Liability in Motion: A retrieval-augmented LLM application in road traffic liability apportionment
यह अध्ययन एक रिट्रीवल-ऑगमेंटेड लैंग्वेज मॉडल प्रस्तुत करता है जो टैक्सोनोमिक लीगल मेटाडेटा और प्रासंगिकता-क्रमबद्ध प्रदर्शनों को एकीकृत करके जर्मन कानून में आनुपातिक सड़क यातायात दायित्व वितरणों की भविष्यवाणी करता है, जिससे तर्कसंगत, न्याय-संरेखित एल्गोरिद्मिक भविष्यवाणियों के माध्यम से अदालत के बाहर के समझौतों को सुगम बनाया जा सके।
मूल पेपर CC BY 4.0 (https://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 कानून केवल पुरानी किताबों का एक धूल भरा पुस्तकालय नहीं है, बल्कि एक न्यायाधीश और एक सुपर-स्मार्ट रोबोट के बीच एक जीवंत, सांस लेती बातचीत है। यह लीगल जजमेंट प्रेडिक्शन (कानूनी निर्णय भविष्यवाणी) का अग्रिम क्षेत्र है, जहाँ वैज्ञानिक कंप्यूटर को अदालती मामले पढ़ना और यह अनुमान लगाना सिखाते हैं कि एक वास्तविक न्यायाधीश किसी विवाद पर कैसे निर्णय लेगा। लेकिन यहाँ एक पेंच है: इनमें से अधिकांश रोबट ऐसे छात्रों की तरह हैं जो एक बहुविकल्पीय परीक्षा (मल्टीपल चॉइस टेस्ट) के लिए रट्टा मार रहे हैं। वे आपको बता सकते हैं कि प्रतिवादी जीता या हारा (एक "हाँ" या "ना"), लेकिन वे इस जटिल, वास्तविक दुनिया की बारीकियों के साथ संघर्ष करते हैं कि कितना दोष किसी पर है। इसे ठीक करने के लिए, शोधकर्ता रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) का उपयोग कर रहे हैं। इसे एक रोबोट द्वारा पाठ्यपुस्तक रटने के रूप में नहीं, बल्कि एक रोबोट के पास एक जादुई लाइब्रेरी कार्ड होने के रूप में सोचें। जब इसके सामने एक नई समस्या आती है, तो यह केवल अनुमान नहीं लगाता; यह तुरंत हजारों पिछले मामलों में से सबसे समान दिखने वाले मामलों को खोजने के लिए उन्हें पलटता है, उन्हें पढ़ता है, और फिर उस ताज़ा जानकारी का उपयोग करके एक स्मार्ट और अधिक सूचित भविष्यवाणी करता है।
यह क्यों मायने रखता है? क्योंकि कानूनी प्रणाली कागजी कार्रवाई में डूब रही है। हर साल लाखों मामूली ट्रैफिक दुर्घटनाएं होती हैं, जो अदालतों को जाम कर देती हैं और संसाधनों को खत्म कर देती हैं। यदि हम लोगों को अदालत में कदम रखने से पहले ही इन विवादों को निष्पक्ष रूप से और जल्दी सुलझाने में मदद कर सकें, तो हम सभी का समय, पैसा और तनाव बचा सकते हैं। यह शोध पत्र एक महत्वपूर्ण प्रश्न पूछता है: क्या हम एक ऐसा रोबोट बना सकते हैं जो केवल "दोषी" या "निर्दोष" न कहे, बल्कि वास्तव में ट्रैफिक दुर्घटना में प्रत्येक ड्राइवर के दोष का सटीक प्रतिशत भी निकाल सके, ठीक उसी तर्क का उपयोग करके जैसा वास्तविक वकील करते हैं?
