تقدير المشروع
← كل المقالات

نماذج اللغة الكبيرة في LegalTech

استكشاف ما يمكن لوكلاء LLM تقديمه لروبوت محادثة مبني حول قانون الذكاء الاصطناعي الأوروبي.

6 دقائق قراءة
تعلّم الآلةLLMs

استكشاف ما يمكن لوكلاء LLM تقديمه لروبوت محادثة مبني حول قانون الذكاء الاصطناعي الأوروبي

تظهر التطبيقات المبنية على LLMs في مجالات مثل خدمة العملاء والمجال الطبي والتقنية القانونية (Legal Tech). فقد حققت خدمة العملاء (بوصفها نقطة اتصال واحدة عبر منصات متعددة) والمجال الطبي (مثل نموذج Meditron المصمم للطب) خطوات كبيرة؛ أما في Legal Tech فلا يزال التبني الأوسع محدوداً.

تتناول هذه المقالة استخدام LLMs في LegalTech، بادئة بسبب صعوبة ذلك. ثم سنوجز بإيجاز كيف يُبنى قانون الذكاء الاصطناعي الأوروبي (نستخدمه كمصدر في مثالنا)، ونعرض إطار عمل وكلاء اسمه CrewAI، ونبين نظاماً لكتابة رسائل البريد الإلكتروني يعرّف بالتغييرات التي جاء بها قانون الذكاء الاصطناعي الأوروبي.

ما الذي يجعل LegalTech صعباً؟

أولاً، لننظر في سبب صعوبة LegalTech الكبيرة. ربما مررت باتفاقيات أو لوائح داخلية تكون صياغتها شديدة الدقة ومليئة بالإحالات إلى مدونة قانونية تفاعلية، إلى جانب إحالات متبادلة إلى مواد في تشريعات أخرى.

وفيما يخص دقة الصياغة، فإن «الحيازة» و«الملكية» مثالان جيدان: فهما بالنسبة إلى غير المختص تعنيان الشيء نفسه تقريباً، لكنهما في اللغة القانونية تنطبقان على حالات مختلفة تماماً.

ومن القضايا الرئيسية الأخرى أن القانون في تطور مستمر: فبعض التشريعات يُلغى (مثل إقرار مجلس الشيوخ الأمريكي مشروع قانون لرفع سقف الدين)، بينما تبقى بعض القوانين القديمة سارية (مثل أنه لا يجوز في أوهايو أن تعبس في وجه الكلب).

وأخيراً، هناك مسألة كيفية تطبيق القانون في بلدان مختلفة. ففي الولايات المتحدة يمكن الاستشهاد بالسوابق القضائية في المحكمة (وهو أمر يُرى كثيراً في المسلسلات التلفزيونية)، بينما تحمل السوابق في بلدان القانون المدني وزناً أقل بكثير مما هي عليه في الولايات المتحدة. وهذا يبين كيف تختلف استراتيجيات المحامين من بلد إلى آخر.

وتميل تطبيقات LLM إلى ارتكاب أخطاء تقريب في كل خطوة (و«قريب بما يكفي» نهج سيئ حين يتعلق الأمر بالقانون)، ولذلك قد تكون خطوط المعالجة المبنية على وكلاء LLM وسيلة لمعالجة هذه المشكلة.

حلول LegalTech الحالية المبنية على نماذج اللغة الكبيرة

تقدم هذه الورقة من Stanford تحليلاً ثاقباً لأخطاء وأداء أنظمة RAG الشائعة المستخدمة في LegalTech حالياً (ومنها Lexis+ AI Westlaw وPractical Law, وGPT-4).

ويشير تحليلهم إلى وجود مجال واسع للتحسين (فحتى الأفضل أداءً لا يزال يهلوس في 17% من الاستعلامات).

وقد وقع كل حل في فخ افتراض RAG بأن «النصوص المتشابهة ذات صلة» وهلوس بشكل ملحوظ في الاستعلامات المرتبطة بولاية قضائية معينة أو بنقطة زمنية معينة، حيث لم تكن الأسس المقدمة (groundings) تناسب الإجابة.

والأكثر من ذلك، أن معظم الحلول تنطوي على خطر حقيقي بتقديم إجابات ناقصة تفتقر إلى أساس كافٍ.

قانون الذكاء الاصطناعي الأوروبي

هرم المخاطر في قانون الذكاء الاصطناعي الأوروبي

هرم المخاطر في قانون الذكاء الاصطناعي الأوروبي، وفق التعريف الوارد في: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

قانون الذكاء الاصطناعي الأوروبي – ما موضوعه؟

على مدى الأشهر القليلة الماضية، كان الجميع يتحدث عن قانون الذكاء الاصطناعي الأوروبي، لأنه أول مبادرة تنظيمية من نوعها للذكاء الاصطناعي. وهو سهل القراءة نسبياً ولا يحيل إلى كثير من التشريعات الأخرى (إن كنت مهتماً، فيمكنني أن أوصي بـhttps://artificialintelligenceact.eu/ai-act-explorer/).

