Kutoka akili ya kukodisha hadi kiwanda cha modeli

Kwa miaka mingi, Thomson Reuters ilitoa bidhaa zilizoimarishwa na AI kwa kufanya fine-tuning kwenye modeli za kibiashara kutoka maabara za upande wa tatu. Fine-tuning huchukua modeli iliyofundishwa tayari na kurekebisha uzito wake (weights) kwenye seti ndogo ya data, lakini hii hupunguza uwezo mpana wa uwezo wa kufikiri wa modeli na kuifunga kampuni kwenye bei na mipaka ya API ya mtoa huduma.

Sasa kampuni inachukulia AI kama njia ya uzalishaji. Katika miaka miwili iliyopita, iliajiri wahandisi, wanasayansi wa data, na wataalamu wa uchakataji (compute specialists), na kutumia dola milioni 40 kwenye muda wa cloud GPU na vifaa vya ndani (on-prem hardware) ili kufundisha modeli kutoka kwenye mfululizo wa Qwen wa chanzo huria (open-source)—muundo wa Qwen wa Alibaba. Chanzo huria inamaanisha kuwa kodi na uzito (weights) ni ya umma, hivyo Thomson Reuters iliweza kuanza kutoka msingi imara bila ada za leseni.

Ushirikiano na Imperial College ulizalisha modeli ya kati ya "Snowdon", iliyofundishwa upya kwanza kwa ajili ya usalama, maadili, na kutokuwa na upendeleo wa kisiasa—mahitaji ambayo LLM yoyote lazima yakidhi kabla ya kuwafikia wateja. Baada ya Snowdon, timu ililisha modeli maudhui ya kipekee kutoka Westlaw, Practical Law, Checkpoint, na kumbukumbu za habari za Reuters. Chini ya 10% ya maudhui hayo yametumika hadi sasa, ikibakiza nafasi kubwa ya kukua kadiri data zaidi zinavyoingizwa. Hatua ya mwisho iliongeza agentic reinforcement learning: modeli inashirikiana na mazingira ya zana za Thomson Reuters yenyewe, inapokea mrejesho, na kuhuisha sera yake ili kuboresha utendaji wa kazi. Katika muktadha huu, reinforcement learning inafundisha modeli kufikia malengo (kama vile kupata nukuu sahihi) kupitia majaribio na makosa badala ya mifano tuli.

Jinsi modeli inavyoshindana

Katika Stanford LegalBench—mfululizo wa majaribio ya uwezo wa kufikiri kisheria—modeli ya ndani ilipata alama 0.823, ikiwa nyuma ya Gemini 3.1 Pro, GPT-5.5, na Opus 4.8 kwenye Harvey Legal Agent Benchmark. Pia inachelewa kwenye matatizo ya jumla ya kodi (coding) na uwezo wa kufikiri, ikionyesha kuwa uwezo wake wa kufikiri bado ni dhaifu kuliko maabara za kisasa zinazowekeza mabilioni kwenye LLM kubwa za matumizi ya jumla.

Faida inaonekana wakati modeli inapotumia data ya kipekee ya Thomson Reuters. Katika jaribio la Deep Research linalopima usahihi wa ukweli, modeli ilifikia 0.53 kwa kutumia ufikiaji wa mtandao pekee—chini ya 0.65 ya GPT-5.4. Kuongeza maktaba zake za kisheria za ndani kulisukuma usahihi hadi 0.83, ikishinda mshindani wa kibiashara. Matokeo haya yanasisitiza mfumo unaojulikana: modeli yenye ukubwa wa wastani, inapopewa maarifa mahususi ya nyanja fulani, inaweza kushinda mifumo mikubwa zaidi ambayo haina taarifa hizo za kipekee.

Kwa nini “kumiliki” ni bora kuliko “kukodisha”

CTO Joel Hron na Mkuu wa Utafiti Jonathan Schwartz wanaashiria nguzo tatu za uwekezaji huu:

  1. Gharama na uwezo – Kuendesha kazi nyingi kama vile mapitio ya hati kwenye API ya kibiashara kunaleta ada za kila token ambazo huongezeka haraka. Modeli maalum, ndogo zaidi, huchakata kazi hiyo hiyo kwa sehemu ndogo ya bei huku ikihifadhi utendaji mahususi wa kisheria.
  2. Uhuru wa data (Data sovereignty) – Rasilimali muhimu zaidi ya Thomson Reuters ni maudhui yake ya kisheria yaliyochujwa. Kukabidhi data hiyo kwa mtoa huduma wa AI wa nje kunatengeneza hatari za usalama na usiri na kumpa mtoa huduma faida ya ushindani. Kuweka data ndani ya kampuni kunahakikisha maboresho yanabaki kuwa ya siri.
  3. Ongezeko la thamani ya kiakili (Compounding intellectual equity) – Kila wakati mwanasheria anapopitia matokeo ya modeli, mwingiliano huo unaweza kuhifadhiwa kama data ya mafunzo, ukiboresha modeli hatua kwa hatua. Baada ya muda, kampuni inajenga rasilimali inayojitegemea inayozidi kuwa na thamani, kama vile kumiliki mali badala ya kulipa kodi.

Matumizi ya kwanza na ishara ya chanzo huria

Modeli inazinduliwa katika mfululizo wa CoCounsel Legal wa Thomson Reuters kwa kazi zinazohitaji ufanisi mkubwa na gharama nafuu, kama vile kipengele cha Tabular Analysis kinachotoa data iliyopangwa kutoka kwenye mikataba. Pia inashughulikia ukaguzi wa nukuu (citation-checking), hatua inayojirudia lakini muhimu kwa usahihi katika uandishi wa kisheria.

Ili kukuza mfumo wa watengenezaji (developer ecosystem), toleo lililofupishwa litaonekana kwenye Hugging Face chini ya leseni isiyo ya kibiashara. Hii inaruhusu watafiti na washirika kufanya majaribio bila kuweka wazi modeli kamili ya kipekee inayowezesha bidhaa za kampuni zinazozalisha mapato.