द रोबोट लॉयर्स न्यू लाइब्रेरी (रोबोट वकील का नया पुस्तकालय)
इस अध्ययन के पीछे के शोधकर्ताओं, फेलिक्स रीचमैन और सहयोगियों ने जर्मन ट्रैफिक दुर्घटनाओं की अराजक दुनिया से निपटने का फैसला किया। जर्मनी में, जब दो कारें आपस में टकराती हैं, तो कानून केवल यह तय नहीं करता कि कौन भुगतान करेगा; यह दोष को विभाजित करता है। हो सकता है कि कार A 70% दोषी हो और कार B 30%। इस विभाजन को "लायबिलिटी कोटा" (दायित्व कोटा) कहा जाता है। टीम एक ऐसा AI बनाना चाहती थी जो इन प्रतिशतों की भविष्यवाणी एक मानव विशेषज्ञ की तरह सटीकता से कर सके।
इसे करने के लिए, उन्होंने AI को केवल यादृच्छिक कहानियाँ नहीं दीं। उन्होंने इसे एक बहुत ही विशिष्ट, बहुत प्रसिद्ध पुस्तक दी: एक विशाल कानूनी टिप्पणी जिसे लायबिलिटी कोटा इन ट्रैफिक एक्सीडेंट्स कहा जाता है। यह पुस्तक जर्मन ट्रैफिक वकीलों के लिए "बाइबल" की तरह है। इसमें हजारों वास्तविक मामले शामिल हैं, जो श्रेणियों के एक विशाल, विस्तृत वृक्ष (जैसे "मुड़ते समय दुर्घटनाएं" या "हाईवे पर दुर्घटनाएं") में व्यवस्थित हैं। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जहाँ AI एक जासूस के रूप में कार्य करता है। जब एक नई दुर्घटना होती है, तो सिस्टम AI से पूछता है: "यहाँ इस दुर्घटना के तथ्य हैं; इस पुस्तक में सबसे समान मामले खोजें और हमें बताएं कि दोष का विभाजन क्या होना चाहिए।"
द ग्रेट लाइब्रेरी सर्च: सही सुराग खोजना
प्रयोग का मुख्य हिस्सा यह परीक्षण करना था कि AI को उन समान मामलों के लिए कैसे खोजना चाहिए। शोधकर्ताओं ने चार अलग-अलग रणनीतियों का परीक्षण किया, जैसे कि घास के ढेर में सुई खोजने के चार अलग-अलग तरीकों का परीक्षण करना:
- द रैंडम शफल (यादृच्छिक क्रम): उन्होंने AI को पूरी तरह से यादृच्छिक रूप से मामले चुनने दिया। यह "कंट्रोल ग्रुप" था, एक आधार रेखा यह देखने के लिए कि क्या कुछ भी व्यवस्थित करना अनुमान लगाने से बेहतर है।
- द सिमेंटिक सर्च (अनसुपरवाइज्ड): AI ने उन मामलों को देखा जो सुनने में समान थे। यदि नई दुर्घटना में "लाल कार को नीले ट्रक से टक्कर मारना" शामिल था, तो वह "नीले ट्रक" और "लाल कारों" के बारे में अन्य कहानियाँ खोजेगा, भले ही वे अलग प्रकार की दुर्घटनाओं में हुई हों।
- द टैक्सोनॉमी सर्च (सुपरवाइज्ड): यह "स्मार्ट" खोज थी। केवल शब्दों को पढ़ने के बजाय, AI ने उस श्रेणी को देखा जिससे वह मामला पुस्तक की विषय-सूची में संबंधित था। यदि नया मामला एक "मुड़ने वाली दुर्घटना" था, तो AI ने केवल अन्य "मुड़ने वाली दुर्घटनाओं" को ही देखा। इसने बाकी सब कुछ अनदेखा कर दिया।
- द हाइब्रिड सर्च: इसने दोनों को मिला दिया। AI ने शब्दों और श्रेणी टैग दोनों को एक साथ देखा।
रोबोट ने वास्तव में क्या पाया
परिणाम आश्चर्यजनक रूप से स्पष्ट थे, और उन्होंने शोधकर्ताओं को यह सिखाया कि कानूनी AI कैसे बनाया जाए।
पहला, "रैंडम शफल" एक आपदा था। जब AI ने यादृच्छिक रूप से मामले उठाए, तो इसका प्रदर्शन खराब रहा। यह सूप की रेसिपी पढ़कर गणित की समस्या हल करने की कोशिश करने जैसा था। इससे सिद्ध हुआ कि AI को काम करने के लिए सही प्रकार के उदाहरणों की आवश्यकता होती है।
