NeuroSymbolic AI for Legal AI-TRISM: Trustworthy, Reliable, Interpretable, Safe Models
यह शोध पत्र TRISM फ्रेमवर्क का प्रस्ताव करता है, जो कानूनी AI की विश्वसनीयता, विश्वसनीयता, व्याख्यात्मकता और सुरक्षा को बढ़ाने के लिए न्यूरो-सिंबोलिक AI सिद्धांतों और लार्ज लैंग्वेज मॉडल्स के साथ एक नवीन RASOR RAG दृष्टिकोण को एकीकृत करता है, ताकि उत्पन्न सामग्री को सत्यापित संरचित कानूनी ज्ञान और स्पष्ट तर्क में स्थापित किया जा सके।
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 बेहद प्रतिभाशाली लेकिन थोड़े लापरवाह लॉ क्लर्क (कानूनी लिपिक) को काम पर रख रहे हैं। यह क्लर्क लाइब्रेरी की हर किताब पढ़ चुका है (एक लार्ज लैंग्वेज मॉडल या LLM होने के कारण), इसलिए वह लगभग किसी भी कानूनी विषय पर धाराप्रवाह बात कर सकता है। हालाँकि, उसमें दो बड़ी कमियां हैं:
- वह मनगढ़ंत बातें बनाता है: कभी-कभी, जब उसे सटीक उत्तर नहीं मिलता, तो वह प्रभावशाली दिखने के लिए फर्जी अदालती मामले या कानून गढ़ लेता है। वास्तविक दुनिया में, यह खतरनाक है; एक वकील एक बार ऐसे ब्रीफ के साथ सबमिट करने के कारण गंभीर मुसीबत में पड़ गया था जिसमें फर्जी उद्धरण (citations) थे।
- वह बारीक विवरणों को अनदेखा कर देता है: वह कानून के सामान्य विचार को समझ तो सकता है, लेकिन वह एक छोटे, महत्वपूर्ण अपवाद को मिस कर सकता है जो सब कुछ बदल देता है, जैसे कि कोई विशिष्ट समय सीमा या कोई स्थानीय नियम जो सामान्य नियम को ओवरराइड करता हो।
यह पेपर इन समस्याओं को ठीक करने का एक नया तरीका प्रस्तावित करता है, जिसके लिए TRISM नामक एक "सुपर-क्लर्क" बनाया गया है। TRISM को दो अलग-तलग प्रकार के कर्मचारियों के बीच एक साझेदारी के रूप में देखें:
दो कर्मचारी: कलाकार और अकाउंटेंट
- कलाकार (न्यूरल नेटवर्क/LLM): यह कर्मचारी अव्यवस्थित, प्राकृतिक भाषा को पढ़ने, संदर्भ समझने और धाराप्रवाह लिखने में माहिर है। वे एक रचनात्मक लेखक की तरह हैं जो एक कहानी को खूबसूरती से सारांशित कर सकते हैं।
- अकाउंटेंट (सिंबोलिक AI): यह कठोर, तार्किक और सख्त नियमों का पालन करने वाला है। वे एक सख्त ऑडिटर की तरह हैं जो हर संख्या को लेजर के विरुद्ध जांचते हैं। वे "अनुमान" नहीं लगाते; वे तथ्यों और नियमों के आधार पर गणना करते हैं।
न्यूरोसिंबोलिक AI (Neurosymbolic AI) बस इन दोनों को मिलकर काम करने के लिए मजबूर करना है। कलाकार भारी काम करता है (पाठ को समझने का), लेकिन अकाउंटेंट हर दावे को लिखे जाने से पहले उसकी दोबारा जांच करता है।
समाधान: "RASOR" पाइपलाइन
यह पेपर एक विशिष्ट प्रणाली पेश करता है जिसे RASOR (RAtionalize, Select, and Refine) कहा जाता है। यह इस साझेदारी को सफल बनाने के लिए है। यहाँ यह कैसे कार्य करता है, इसे एक सरल उपमा से समझते हैं:
कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं, और आपके पास जासूसों (AI) की एक टीम है।
- रैशनलाइज़ (जासूस की नोटबुक): केवल उत्तर का अनुमान लगाने के बजाय, AI को पहले अपनी "सोचने की प्रक्रिया" लिखने के लिए मजबूर किया जाता है। उसे यह समझाना होगा कि वह क्यों सोचता है कि एक निश्चित कानून लागू होता है, चरण-दर-चरण। यह एक जासूस द्वारा गिरफ्तारी करने से पहले अपने सुराग लिखने जैसा है।
