When Rules Learn: A Self-Evolving Agent for Legal Case Retrieval
यह शोध पत्र एक स्व-विकसित (self-evolving), पैरामीटर-मुक्त ढांचे का प्रस्ताव करता है जो LeCaRD-v2 बेंचमार्क पर चीनी कानूनी मामले की खोज (Chinese legal case retrieval) के लिए BM25 प्रदर्शन को महत्वपूर्ण रूप से बढ़ाते हुए, नियम-संचालित क्वेरी पुनर्गठन रणनीतियों (rule-driven query rewriting strategies) को पुनरावृत्ति रूप से उत्पन्न करने, मान्य करने और परिष्कृत करने के लिए एक LLM-आधारित एजेंट का लाभ उठाता 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
बड़ी समस्या: कानूनी घास के ढेर में सही सुई ढूँढना
कल्पना कीजिए कि आप एक वकील हैं जो अपने वर्तमान क्लाइंट की समस्या से लगभग हूबहू मिलती-जुलती किसी पुरानी अदालती घटना (केस) को खोजने की कोशिश कर रहे हैं। आप सर्च इंजन में विवरण टाइप करते हैं, लेकिन परिणाम अस्त-व्यस्त होते हैं।
यह पेपर एक चौंकाने वाले तथ्य की ओर इशारा करता है: पुराने जमाने का खोज तरीका (जिसे BM25 कहा जाता है) कानूनी मामलों को खोजने के लिए आधुनिक, हाई-टेक AI खोज विधियों की तुलना में वास्तव में बेहतर है। क्यों? क्योंकि कानूनी भाषा बहुत विशिष्ट होती है। यदि आप "कार दुर्घटना" (car accident) कहते हैं और पुराने केस में "वाहन टक्कर" (vehicle collision) लिखा है, तो एक फैंसी AI इस संबंध को मिस कर सकता है, लेकिन पुराना तरीका सटीक शब्दों को मिलाने में बहुत अच्छा है।
हालाँकि, पुराने तरीके में एक दोष है: इसके लिए आपके खोज शब्द एकदम सटीक होने चाहिए। यदि आप गलत कानूनी शब्द का उपयोग करते हैं, तो यह विफल हो जाता है।
समाधान: एक "स्व-विकसित" (Self-Evolving) खोज कोच
लेखकों ने बिना AI को फिर से प्रशिक्षित किए इस समस्या को ठीक करने के लिए एक सिस्टम बनाया है। इसे एक सर्च कोच को काम पर रखने की तरह समझें जो स्वयं सर्च इंजन को नहीं बदलता, बल्कि आपको बेहतर सवाल पूछना सिखाता है।
यह कोच एक AI एजेंट है जो आपके सर्च क्वेरी (खोज प्रश्न) को फिर से लिखने के लिए नियमों (rules) के एक सेट का पालन करता है।
- उदाहरण नियम: "यदि उपयोगकर्ता 'कार क्रैश' कहता है, तो खोज में 'वाहन टक्कर' और 'यातायात दुर्घटना' जोड़ें।"
समस्या यह है: ये नियम कौन लिखता है? आमतौर पर, आपको एक मानव विशेषज्ञ की आवश्यकता होती है। लेकिन विशेषज्ञ महंगे होते हैं, और वे अच्छे विचारों को मिस भी कर सकते हैं।
नवाचार: एजेंट परीक्षण और त्रुटि (Trial and Error) से सीखता है
लेखकों ने एक स्व-विकसित ढांचा (Self-Evolving Framework) बनाया है। एक इंसान द्वारा नियम लिखने के बजाय, AI एजेंट खुद नियम लिखता है, उनका परीक्षण करता है, और खुद ही उनमें सुधार करता है।
यह एजेंट कैसे काम करता है, इसे एक माली (Gardener) के रूप में समझने के लिए एनालॉजी देखें:
- बीज बोना (नियम निर्माण - Rule Generation): एजेंट एक बुनियादी नियम (एक बीज) के साथ शुरुआत करता है। फिर यह नए नियम "बोने" की कोशिश करता है। शायद वह सोचता है, "क्या होगा अगर मैं इस मामले के लिए लैटिन कानूनी शब्द भी जोड़ दूँ?"
