Це гостьова публікація для комп'ютерної щотижневої мережі розробників, написаної Томас Леві у ролі старшого директора AI та ML в Агітофт.
Agiloft є налаштованою, платформою автоматизації бізнес-процесів без коду, відомою своїми рішеннями управління життєвим циклом контракту (CLM). Розроблений для упорядкування та автоматизації складних робочих процесів, Agiloft дозволяє організаціям керувати контрактами, юридичними процесами, столами обслуговування та іншими бізнес -операціями з мінімальним технічним втручанням.
Як пояснив Енді ПатріціоCLM – це систематичний підхід до управління діловим договором на кожному етапі. CLM поєднує технологічні та бізнес -процеси для впорядкування та автоматизації завдань, включаючи складання, переговори, закупівлі, виконання, моніторинг та поновлення контрактів.
Леві пише повністю так …
Критичність компаній, що керують ризиком в умовах геополітичних, регуляторних чи економічних коливань, ніколи не була більш гострою. Вживання безмежного інтелекту договорів може допомогти підприємствам зрозуміти, хто несе відповідальність, хто несе відповідальність, хто збирається робити що і якою вартістю. Я б стверджував, що наявність цієї інформації під рукою – це найбільша сила технології управління життєвим циклом контракту (CLM). Наявність єдиного рішення для управління кожним зобов'язанням на дотику кнопки, що використовує AI, – це справжнє стратегічне значення CLM, крім того, що просто керує операційною ефективністю договорів обробки.
Для CLM як великі мовні моделі (LLMS), так і мало мовні моделі (SLM) пропонують цінні можливості. Вибір між ними або поєднання їх залежить від складності завдання та бажаної роботи. Незважаючи на те, що LLM часто використовуються через їх великі параметри, деякі завдання в процесі перегляду контракту повторюються та прості та можуть обробляти SLM.
Візьміть автоматичну ідентифікацію та вилучення стандартних контрактних застережень, таких як “розірвання”, “відшкодування збитків” або “умови оплати”. Повна потужність LLM не завжди потрібна для цих завдань. Спеціалізований SLM, навчений спеціально для таких пунктів, може Виконайте ці завдання швидше і за меншими витратами.
SLM для CLM
Наприклад, ви можете використовувати SLM, навчений для виявлення та вилучення всіх пунктів, пов’язаних із «відповідальністю виключно»… і коли вони подали договір, SLM швидко знайде всі відповідні екземпляри, заощаджуючи час та ресурси під час процесу перегляду.
Аналогічно, SLM може бути навчений для отримання даних за всіма графіками платежів та термінами. При застосуванні до набору контрактів цей SLM послідовно та точно витягував відповідні дати та фінансову інформацію, автоматизуючи завдання, яке часто стомлює та схильні до помилок, якщо виконати вручну.
Гібридний підхід – використання SLM для звичайних завдань та резервування LLM для більш складних – часто може забезпечити солодке місце для оптимізації продуктивності, забезпечуючи точність та швидкість, контролюючи експлуатаційні витрати. Подумайте про це: SLM міг би вирішити початковий показ договорів, визначення стандартних пропозицій та позначення потенційних проблем. Тим часом, LLM може забезпечити поглиблений аналіз складних юридичних формулювань або складання договірних положень.
Розумна маршрутизація
Інтелектуальна маршрутизація може підтримувати реалізацію гібридної стратегії, але вашій системі AI повинна точно розрізнити складність даного завдання та направити її на найкращу модель. Маршрутизація може зводиться до різних факторів, включаючи тип договору
(наприклад, закупівлі, продажі, юридичні) або тип застереження, що аналізується. Наприклад, договір, пов’язаний з інтелектуальною власністю, може бути направлений на спеціалізований LLM, який навчається в угодах про патентне законодавство та ліцензування, тоді як стандартна угода про нерозголошення може бути повністю оброблена набору SLMS.
Рішення між LLM та SLM не завжди повинно зводиться до вибору одного над іншим, а як стратегічне розгортання ресурсів на основі конкретних потреб завдання. [As has been discussed at length already, we know that] LLMS перевершує складні міркування та завдання, які потребують широких знань, як тлумачення правових прецедентів або складання нюансових пунктів. З іншого боку, SLM ідеально підходять для повторюваних дій, таких як видобуток даних та визначення стандартних пропозицій. Ретельний експеримент та порівняльний аналіз пройдуть довгий шлях у визначенні, яка модель або комбінація моделей підходить для ваших потреб CLM.
Однією з важливих переваг SLM є їх розмір. Вони значно швидше тренуються, потребують меншої кількості обчислювальних ресурсів і, як правило, більш економічно. Це робить їх ідеальними для локальних або приватних хмарних середовищ, де безпека та контроль даних є першочерговими. За його словами, немає причин, які SLM повинні бути обмежені цим середовищем.
Вплив на навколишнє середовище мовних моделей є ще одним важливим фактором. Хоча SLM, як правило, демонструють менший слід вуглецю, загальна стійкість їх розгортання залежить від таких факторів, як споживання енергії, пов'язане з навчанням та розгортанням. Якщо для повтолу функціональності одного LLM потрібно багато SLM, екологічні переваги зменшуються.
SLM також не без властивих обмежень. Їх ефективність може погіршитися, зіткнувшись із завданнями, які значно відхиляються від своїх навчальних даних і можуть бути сприйнятливими до упереджень. Тому важливо суворо оцінювати та перевірити їх Виконання для забезпечення їх надійності та точності.
Спеціалізовані набори даних
Томас Леві, старший директор AI & ML в Agiloft.
Поява LLM-специфічного домену вводить ще один шар складності. Ці моделі, які навчаються на спеціалізованих наборах даних, іноді можуть перевершити SLM в певних областях, але часто припадають на більш високі експлуатаційні витрати. Вибір специфічного домену LLM або SLM залежить від вашої програми та потреб CLM. Наприклад, якщо ваш Юридичний департамент повинен проаналізувати складні договори в корпоративному законодавстві, LLM, що стосується домену, може стати кращим вибором. SLM був би більш ефективним для більш звичайних завдань, таких як видобуток пункту.
SLMS чудово підходить для більш цілеспрямованих завдань з обмеженою областю та складністю. Якщо вам потрібен чат, щоб відповісти на запитання про умови договору, такі як графіки платежів або дати доставки, SLM ідеально підходять для роботи. Однак, LLM буде необхідним, якщо ви хочете, щоб цей чат поводився з більш складними запитами, як -от інтерпретація юридичної мови або оцінка ризику.
Зрештою, кожна галузь повинна враховувати стратегічне використання SLM. Ключовим є вирівнювання розміру моделі зі складністю завдання. У CLM це означає використання SLM для звичайних завдань, таких як видобуток прямих застережень та збереження LLM для глибших Юридичний аналіз та складання. Підприємства можуть оптимізувати витрати, підвищити ефективність та покращити свої операційні процеси, зосереджуючись на найменшій ефективній моделі.