Neuro-Symbolic AI for Korean Criminal Law: Sentencing Prediction and Document Drafting
यह शोध पत्र एक न्यूरो-सिम्बोलिक एआई (Neuro-Symbolic AI) ढांचे का प्रस्ताव करता है जो शुद्ध रूप से न्यूरल कानूनी प्रणालियों में निहित मतिभ्रम (hallucination) के जोखिमों को कम करने के लिए कोरियाई यातायात अपराधों हेतु सजा के पूर्वानुमान और दस्तावेज़ प्रारूपण की सटीकता और विश्वसनीयता बढ़ाने के लिए अर्थपूर्ण निष्कर्षण (semantic extraction) हेतु लार्ज लैंग्वेज मॉडल्स (Large Language Models) को नियतात्मक वैधानिक गणनाओं (deterministic statutory calculations) के लिए सेटिस्फिएबिलिटी मॉडलो थ्योरीज (Satisfiability Modulo Theories) सॉल्वर्स के साथ जोड़ता 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 एक ऐसी दुनिया है जहाँ कंप्यूटर अविश्वसनीय रूप से प्रतिभाशाली लेकिन थोड़े भुलक्कड़ शेफ (रसोइयों) की तरह हैं। वे एक सेकंड में हज़ार रेसिपी पढ़ सकते हैं, किसी व्यंजन के स्वाद को समझ सकते हैं, और एक टमाटर के बारे में एक सुंदर कविता भी लिख सकते हैं। यह आर्टिफिशियल इंटेलिजेंस (AI) का क्षेत्र है, विशेष रूप से एक प्रकार जिसे लार्ज लैंग्वेज मॉडल्स (LLMs) कहा जाता है। ये डिजिटल शेफ भाषा समझने में अद्भुत हैं, लेकिन उनकी एक अजीब आदत है: कभी-कभी, जब उनसे सटीक गणित करने या सख्त नियमों का पालन करने के लिए कहा जाता है, तो वे "हैलुसिनेट" (भ्रमित हो जाना) करते हैं। वे आत्मविश्वास के साथ आपसे कह सकते हैं कि एक टमाटर की कीमत 5 लिखा हो। वास्तविक दुनिया में, कहानियाँ लिखने के लिए यह ठीक है, लेकिन एक अदालत में, जहाँ एक गलती का मतलब यह हो सकता है कि कोई अपनी स्वतंत्रता खो दे या गलत जुर्माना भर दे, वहाँ "लगभग सही" होना पर्याप्त नहीं है।
यहीं पर न्यूरो-सिम्बोलिक एआई (Neuro-Symbolic AI) काम आता है। इसे उस रचनात्मक, भुलक्कड़ शेफ और एक अत्यंत सख्त, नियम मानने वाले अकाउंटेंट (लेखाकार) की टीम-अप के रूप में सोचें। शेफ बिखरे हुए नोट्स पढ़ता है और कहानी को समझता है, जबकि अकाउंटेंट गणित करता है और नियमों की जाँच करता है ताकि यह सुनिश्चित हो सके कि सब कुछ पूरी तरह से सही है। यह शोध पत्र इस 'ड्रीम टीम' को बनाने के तरीके का अन्वेषण करता है ताकि दक्षिण कोरिया में अभियोजकों (prosecutors) को हजारों मामूली यातायात मामलों, जैसे कि शराब पीकर गाड़ी चलाने (drunk driving) के मामलों को संभालने में मदद मिल सके, बिना अत्यधिक बोझ तले दबे या खतरनाक गलतियाँ किए।
समस्या: बहुत सारे टिकट, बहुत कम इंसान
