच मिळत नाही, विशेषत: कायदेशीर जागेसारख्या जटिल, उच्च-स्टेक डोमेनमध्ये,” मिन चेन, LexisNexis AI चे वरिष्ठ उपाध्यक्ष आणि CEO, नवीन VentureBeat Beyond the Pilot podcast मध्ये कबूल करतात.
ही अनिश्चितता शक्य तितकी व्यवस्थापित करणे आणि ग्राहकांसाठी सुसंगत मूल्यामध्ये भाषांतरित करणे हे ध्येय आहे. “शेवटी, आमच्यासाठी सर्वात महत्त्वाची गोष्ट म्हणजे AI परिणामांची गुणवत्ता, जो प्रयोग, पुनरावृत्ती आणि सुधारणेचा सतत प्रवास आहे,” चेन म्हणाले.
बहुपर्यायी प्रश्नांची “पूर्ण” उत्तरे मिळवा
मॉडेल्स आणि त्यांच्या आउटपुटचे मूल्यमापन करण्यासाठी, चेनच्या टीमने अनेक घटकांवर आधारित “उपयोगिता” मोजण्यासाठी सहा पेक्षा जास्त “सबस्केल्स” तयार केले — अधिकार, उद्धरण अचूकता, भ्रम दर — तसेच “व्यापकता”. हे विशिष्ट मेट्रिक एकूण AI प्रतिसादाने वापरकर्त्यांच्या कायदेशीर प्रश्नांच्या सर्व पैलूंना पूर्णपणे संबोधित केले आहे की नाही हे मूल्यांकन करण्यासाठी डिझाइन केले आहे.
“म्हणून ते फक्त तंदुरुस्त नाही,” चेन म्हणाले. “पूर्णता थेट कायदेशीर विश्वासार्हतेशी बोलते.”
उदाहरणार्थ, वापरकर्ता असा प्रश्न विचारू शकतो ज्यासाठी पाच वेगवेगळ्या कायदेशीर बाबींचा समावेश असलेले उत्तर आवश्यक आहे. AGI यापैकी तिघांना अचूकपणे संबोधित करणारा प्रतिसाद देऊ शकतो. परंतु त्याचे महत्त्व असूनही, हे अर्धवट उत्तर वापरकर्त्याच्या दृष्टिकोनातून अपूर्ण आणि अपुरे आहे. हे दिशाभूल करणारे असू शकते आणि वास्तविक जीवनात धोका निर्माण करू शकतो.
किंवा, उदाहरणार्थ, काही उद्धरणे भाषिकदृष्ट्या वापरकर्त्याच्या प्रश्नाशी संबंधित असू शकतात, परंतु ते युक्तिवाद किंवा खटल्यांचा संदर्भ घेऊ शकतात जे शेवटी न्यायालयात रद्द केले जातात. “आमचे वकील ते गैर-उद्धरणीय मानतील,” चेन म्हणाले. “जर ते संदर्भित नसेल तर ते उपयुक्त नाही.”
बायपास मानक RAG
LexisNexis ने त्याचे प्रमुख AI उत्पादन, Lexis+ AI — मसुदा, संशोधन आणि विश्लेषणासाठी एक कायदेशीर AI साधन — २०२३ मध्ये लाँच केले. हे मानक RAG फ्रेमवर्क आणि हायब्रीड संशोधनावर बनवले गेले आहे जे LexisNexis च्या विश्वसनीय आणि अधिकृत ज्ञान बेसमध्ये प्रतिसाद देते.
त्यानंतर कंपनीने 2024 मध्ये आपले वैयक्तिक कायदेशीर सहाय्यक, Protégé लाँच केले. शुद्ध अर्थविषयक शोधाच्या “मुख्य मर्यादा” दूर करण्यासाठी हा एजंट सदिश शोधाच्या शीर्षस्थानी एक संज्ञानात्मक आलेख स्तर समाकलित करतो. संदर्भानुसार संबंधित सामग्री पुनर्प्राप्त करणे “खूप चांगले” असले तरी, शब्दार्थ शोध “नेहमीच विश्वसनीय उत्तरांची हमी देत नाही," चेन म्हणाले.
कच्चा सिमेंटिक शोध तो संबंधित सामग्री मानतो तो परत करतो; चेनची टीम नंतर सर्वात विश्वासार्ह दस्तऐवज फिल्टर करण्यासाठी “लॉ पॉइंट” आलेखाद्वारे ते परतावे पार करते.
पुढे जाऊन, चेनची टीम एजंट आलेख विकसित करत आहे आणि ऑटोमेशनला गती देत आहे जेणेकरुन एजंट जटिल, बहु-चरण कार्यांची योजना आणि अंमलबजावणी करू शकतील.
उदाहरणार्थ, संशोधन प्रश्न आणि उत्तरांसाठी स्वयं-दिग्दर्शित “नियोजन एजंट” वापरकर्त्याच्या प्रश्नांना अनेक उपप्रश्नांमध्ये विभाजित करतात. अंतिम उत्तरे सुधारण्यासाठी आणि पुढे सानुकूलित करण्यासाठी मानवी वापरकर्ते या उत्तरांचे पुनरावलोकन आणि संपादन करू शकतात. त्याच वेळी, “विचारक एजंट” व्यवहाराच्या कागदपत्रांचा मसुदा तयार करतो. तो त्याच्या सुरुवातीच्या मसुद्यावर “स्वयंचलितपणे आणि गतिमानपणे” टीका करू शकतो, नंतर तो अभिप्राय समाविष्ट करू शकतो आणि रिअल टाइममध्ये सुधारू शकतो.
तथापि, चेन म्हणाले की हे सर्व मिश्रणातून मानवांना वगळण्यासाठी नाही; मानवी तज्ञ आणि एआय एजंट “एकत्र शिकू शकतात, विचार करू शकतात आणि वाढू शकतात.” “मला मानव आणि एआय यांच्यातील सखोल सहकार्याचे भविष्य[स्वरूपात]दिसते.”
याबद्दल अधिक ऐकण्यासाठी पॉडकास्ट पहा:
-
LexisNexis च्या Henchman च्या संपादनामुळे LexisNexis चा स्वतःचा डेटा आणि ग्राहक डेटा वापरून AI मॉडेल्स तयार करण्यात कशी मदत झाली;
-
निर्धारवादी आणि नॉन-डिटरमिनिस्टिक मूल्यांकनातील फरक;
-
संस्थांनी प्रयोगात घाई करण्यापूर्वी KPIs आणि यशाची व्याख्या का ठरवावी;
-
मुख्य घटकांच्या “त्रिकोण” वर लक्ष केंद्रित करण्याचे महत्त्व: किंमत, गती आणि गुणवत्ता.
तुम्ही ऐकू शकता आणि सदस्यता घेऊ शकता पायलटच्या पलीकडे वर Spotify, सफरचंद किंवा जिथे तुम्हाला तुमचे पॉडकास्ट मिळेल.
