عنوان: LexisNexis: در حوزه حقوقی دقت تنها کافی نیست — راهکارهای گراف RAG و عوامل برنامهریز برای افزایش قابلیت اتکا هوش مصنوعی
شرکت حقوقی-فنی LexisNexis هشدار میدهد که در حوزههای پیچیده و حساس مانند حقوق، تمرکز صرف بر دقت (accuracy) مدلهای هوش مصنوعی کافی نیست و باید معیارهای گستردهتری برای سنجش خروجیها در نظر گرفت. مینویسیم که در چنین حوزههایی اهمیت مسئله، نیازمند استانداردهای بالاتری است؛ پاسخهای تولیدشده باید علاوهبر مرتبط بودن، از نظر مستندات، اعتبار منابع، صحت استنادات و میزان «توهمات» (hallucinations) نیز قابل اتکا باشند.
چرا دقت بهتنهایی کافی نیست؟
در مسائل حقوقی، یک پاسخ «مرتبط» که تنها بخشی از جنبههای یک پرسش را پوشش میدهد میتواند گمراهکننده و حتی مخاطرهآمیز باشد. بهعنوان مثال، پرسشی که نیازمند بررسی پنج جنبه حقوقی باشد و مدل فقط سه مورد را پاسخ دهد، هرچند مرتبط است اما ناقص و از منظر قابلیت اتکا ناکافی محسوب میشود. همچنین بعضی منابع ممکن است به لحاظ معنایی مربوط باشند اما در عمل در دادگاه قابل استناد نباشند؛ منابعی که در گذشته نقض یا نقضشدهاند برای استفاده حقوقی بیفایدهاند.
رویکردهای نوین LexisNexis
برای مدیریت این پیچیدگیها، LexisNexis فراتر از چارچوب مرسوم RAG (Retrieval-Augmented Generation) حرکت کرده و گراف RAG و «agentic graphs» را توسعه داده است. این شرکت علاوه بر آن عاملهای هوش مصنوعی تخصصی مانند «planner» و «reflection» را طراحی کرده که وظیفهشان تفکیک درخواستها به زیرسؤالها، نقد و بازنگری خودکار خروجیها و بهینهسازی پاسخها به صورت پویا است.
محورهای سنجش کیفیت
تیم هوش مصنوعی LexisNexis مجموعهای از «زیرمعیارها» را برای ارزیابی «کارآمدی» پاسخها تعریف کرده است؛ این معیارها شامل اعتبار مرجع (authority)، صحت استنادات، نرخ توهمات و «کامل بودن» (comprehensiveness) هستند. معیار کامل بودن بهطور خاص بررسی میکند که آیا پاسخ تولیدشده همه جنبههای حقوقی پرسش کاربر را پوشش داده یا خیر — معیاری حیاتی برای اتکاپذیری حقوقی.
محصولات و فناوریهای کلیدی
– Lexis+ AI (عرضهشده در 2023): محصول پایهای حقوقی LexisNexis که برای نگارش، تحقیق و تحلیل حقوقی طراحی شده و بر پایه RAG و جستجوی هیبریدی برداری ساخته شده است تا پاسخها بر اساس بانک اطلاعاتی معتبر LexisNexis زمینگیر شوند.
– Protégé (معرفی در 2024): دستیار حقوقی شخصی که لایهای از گراف دانش را بر بالای جستجوی برداری افزوده تا محدودیتهای جستجوی صرفاً معنایی را رفع کند؛ جستجوی معنایی ممکن است محتوای مرتبط را بازگرداند اما تضمینکننده پاسخهای دارای مرجعیت بالا نیست.
– گراف نقطه-قانون (point of law graph): مکانیسمی که نتایج اولیه معنایی را از نظر اصول حقوقی و استناددهی تشریح و پالایش میکند تا اسناد با بیشترین محتوای قابل استناد برجسته شوند.
عاملهای برنامهریز و بازتابگر
یکی از نوآوریهای مهم، توسعه «planner agents» است که سؤال اصلی را به چند زیرسؤال تقسیم میکنند؛ کاربر میتواند این زیرسؤالها را بازبینی و ویرایش کند تا پاسخ نهایی دقیقتر و شخصیسازیشدهتر شود. از سوی دیگر، «reflection agent» وظیفه نگارش اسناد تراکنشی را دارد؛ این عامل پیشنویس اولیه را نقد میکند، بازخورد را بهصورت خودکار اعمال نموده و نسخههای بعدی را در زمان واقعی پالایش میکند.
همکاری انسان و هوش مصنوعی
LexisNexis تأکید دارد هدف حذف انسان نیست، بلکه رسیدن به همکاری عمیقتر میان متخصصان حقوق و عاملهای هوش مصنوعی است تا از تواناییهای یادگیری، استدلال و رشد مشترک بهره برده شود. رویکرد ترکیبی، همافزایی دانش تخصصی انسان و سرعت و یکپارچگی دادهای هوش مصنوعی را ممکن میسازد.
نکات عملی برای شرکتها
Min Chen، معاون ارشد و مدیر ارشد هوش مصنوعی LexisNexis، توصیه میکند سازمانها پیش از آغاز آزمایشهای گسترده، شاخصهای کلیدی عملکرد (KPI) و تعریف موفقیت را مشخص کنند و در فرآیند ارزیابی تفاوت میان روشهای قطعی (deterministic) و غیرقطعی (non-deterministic) را لحاظ نمایند. همچنین تمرکز بر سهگانه هزینه، سرعت و کیفیت باید بخشی از استراتژی پیادهسازی باشد.
چرا این موضوع برای جامعه حقوقی مهم است؟
با توجه به ریسکهای بالا در تصمیمات و مستندات حقوقی، داشتن چارچوبهای سنجش دقیق و مکانیزمهایی که پاسخها را از نظر اعتبار و کامل بودن ارزیابی کنند، برای کاهش خطا و افزایش اعتماد کاربران ضروری است. فناوریهایی مانند گراف RAG، agentic graphs و عاملهای بازتابگر میتوانند به بهبود قابلیت اتکا و کاربردپذیری سیستمهای هوش مصنوعی در حقوق کمک چشمگیری کنند.
برای جزئیات بیشتر و شنیدن گفتوگوی کامل، میتوانید پادکست VentureBeat Beyond the Pilot با حضور Min Chen را در Spotify، Apple Podcasts یا پلتفرم پادکست دلخواه خود دنبال کنید.