Thomson Reuters, hukuk, vergi, muhasebe ve haber alanındaki kendi veri varlığını kullanarak Thomson adını verdiği ilk kurum içi büyük dil modelini tanıttı. Şirket, güçlü bir açık kaynak temel modelden başlayıp orta eğitim ve son eğitim süreçlerine 40 milyon dolar yatırdığını; sonucu genel amaçlı sınır modellerine yakın görev başarısıyla çok daha düşük çıkarım maliyetinde çalıştırabildiğini söylüyor. Bu iddialar şirket açıklamasına ve erken değerlendirmelere dayanıyor; bağımsız, geniş ölçekli karşılaştırmalar tamamlanmadan kesin üstünlük olarak okunmamalı.
Thomson Nasıl Geliştirildi?
Model sıfırdan kurulmuş dev bir temel model değil. Thomson Reuters güçlü bir açık kaynak temel üzerinden ilerledi; Westlaw, Practical Law, Checkpoint ve Reuters gibi kaynaklardan seçilen içeriklerle uzmanlaştırma yaptı. Yüzlerce konu uzmanı eğitim hedeflerinden nihai değerlendirmeye kadar sürece katıldı. Bu yaklaşım, ham parametre sayısından çok veri kalitesi, görev tasarımı ve insan geri bildirimini öne çıkarıyor.
Şirket modelin şu ana kadar kendi içerik havuzunun yüzde 10’undan azıyla eğitildiğini belirtiyor. Bu ifade gelecekte daha fazla veri kullanılabileceğini gösterse de “daha çok veri otomatik olarak daha iyi sonuç verir” anlamına gelmiyor. Güncellik, lisans, çelişkili kaynaklar, ülke hukuku ve tarihsel önyargılar ayrı yönetilmek zorunda.
40 Milyon Dolar Neden Dikkat Çekiyor?
Sınır model geliştirme bütçeleri çoğu zaman milyarlarca dolarlık veri merkezi ve eğitim yatırımlarıyla anılıyor. Thomson Reuters, yetenek ve hesaplama dahil 40 milyon dolarlık eğitim maliyetiyle uzman görevlerde rekabetçi sonuç aldığını savunuyor. Bunun nedeni, zaten güçlü bir temel modeli belirli mesleklerde derinleştirmek ve her kullanımda dev genel modeli çalıştırmamak.
Yine de iki bütçeyi doğrudan karşılaştırmak yanıltıcı olabilir. Açık temel modelin önceki geliştirme maliyeti, veri hazırlığı, yıllardır biriken editoryal içerik, ürün entegrasyonu ve işletme giderleri 40 milyon dolar rakamına aynı biçimde dahil olmayabilir. Doğru ekonomik karşılaştırma; eğitim, lisans, güvenlik, çıkarım, denetim ve güncelleme maliyetini birlikte ölçmeli.
Profesyonel İşte Uzmanlaşma
Şirketin erken testleri, Thomson’ın çok adımlı talimatları takip etmede ve yoğun alan metni içinde akıl yürütmede temel modele göre belirgin gelişme gösterdiğini söylüyor. Westlaw ve Practical Law araçlarıyla birlikte eğitilebilmesi, yalnız cevap üretmek yerine doğru kaynağı bulma ve çalışma akışına bağlama hedefini gösteriyor. İlk kullanım alanı CoCounsel Legal olacak.
Hukuk ve vergi metinlerinde küçük bir tarih, yetki alanı veya istisna hatası ciddi sonuç yaratabilir. Bu nedenle modelin akıcı cevap üretmesi yeterli değil. Her iddianın güncel kaynağa bağlanması, erişim yetkisinin korunması, değişiklik geçmişinin tutulması ve nihai kararın yetkili uzman tarafından verilmesi gerekir. Kurumsal model sorumluluğu otomatikleştirmez.
Yapay Zekâ Egemenliği Ne Demek?
Thomson Reuters modelin tamamına sahip ve çalışma ortamını kontrol ediyor. Kurumlar açısından bu; verinin nerede işlendiği, hangi model sürümünün kullanıldığı, hangi davranış kurallarının uygulandığı ve müşteri bilgisinin eğitimde kullanılıp kullanılmadığı sorularına daha doğrudan yanıt verme imkânı sunuyor. Özellikle kamu, hukuk ve finans sektöründe üçüncü tarafa bağımlılığı azaltmak önemli olabilir.
“Egemen” veya kurum içi model güvenliğin otomatik garantisi değildir. Erişim anahtarları, kayıtlar, çok kiracılı altyapı, çalışan yetkileri, veri saklama süresi ve model güncellemesi yine denetlenmeli. Ayrıca kapalı değerlendirmeler yerine dış araştırmacıların tekrarlayabildiği testler paylaşılmalı.
Açık Ağırlık Küçük Sürüm ve Bağımsız Test
Şirket, Thomson’ın küçük bir sürümünü akademik ve ticari olmayan kullanım için Hugging Face üzerinde açık ağırlık olarak paylaşacağını duyurdu. Bu adım araştırmacıların belirli yetenekleri, hata türlerini ve önyargıları daha yakından incelemesine yardımcı olabilir. Tam üretim modeliyle küçük sürümün aynı olmadığı ve lisansın ticari kullanımı sınırladığı unutulmamalı.
Thomson Reuters ayrıca hukuk ve yapay zekâ akademisyenlerine doğrudan değerlendirme erişimi açıyor. Sağlıklı ölçüm; kendi veri setinde yüksek puan yerine görülmemiş olaylar, farklı ülkeler, güncelliğini yitirmiş mevzuat, çelişkili kaynak ve kötü niyetli talimatlarda davranışı kapsamalı. Yanlış cevabın güvenle verilmesi özellikle izlenmeli.
Kurumlar İçin Sonuç
- Genel model yerine alan modeli seçerken gerçek iş örnekleriyle kör test yapılmalı.
- Yanıtın kaynağı, tarih ve yetki alanı kullanıcıya görünür olmalı.
- Model maliyeti kadar insan doğrulama ve hata düzeltme maliyeti ölçülmeli.
- Müşteri verisinin saklanması, eğitime katılması ve silinmesi sözleşmede açık yazılmalı.
- Model sürümü değiştiğinde aynı kalite ve uyum testleri yeniden çalıştırılmalı.
Thomson, şirketlerin yapay zekâ yarışında yalnız daha büyük model aramak zorunda olmadığını gösteren önemli bir örnek. Veri hakkı ve uzman ekip güçlü olduğunda daha dar model, genel modelden daha denetlenebilir ve ekonomik olabilir. Başarının gerçek ölçüsü duyuru puanları değil, CoCounsel içinde hatayı azaltırken profesyonelin karar süresini ne kadar kısalttığı olacak.
Almadanincele Yorumu
Thomson’ın asıl önemi 40 milyon dolarlık rakamdan çok stratejide: güçlü bir genel temeli, kuruma özgü güvenilir içerik ve uzman değerlendirmesiyle derinleştirmek. Bu model her şirketin kendi yapay zekâsını kurması gerektiğini kanıtlamıyor; veri hakkı, bakım bütçesi ve riskli çıktıyı denetleyecek uzman yoksa hazır hizmet daha mantıklı olabilir. Thomson Reuters bağımsız testleri açarsa alan modelleri için daha somut bir ölçüt oluşacak.
Kapak görseli: Almadanincele için özgün yapay zekâ görseli. Kullanım bilgisi: Almadanincele için OpenAI ImageGen ile özgün üretilmiştir.