दक्षिण कोरिया में, कानूनी प्रणाली में छोटे अपराधों के लिए एक विशेष 'फास्ट लेन' है जिसे समरी प्रोसीडिंग्स (या गुयाक्सिक) कहा जाता है। कल्पना कीजिए कि एक हाईवे है जहाँ पुलिस लाइसेंस के बिना गाड़ी चलाने, छोटी टक्कर होने, या थोड़ी अधिक शराब पीने जैसे छोटे अपराधों के लिए सैकड़ों ड्राइवरों को पकड़ती है। हर एक मामले के लिए पूर्ण विचार-विमर्श (full-blown trial) करने के बजाय, अभियोजक केवल कागजी कार्रवाई की समीक्षा करते हैं और जुर्माना जारी करते हैं। यह कुशल तो है, लेकिन यह कागजी कार्रवाई का एक पहाड़ खड़ा कर देता है। अभियोजक पुलिस रिपोर्ट, ब्रेथलाइज़र लॉग और गवाहों के बयानों के ढेर में डूब रहे हैं। उन्हें इन बिखरे हुए, हस्तलिखित या स्कैन किए गए दस्तावेजों को एक स्पष्ट, गणितीय रूप से सटीक कानूनी निर्णय में बदलने के तरीके की आवश्यकता है।
जाल: क्यों स्मार्ट कंप्यूटर फंस जाते हैं
हाल ही में, लोगों ने इन "भुलक्कड़ शेफ" वाले कंप्यूटरों (LLMs) का उपयोग करके इस समस्या को हल करने की कोशिश की। कंप्यूटर पुलिस रिपोर्ट पढ़ने और यह कहने में बहुत अच्छे हैं कि, "आह, इस व्यक्ति के रक्त में 0.12% अल्कोहल था और इसकी एक बैरियर से टक्कर हो गई।" लेकिन जब जटिल कानूनों के आधार पर सटीक जुर्माना गणना करने के लिए कहा जाता है, तो कंप्यूटर अनुमान लगाने लगता है। यह संख्याओं को गलत जोड़ सकता है या एक ऐसा नियम बना सकता है जो अस्तित्व में ही नहीं है। आपराधिक कानून में, आप कंप्यूटर को अनुमान लगाने की अनुमति नहीं दे सकते। यदि गणित गलत है, तो न्याय प्रणाली टूट जाती है। शोध पत्र तर्क देता है कि हम इन कंप्यूटरों पर गणित करने के लिए भरोसा नहीं कर सकते; वे तथ्य बनाने की ओर बहुत अधिक प्रवृत्त हैं।
समाधान: शेफ और अकाउंटेंट की एक टीम
लेखक एक न्यूरो-सिम्बोलिक फ्रेमवर्क का प्रस्ताव करते हैं, जो एक फैंसी तरीका है यह कहने का कि वे दोनों तरफ के सर्वश्रेष्ठ लाभ प्राप्त करने के लिए काम को दो अलग-अलग भागों में विभाजित करते हैं।
चरण 1: शेफ (LLM)
सबसे पहले, सिस्टम बिखरे हुए, असंरचित दस्तावेजों—जैसे कि ब्रेथलाइज़र परिणाम या पुलिस अधिकारी के नोट्स—को लेता है और उन्हें LLM को फीड करता है। LLM का एकमात्र काम एक "सिमेंटिक एक्सट्रैक्टर" (अर्थ निकालने वाला) होना है। यह कहानी को पढ़ता है और महत्वपूर्ण तथ्यों को निकालता है: "ड्राइवर का ब्लड अल्कोहल 0.12 था," "उनकी एक मीडियन बैरियर से टक्कर हुई," और "उनका कोई पिछला रिकॉर्ड नहीं है।" यह इन तथ्यों को एक व्यवस्थित सूची (जैसे कि JSON फ़ाइल) में रखता है। महत्वपूर्ण बात यह है कि LLM को अभी जुर्माना गणना करने की अनुमति नहीं है। यह केवल सामग्री (ingredients) एकत्र करता है।
चरण 2: मानव निरीक्षक (सुरक्षा जाँच)
गणित होने से पहले, एक वास्तविक मानव अभियोजक उस सूची को देखता है। सिस्टम स्पष्ट रूप से हाइलाइट करता है कि कंप्यूटर ने मूल दस्तावेज़ में प्रत्येक तथ्य कहाँ पाया। मानव एक बटन पर क्लिक करके कहता है, "हाँ, यह सही है," या "नहीं, यह गलत है।" इसे ह्यूमन-इन-द-लूप (HITL) कहा जाता है। यह सुनिश्चित करता है कि कंप्यूटर कोई ऐसा तथ्य न बना दे जिसे मानव ने सत्यापित न किया हो। केवल वे तथ्य जिन्हें मानव द्वारा अनुमोदित किया जाता है, अगले चरण में जाते हैं।
चरण 3: अकाउंटेंट (Z3 सॉल्वर)
