DALDALL: Data Augmentation for Lexical and Semantic Diverse in Legal Domain by leveraging LLM-Persona
यह शोध पत्र DALDALL को प्रस्तुत करता है, जो एक व्यक्तित्व-आधारित (persona-based) डेटा संवर्धन ढांचा है जो उच्च गुणवत्ता वाले, विविध सिंथेटिक प्रश्नों को उत्पन्न करने के लिए डोमेन-विशिष्ट कानूनी भूमिकाओं का लाभ उठाता है, जिससे कम-संसाधन वाले कानूनी सूचना पुनर्प्राप्ति कार्यों में डेंस रिट्रीवर्स (dense retrievers) के प्रदर्शन में सुधार होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को लीगल डिटेक्टिव (कानूनी जासूस) बनना सिखाने की कोशिश कर रहे हैं। उसका काम हजारों पन्नों के अदालती मामलों को पढ़ना और एक विशिष्ट कानूनी प्रश्न का उत्तर देने वाला सटीक दस्तावेज़ ढूँढना है।
समस्या क्या है? रोबोट को सीखने के लिए पर्याप्त "अभ्यास प्रश्न" (डेटा) नहीं हैं। वास्तविक दुनिया में, कानूनी डेटा दुर्लभ, लेबल करने में महंगा और खोजने में बहुत कठिन होता है। यह कुछ ऐसा है जैसे किसी को केवल तीन गेम दिखाकर शतरंज खेलना सिखाना।
यह पेपर DALDALL पेश करता है, जो आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके अधिक अभ्यास प्रश्न बनाने का एक चतुर नया तरीका है, लेकिन इसमें एक विशेष मोड़ है: रोल-प्लेइंग (भूमिका निभाना)।
समस्या: "कॉपीकैट" रोबट
आमतौर पर, जब हम AI से नए अभ्यास प्रश्न बनाने के लिए कहते हैं, तो वह एक तोते (पैरोट) की तरह व्यवहार करता है। यदि आप उसे एक वकील द्वारा प्रश्न पूछने का एक उदाहरण दिखाते हैं, तो AI बस उन शब्दों की नकल करता है और उनमें यहाँ-वहाँ थोड़ा बदलाव कर देता है।
- परिणाम: रोबोट केवल उन विशिष्ट शब्दों को पहचानने के लिए सीख जाता है। यदि कोई वास्तविक वकील अलग शब्दों का उपयोग करके वही प्रश्न पूछता है, तो रोबोट भ्रमित हो जाता है और विफल हो जाता है।
समाधान: "मेथड एक्टिंग" का दृष्टिकोण
लेखकों ने महसूस किया कि कानूनी दुनिया में, हर कोई अपनी नौकरी के आधार पर अलग तरह से बोलता है।
- एक जज (न्यायाधीश) औपचारिक रूप से बोलता है और अंतिम निर्णय की तलाश करता है।
- एक प्रॉसेक्यूटर (सरकारी वकील) आक्रामक होता है और कानून तोड़ने पर ध्यान केंद्रित करता है।
- एक डिफेंस अटॉर्नी (बचाव पक्ष का वकील) सुरक्षात्मक होता है और खामियों (लूपहोल्स) की तलाश करता है।
- एक लॉ प्रोफेसर (कानून का प्रोफेसर) कानून के पीछे के सिद्धांत को समझाता है।
AI से "प्रश्न बनाने" के लिए कहने के बजाय, उन्होंने AI को कहा: "एक प्रॉसेक्यूटर होने का नाटक करो। अब, इस मामले के बारे में एक प्रश्न पूछो।" फिर उन्होंने कहा, "अब एक जज होने का नाटक करो। उसी प्रश्न को फिर से पूछो।"