दूसरा, "स्मार्ट" खोज की जीत हुई। जिन रणनीतियों ने पुस्तक की श्रेणियों का उपयोग किया (टैक्सोनॉमी और हाइब्रिड खोज), वे केवल समान शब्दों को खोजने वाली रणनीतियों की तुलना में काफी बेहतर थीं। शोध पत्र सुझाव देता है कि कानून में, केवल शब्दों से अधिक ज्ञान की संरचना मायने रखती है। यह जानना कि एक मामला "हाईवे दुर्घटना" की श्रेणी में आता है, यह जानने से अधिक सहायक है कि दुर्घटना में एक "तेज कार" शामिल थी। हाइब्रिड दृष्टिकोण, जिसने शब्दों और श्रेणियों को जोड़ा, सबसे अच्छा प्रदर्शन करने वाला रहा, जिसमें सबसे उन्नत मॉडल वास्तविक उत्तर के लगभग 19 से 20 प्रतिशत अंकों के भीतर दोष प्रतिशत निकाल पाए।
तीसरा, सुरागों का क्रम मायने रखता है। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है यदि वे उन उदाहरणों के क्रम को बदल दें जिन्हें AI पढ़ता है। उन्होंने पाया कि यदि AI सबसे प्रासंगिक मामलों को पहले पढ़ता है, तो वह बहुत अच्छा करता है। लेकिन यदि आप उन्हें यादृच्छिक रूप से बिखेर देते हैं, तो AI भ्रमित हो जाता है और अधिक गलतियाँ करता है। यह एक रहस्य उपन्यास पढ़ने जैसा है: यदि आप सुरागों को सही क्रम में पढ़ते हैं, तो आप अपराध को सुलझा सकते हैं। यदि आप अंत पहले पढ़ते हैं, फिर शुरुआत, फिर मध्य, तो आप पूरी तरह से खो जाएंगे। शोध पत्र सुझाव देता है कि इन कानूनी रोबोटों के लिए, सबसे महत्वपूर्ण उदाहरणों को सूची में सबसे ऊपर रखना महत्वपूर्ण है।
द वर्डिक्ट: शांति के लिए एक उपकरण, न्यायाधीश के रूप में नहीं
तो, क्या यह रोबोट न्यायाधीशों को बदलने के लिए तैयार है? लेखक यहाँ बहुत सावधान हैं। वे स्पष्ट रूप से कहते हैं कि यह प्रणाली अदालत में मानव न्यायाधीश का स्थान लेने के लिए नहीं है। त्रुटियाँ अभी भी बहुत अधिक हैं। इसके बजाय, वे इसे अल्टरनेटिव डिस्प्यूट रेजोल्यूशन (ADR - वैकल्पिक विवाद समाधान) के लिए एक शक्तिशाली उपकरण के रूप में देखते हैं।
उन दो ड्राइवरों की कल्पना करें जिनकी अभी-अभी टक्कर हुई है। अदालत की तारीख के महीनों इंतजार करने के बजाय, वे इस प्रणाली का उपयोग कर सकते हैं। सिस्टम दुर्घटना को देखेगा, ट्रैफिक कानून की "बाइबल" से सबसे समान पिछले मामले खोजेगा, और कहेगा, "5,000 समान मामलों के आधार पर, आप संभवतः 60% दोषी हैं, और दूसरा ड्राइवर 40% दोषी है।" यह दोनों ड्राइवरों को एक वास्तविक अपेक्षा देता है कि अदालत में क्या होगा। यह उन्हें बिना मुकदमे के तनाव और लागत के, वहीं समझौता करने में मदद करता है।
शोध पत्र निष्कर्ष निकालता है कि एक भारी, आधिकारिक कानूनी पुस्तक को "कंप्यूटेबल कोऑर्डिनेशन डिवाइस" (गणनीय समन्वय उपकरण) में बदलकर, हम लोगों को तेजी से निष्पक्ष परिणामों पर सहमत होने में मदद कर सकते हैं। यह न्याय के लिए खतरा नहीं है; यह वास्तव में लोगों को नियमों को स्पष्ट और पूर्वानुमानित बनाकर न्याय खोजने में मदद करता है। रोबोट न्यायाधीश नहीं है; यह वह रेफरी है जो खिलाड़ियों को खेल शुरू होने से पहले स्कोर पर सहमत होने में मदद करता 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।