An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach
Dit paper introduceert SAT-Graph RAG, een ontologie-gedreven framework dat de hiërarchische en diachrone structuur van wetten expliciet modelleert om betrouwbare, tijds-accurate en controleerbare juridische antwoorden te genereren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een enorme, levende bibliotheek binnenstapt. Deze bibliotheek bevat alle wetten van een land. Maar er is een groot probleem: de boeken in deze bibliotheek veranderen voortdurend. Iedere dag worden er nieuwe pagina's toegevoegd, oude regels verwijderd en hele hoofdstukken herschreven.
Als je nu een simpele zoekmachine gebruikt (zoals de meeste AI-systemen die we vandaag de dag hebben), is het alsof je een boek openslaat en de tekst leest die er nu op staat. Maar wat als je wilt weten hoe die wet eruitzag op 1 januari 1999? De simpele zoekmachine weet dat niet. Het leest de huidige tekst en geeft je een antwoord dat voor die tijd helemaal niet bestond. In de juridische wereld noemen we dit een "anachronisme": een fout omdat de tijd niet klopt.
Dit artikel introduceert een slimme oplossing: SAT-Graph RAG. Laten we dit uitleggen met een paar creatieve vergelijkingen.
1. De "Lego-bouwpakket" vs. De "Plakboek"
Stel je voor dat je een wet bouwt als een Lego-bouwpakket.
- De simpele methode (de oude manier): Je plakt alle Lego-stenen op een vel papier. Als je een steen wilt vervangen, plak je er een nieuwe overheen. Je ziet niet meer welke steen er vroeger zat.
- De nieuwe methode (SAT-Graph): In plaats van te plakken, heb je een 3D-bouwschema.
- Je hebt het ontwerp (de abstracte wet, bijvoorbeeld "Artikel 6").
- Je hebt de versies (hoe dat ontwerp er in 1990 uitzag, hoe het er in 2000 uitzag).
- Je hebt de taal (de tekst in het Portugees, of in het Engels).
Het slimme systeem houdt niet alleen de tekst bij, maar ook de geschiedenis van elk stukje. Het weet precies: "Op 14 februari 2000 is er een nieuwe steen toegevoegd aan dit specifieke blokje."
2. De "Tijdmachine" voor de Wet
De kern van dit systeem is een tijdmachine.
Stel, je vraagt: "Welke rechten had ik in 1999?"
- Een gewone AI zou zeggen: "Hier zijn alle rechten, inclusief die die pas in 2010 zijn toegevoegd." (Fout!)
- De SAT-Graph AI doet alsof hij een tijdmachine heeft. Hij kijkt in zijn database en zegt: "Oké, we gaan terug naar 1999. We nemen het ontwerp van Artikel 6, maar we gebruiken alleen de versies die op dat moment geldig waren. De steen die in 2010 is toegevoegd? Die laten we weg."
Het resultaat is een antwoord dat historisch correct is. Het systeem weet precies welke versie van de wet op welke datum gold.
3. De "Draad" van de Verandering (Causaliteit)
Waarom veranderde de wet? In dit systeem is elke verandering een gebeurtenis (een "Action").
Stel je voor dat de wet een lange trein is.
- Als er een nieuw wagonnetje wordt toegevoegd, is er een locomotief die dat trekt.
- In dit systeem wordt die locomotief (bijvoorbeeld een "Grondwetswijziging nr. 26") een apart, zoekbaar object.
Je kunt nu vragen: "Wie heeft de regel over 'huisvesting' toegevoegd?"
Het systeem kan de trein terugrijden, de locomotief vinden en zeggen: "Dat was Grondwetswijziging 26 uit het jaar 2000." Het maakt de oorzaak van de verandering zichtbaar, niet alleen het resultaat.
4. De "Slimme Boekhouder" (Efficiëntie)
Je zou denken: "Als je elke versie van elke wet opslaat, wordt die database gigantisch en traag."
Maar dit systeem is slim als een slimme boekhouder.
Stel je voor dat je een wet hebt met 100 artikelen. Als alleen artikel 5 verandert, hoeft het systeem niet de hele wet opnieuw op te slaan.
- Het zegt: "Artikel 1, 2, 3, 4 en 6 tot 100 blijven hetzelfde als gisteren. Alleen artikel 5 is nieuw."
- Het systeem "hergebruikt" de oude stukken en plakt alleen het nieuwe stukje erbij. Dit bespaart enorm veel ruimte en maakt het zoeken supersnel.
Waarom is dit belangrijk voor ons allemaal?
Vroeger was het vinden van de juiste, oude wet een nachtmerrie voor advocaten en burgers. Je moest uren zoeken in stapels papier om te zien of een regel al dan niet bestond op een bepaalde datum.
Met dit nieuwe systeem:
- Geen fouten meer: De AI kan niet "hallucineren" over oude wetten, want het kijkt naar de exacte versie van die dag.
- Vertrouwen: Je kunt zien waarom het antwoord klopt. Het systeem laat je zien: "Ik heb dit antwoord gevonden op basis van de wet van 1999, niet van 2024."
- Diepere vragen: Je kunt vragen stellen als: "Wat was de impact van deze wijziging op het hele hoofdstuk?" of "Hoe is dit artikel in de loop der tijd veranderd?"
Samenvattend
Dit artikel beschrijft een manier om AI te leren dat wetten niet statische teksten zijn, maar levende organismen die in de tijd veranderen. Door de structuur (hoofdstukken, artikelen) en de tijd (versies, data) als een strakke, logische kaart (een "graf") te bouwen, kunnen we AI-systemen maken die niet alleen slim zijn, maar ook betrouwbaar, eerlijk en historisch correct.
Het is alsof we van een simpele zoekmachine op een stapel losse bladen zijn gegaan naar een interactieve, 3D-tijdmachine voor de wet.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.