इसे पर्सोना-बेस्ड प्रॉम्प्टिंग (Persona-Based Prompting) कहा जाता है। यह कलाकारों के एक समूह को एक दृश्य कोะ इम्प्रोवाइज (तत्काल अभिनय) करने के लिए काम पर रखने जैसा है। भले ही वे सभी एक ही कथानक पर अभिनय कर रहे हों, लेकिन वे सभी अपनी अनूठी आवाज़ में, अलग शब्दावली और अलग विवरणों पर ध्यान केंद्रित करते हुए बोलते हैं।
यह कैसे काम करता है (नुस्खा)
- द सीड (बीज): वे एक वास्तविक कानूनी मामला (बीज) लेते हैं।
- द एक्सट्रैक्शन (निष्कर्षण): वे सबसे महत्वपूर्ण तथ्यों (अनिवार्य तत्वों) को बाहर निकालते हैं ताकि AI गलती से मामले की सच्चाई न बदल दे।
- द रोल-प्ले (भूमिका निभाना): वे इन तथ्यों को AI को देते हैं और कहते हैं, "एक प्रॉसेक्यूटर की तरह व्यवहार करो," फिर "एक जज की तरह व्यवहार करो," आदि।
- द हार्वेस्ट (कटाई): AI कई अलग-अलग संस्करणों के प्रश्न निकालता है। एक बहुत तकनीकी हो सकता है, दूसरा बहुत भावनात्मक, दूसरा बहुत संक्षिप्त।
परिणाम: यह क्यों मायने रखता है
शोधकर्ताओं ने इसका परीक्षण दो बड़े कानूनी डेटासेट्स (सोचिए अदालती मामलों के विशाल पुस्तकालयों के रूप में) पर किया।
- अधिक विविधता: "रोल-प्लेइंग" पद्धति ने मानक "कॉपीकैट" पद्धति की तुलना में शब्दावली में 20% अधिक विविधता वाले प्रश्न बनाए। यह ऐसा था जैसे रोबोट ने केवल एक बोली के बजाय 20 अलग-अलग बोलियाँ सीख ली हों।
- बेहतर मेमोरी: जब उन्होंने अपने लीगल सर्च रोबोट को इन नए, विविध प्रश्नों पर प्रशिक्षित किया, तो वह सही उत्तर खोजने में बहुत बेहतर हो गया। उसने केवल शब्दों को याद नहीं किया; उसने उनके पीछे के अर्थ को सीखा।
- "लॉन्ग टेक्स्ट" का सरप्राइज: उन्होंने पाया कि मूल कानूनी मामला जितना लंबा होता, AI रोल-प्ले करने में उतना ही बेहतर होता था। एक छोटा मामला AI को काम करने के लिए बहुत कम देता था, लेकिन एक लंबा, जटिल मामला "प्रॉसेक्यूटर" और "जज" को बहस करने के लिए पर्याप्त सामग्री प्रदान करता था, जिससे और भी अद्वितीय प्रश्न बनते थे।
निचोड़ (द बॉटम लाइन)
DALDALL को कानूनी AI के लिए एक जिम के रूप में समझें।
- पुराना तरीका: AI बार-बार एक ही भारी वजन (वही कुछ शब्द) उठाता है। वह उस वजन को उठाने में मजबूत हो जाता है, लेकिन बाकी सब में कमजोर।
- नया तरीका (DALDALL): AI अलग-अलग आकार, प्रकार और रंगों के वजन (विभिन्न व्यक्तित्व/पर्सोना) उठाता है। यह एक संपूर्ण एथलीट बन जाता है जो किसी भी कानूनी प्रश्न को संभालने में सक्षम होता है, भले ही प्रश्न ऐसे तरीके से पूछा गया हो जिसे उसने पहले कभी नहीं देखा हो।
यह कानून और चिकित्सा जैसे कम-संसाधन वाले क्षेत्रों के लिए एक बड़ी जीत है, जहाँ हमारे पास अपने AI को सिखाने के लिए लाखों उदाहरण नहीं हैं। हमें बस इसे अलग-अलग लोगों की तरह सोचना सिखाना है, और अचानक, हमारे पास सीखने के लिए डेटा की एक पूरी नई दुनिया खुल जाती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।