अब, सत्यापित तथ्य "अकाउंटेंट" के पास जाते हैं, जो कि Z3 सैटिस्फिएबिलिटी โมलो थ्योरीज (SMT) सॉल्वर नामक सॉफ्टवेयर का एक हिस्सा है। यह कोई अनुमान लगाने वाली मशीन नहीं है; यह एक गणितीय प्रमाण इंजन है। यह मानव-अनुमोदित तथ्यों को लेता है और उन्हें 2026 ट्रैफिक ऑफेंस सेंटेंसिंग गाइडलाइन्स के सख्त नियमों के माध्यम से चलाता है।
- यदि ब्लड अल्कोहल 0.08 और 0.20 के बीच है, तो कंप्यूटर को इसे "टाइप 3" के रूप में वर्गीकृत करना ही होगा।
- यदि ड्राइवर की टक्कर एक बैरियर से हुई है, तो कंप्यूटर को एक "एग्रवेटिंग फैक्टर" (गंभीर कारक) जोड़ना ही होगा।
- इसके बाद यह जुर्माने की सीमा निर्धारित करने के लिए वास्तविक गणित करता है।
चूंकि यह शुद्ध तर्क और गणित है, इसलिए यह भ्रमित (hallucinate) नहीं हो सकता। यदि नियम कहते हैं कि जुर्माना 5,000,000 और 8,000,000 कोरियाई वोन के बीच है, तो यह बिल्कुल वही आउटपुट देगा। यदि गणित मेल नहीं खाता (उदाहरण के लिए, यदि मानव ने गलती से दो ऐसे तथ्य अनुमोदित कर दिए जो एक-दूसरे का विरोध करते हैं), तो अकाउंटेंट रुक जाता है और कहता है, "त्रुटि! कुछ गलत है," और मामले को सुधारने के लिए वापस मानव के पास भेज देता है।
परिणाम: एक सटीक रूप से तैयार किया गया दस्तावेज़
एक बार जब अकाउंटेंट के पास अंतिम संख्या आ जाती है, तो सिस्टम एक आखिरी बार "शेफ" (LLM) के पास वापस जाता है। इस बार, LLM को सटीक गणितीय परिणाम दिया जाता है और एक अंतिम कानूनी दस्तावेज़, जैसे कि समरी इंडिक्टमेंट रिक्वेस्ट लिखने के लिए कहा जाता है। LLM उचित कानूनी प्रारूप में दस्तावेज़ लिखता है, लेकिन यह जुर्माने की राशि को सीधे अकाउंटेंट के परिणाम से कॉपी करता है। यह कुछ भी गणना नहीं करता है; यह केवल कहानी लिखता है।
इसका भविष्य के लिए क्या अर्थ है
शोध पत्र दिखाता है कि यह तरीका सिद्धांत में काम करता है और एक ऐसा पाइपलाइन बनाता है जो तेज़ और सुरक्षित दोनों है। यह सुझाव देता है कि "रचनात्मक" AI को "गणित" से दूर रखकर और मानव को काम की जाँच करने देकर, हम त्रुटियों का जोखिम उठाए बिना कानूनी प्रणाली के उबाऊ हिस्सों को स्वचालित कर सकते हैं।
लेखक सावधानीपूर्वक नोट करते हैं कि यह वर्तमान में एक फ्रेमवर्क है जिसे उन्होंने तार्किक रूप से डिज़ाइन और परीक्षण किया है। उन्होंने इसे अभी तक कोरिया के हर पुलिस स्टेशन में लागू नहीं किया है। हालाँकि, वे पूर्ण सॉफ़्टवेयर बनाने और इसे वास्तविक डेटा के साथ परीक्षण करने की योजना बना रहे हैं। यदि सफल रहे, तो यह प्रणाली न केवल शराब पीकर गाड़ी चलाने, बल्कि साधारण हमला, छोटी चोरी या ऑनलाइन अपमान जैसे अन्य मामूली अपराधों को भी संभाल सकती है, जिससे अभियोजकों को अपना काम निपटाने में मदद मिलेगी और साथ ही यह सुनिश्चित होगा कि प्रत्येक जुर्माना गणितीय सटीकता के साथ गणना किया गया है। यह कंप्यूटर को भारी काम करने देने का एक तरीका है, जबकि नियंत्रण (ड्राइवर की सीट) मानव के हाथ में बनाए रखना 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।