- बगीचे का परीक्षण करना (प्रयोग योजना - Experiment Planning): एजेंट कुछ नियमों को एक साथ परखने के लिए चुनता है। वह एक सिमुलेशन चलाता है: "यदि मैं नियम A और नियम B को एक साथ उपयोग करता हूँ, तो क्या मुझे अधिक प्रासंगिक मामले मिलते हैं?"
- निराई-गुड़ाई करना (नियम हटाना - Weeding): यह सबसे महत्वपूर्ण हिस्सा है। एजेंट परिणामों को देखता है। यदि किसी नियम ने मदद नहीं की, या स्थिति को बदतर बना दिया, तो एजेंट उसे बाहर निकाल देता है (हटा देता है)।
- चक्र (The Loop): एजेंट इस प्रक्रिया को सैकड़ों बार दोहराता है। वह नए विचार बनाता है, उनका परीक्षण करता है, और खराब नियमों को बाहर निकालता है। वह यह सब अपने स्वयं के मस्तिष्क को बदले बिना (बिना किसी जटिल गणितीय प्रशिक्षण के) करता है; वह बस अपने प्रयोगों के परिणामों को देखकर सीखता है।
परिणाम: बड़े दिमाग बेहतर काम करते हैं
टीम ने एक चीनी कानूनी डेटाबेस (LeCaRD-v2) पर इसका परीक्षण किया। उन्होंने अपने "स्व-विकसित एजेंट" की तुलना निम्नलिखित से की:
- नियम लिखने वाले इंसान।
- एक "लालची" (Greedy) रणनीति (जो एक बार में सबसे अच्छे नियमों को चुन लेती है और उन्हीं पर टिकी रहती है)।
- अलग-अलग आकार के AI "मस्तिष्क" (Core LLMs)।
निष्कर्ष:
- छोटे दिमाग संघर्ष करते हैं: जब उन्होंने कोच के रूप में एक छोटा AI मॉडल इस्तेमाल किया, तो वह भ्रमित हो गया। वह यह नहीं समझ पाया कि कौन से नियम मिलकर अच्छा काम करते हैं। अक्सर इसने साधारण "Greedy" रणनीति से भी चीजें थोड़ी खराब कर दीं।
- बड़े दिमाग सफल होते हैं: जब उन्होंने एक बहुत बड़े, शक्तिशाली AI (जैसे
gpt-oss-120b) का उपयोग किया, तो इस सिस्टम ने सभी को पीछे छोड़ दिया। इसने मानव विशेषज्ञों और 'Greedy' रणनीति से भी बेहतर नियम संयोजनों (combinations) को खोज निकाला। - क्यों? बड़ा AI दो चीजों में कुशल था:
- योजना बनाना (Planning): वह पिछले प्रयोगों को देख सकता था और कह सकता था, "नियम A ने काम किया, और नियम B ने अलग से काम किया; आइए उन्हें एक साथ आजमाते हैं।"
- निराई-गुड़ाई (Weeding): वह यह पहचानने में सक्षम था कि कौन से नियम बेकार हैं और खोज को साफ रखने के लिए उन्हें हटाना आवश्यक है।
कमी (सीमाएं)
पेपर में कुछ बातें स्वीकार की गई हैं:
- भाषा मायने रखती है: AI को कानून की विशिष्ट भाषा (इस मामले में चीनी) को समझने और लिखने में वास्तव में बहुत अच्छा होना चाहिए। यदि AI भाषा में कमजोर है, तो वह ऐसे "कचरा" नियम बनाता है जिनका कोई अर्थ नहीं निकलता।
- यह जादू नहीं है: यह सिस्टम छोटे AI मॉडलों के साथ अच्छी तरह काम नहीं करता है। बगीचे को प्रभावी ढंग से प्रबंधित करने के लिए आपको एक "स्मार्ट" कोच की आवश्यकता होती है।
सारांश
यह पेपर दिखाता है कि कठिन समस्याओं को हल करने के लिए आपको हमेशा एक नया, अत्यंत जटिल AI बनाने की आवश्यकता नहीं होती है। कभी-कभी, आपको बस एक स्मार्ट एजेंट की आवश्यकता होती है जो अपने स्वयं के निर्देश लिख सके, उनका परीक्षण कर सके, और खराब निर्देशों को हटा सके, जब तक कि वह कानूनी मामलों को खोजने का सही तरीका न ढूंढ ले। यह एक ऐसे सर्च इंजन की तरह है जो खुद को सिखाता है कि कानून की भाषा को किसी भी इंसान से बेहतर तरीके से कैसे बोला जाए।
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।