- सेलेक्ट (लाइब्रेरियन): सिस्टम कानूनी दस्तावेजों के एक सत्यापित पुस्तकालय (नॉलेज ग्राफ) में जाता है ताकि जासूस के नोट्स का समर्थन करने वाले सटीक पृष्ठों को खोजा जा सके। यह केवल पहली उपलब्ध पुस्तक नहीं उठाता; यह केवल सबसे प्रासंगिक, सत्यापित टेक्स्ट के टुकड़ों को चुनने के लिए एक स्मार्ट फिल्टर का उपयोग करता है।
- रिफाइन (संपादक): अंतिम रिपोर्ट भेजने से पहले, एक सख्त संपादक काम की जांच करता है। यह संपादक जासूस के नोट्स की तुलना लाइब्रेरी की किताबों से करता है। यदि जासूस कहता है, "कानून कहता है X," लेकिन किताब कहती है "कानून कहता है X जब तक कि Y न हो," तो संपादक इसे पकड़ लेता है। यह चरण "मनगढ़ंत" तथ्यों (hallucinations) को हटा देता है।
- स्ट्रक्चर (अंतिम ब्रीफ): अंतिम आउटपुट को तार्किक रूप से व्यवस्थित किया जाता है, जिसमें प्रत्येक दावा सीधे एक विशिष्ट स्रोत से जुड़ा होता है, बिल्कुल एक वास्तविक वकील के ब्रीफ की तरह।
परिणाम: "शायद" से "सिद्ध" तक
लेखकों ने इस प्रणाली का परीक्षण वास्तविक कानूनी अनुबंधों (CUAD डेटासेट) के एक डेटासेट पर किया।
- पहले (पुराना तरीका): जब मानक AI मॉडल का उपयोग किया जाता था, तो वे 75% बार गलतियाँ (hallucinations) करते थे। वे आत्मविश्वासी थे लेकिन अक्सर गलत होते थे।
- बाद में (TRISM/RASOR का तरीका): इस नए "कलाकार + अकाउंटेंट" तरीके का उपयोग करके, गलती की दर घटकर 40% से कम हो गई।
पेपर का तर्क है कि यह केवल थोड़ा अधिक सटीक होने के बारे में नहीं है; यह विश्वास के बारे में है। क्योंकि यह प्रणाली अपना काम दिखाती है (तर्क/rationale) और अपने स्रोतों का हवाला देती है (लाइब्रेरी की किताबें), एक मानव वकील वास्तव में उत्तर को सत्यापित कर सकता है। यदि AI कहता है, "हाँ, आपको भुगतान करना चाहिए," तो वकील उस सटीक नियम और अपवाद को देख सकता है जिस पर विचार किया गया था।
बड़ी तस्वीर: एक जीवित पुस्तकालय
इस प्रणाली को काम करने के लिए, "अकाउंटेंट" को एक लगातार अपडेट होने वाले पुस्तकालय की आवश्यकता होती है। पेपर एक विधि का वर्णन करता है जिसका उपयोग AI का उपयोग करके इस लाइब्रेरी (जिसे नॉलेज ग्राफ कहा जाता है) को स्वचालित रूप से अपडेट करने के लिए किया जाता है।
- सोचिए कि लाइब्रेरी कानूनों और अदालती मामलों के सभी मानचित्रों की तरह है।
- जब कोई नया कानून पारित होता है या कोई नया अदालती मामला सामने आता है, तो सिस्टम मानचित्र में एक "गैप" (अंतराल) का पता लगाता है।
- यह अनुमान लगाने के लिए AI का उपयोग करता है कि नया संबंध क्या होना चाहिए, मौजूदा नियमों के विरुद्ध इसकी जांच करता है, और फिर इसे मानचित्र में जोड़ देता है।
- यह सुनिश्चित करता है कि "अकाउंटेंट" के पास हमेशा नवीनतम नियम हों जिन्हें जांचा जा सके।
सारांश
संक्षेप में, यह पेपर कहता है: "केवल एक स्मार्ट AI पर भरोसा न करें जो अनुमान लगाता है। एक ऐसा सिस्टम बनाएं जहाँ AI की रचनात्मकता को एक सख्त, नियम-पालन करने वाले लॉजिक इंजन द्वारा नियंत्रित किया जाए।" इन दोनों को मिलाकर, उन्होंने TRISM बनाया, जो एक ऐसा ढांचा (framework) तैयार करता है जो ऐसे कानूनी उत्तर देता है जो विश्वसनीय (Trustworthy), भरोसेमंद (Reliable), व्याख्या योग्य (Interpretable) और सुरक्षित (Safe) हैं, जिससे AI द्वारा फर्जी कानून बनाने के जोखिम को काफी हद तक कम किया जा सके।
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।