في جوهره، يضع هرماً للمخاطر موزعاً على أربعة مستويات للمخاطرة: مخاطر غير مقبولة (ممارسات محظورة)، ومخاطر عالية (أنظمة عالية المخاطر منظَّمة)، ومخاطر محدودة (تتطلب الشفافية)، ومخاطر منخفضة ودنيا (دون التزامات).

نظرة تقنية على مجموعة البيانات

وبما أنه ليس شديد التعقيد وهو أول تنظيم من نوعه، فهو خيار معقول لمثال الوكلاء لدينا، ولذلك اخترناه كأحد مصادرنا.

من الناحية التقنية، يحتوي قانون الذكاء الاصطناعي الأوروبي على أكثر من 78 ألف كلمة ويتألف من 13 فصلاً (113 مادة في المجموع) و13 ملحقاً (حتى الآن).

بناء سير عمل قائم على الوكلاء

CrewAI – إطار عمل وكلاء مباشر للمهام المعقدة

هناك كثير من أطر العمل لبناء سير عمل وكلاء الذكاء الاصطناعي (ثلاثة على الأقل): Langgraph من فريق Langchain، وAutoGen من Microsoft، وأخيراً CrewAI – الذي سنستخدمه في هذه المقالة لأنه بسيط وسهل التعامل.

يتسم هيكل CrewAI بالبساطة، وهو مقسم إلى أدوات ووكلاء ومهام.

الأدوات

يوفر مجموعة واسعة من الأدوات، من كاشطات الويب العامة، مروراً بقارئات الملفات المتخصصة (مثل PDF أو Markdown)، وصولاً إلى أدوات البحث المخصصة (مثل Github أو YouTube).

الوكلاء

يوصف الوكلاء بثلاثة معاملات رئيسية:

  • دورهم ضمن خط المعالجة (مثل محلل)
  • هدفهم – ما يسعون إلى إنجازه (مثل كتابة تقرير من المعلومات المسترجعة)
  • خلفيتهم – التي تشكل شخصيتهم وسلوكهم.

المهام

أما المهام فتوصف بما يلي:

  • وصف المهمة
  • الوكيل المسند إليه
  • المخرجات المتوقعة – مواصفات ما نريد الحصول عليه كمخرجات.

الإعداد

إعداد الوكلاء

لهذه المسألة، أعددنا 3 وكلاء، لكل منهم مهامه:

  1. Senior Paralegal (مساعد قانوني أول)، الذي يتولى الجزء الأكبر من البحث ويكتب التقرير العام عن التغييرات القانونية المتعلقة بوضع العميل بموجب قانون الذكاء الاصطناعي الأوروبي.
  2. Law Associate (محامٍ مساعد) – يبني على تقرير المساعد القانوني، ويضيف معرفة قانونية أوسع بالقطاع، ويحدد المخاطر والفوائد لقطاع العميل عند سريان قانون الذكاء الاصطناعي الأوروبي.
  3. Senior Partner (شريك أول) – يكتب رسالة بريد إلكتروني واضحة إلى العميل بلمسة شخصية، محولاً المصطلحات القانونية إلى لغة أسهل في المتابعة.

لا يوجد هنا قائد، ويعمل الوكلاء واحداً بعد الآخر (يُمرَّر مخرج كل منهم كمدخل إضافي للتالي).

إعداد الأدوات

أما الأدوات، فيمكن لـ Senior Paralegal وLaw Associate استخدام Google وإجراء كشط ويب أعمق لموقع قانون الذكاء الاصطناعي الأوروبي لجمع معلومات مفيدة. أما Senior Partner فيعيد فقط كتابة تقرير المحامي المساعد بلغة أبسط للعميل.

في هذه التجربة، استخدم كل وكيل GPT-4o كنموذج LLM خلفي بسبب نافذة سياقه الكبيرة.

النتائج

نقارن هنا نوعياً الإجابات التي أنتجها إعدادان:

  1. chatGPT العادي مع المدخلات المعطاة.
  2. سير العمل القائم على الوكلاء الموصوف أعلاه

المطالبة المدخلة المعطاة إلى ChatGPT

المدخلات التي مُرّرت إلى chatGPT باستخدام GPT4-o موضحة أدناه:

مخرجات الطلب العادي إلى ChatGPT باستخدام gpt4-o موضحة أدناه:

مخرجات سير العمل القائم على الوكلاء موضحة أدناه:

المقارنة

تبدو مخرجات ChatGPT العادي أقرب إلى مقطع مقتبس من التشريع أو من مقالة، بينما مخرجات سير العمل القائم على الوكلاء أكثر جاذبية بكثير وأسهل في الفهم.

إضافة إلى ذلك، استشهدت بعض تكرارات إجابات chatGPT بمواد لا تتطابق مع الوقائع وتفتقر إلى أساس قانوني ذي صلة.

مكافأة: AgentOps – قابلية الرصد لوكلاء LLM

بما أن مخرجات وحدة التحكم قد تكون فوضوية بعض الشيء ويصعب قراءتها، توجد أدوات أخرى تجعل فهم ما يجري ومتابعته أسهل. وAgentOps إحداها.

كيف يبدو ذلك؟

بمجرد بضعة أسطر تستدعي agent ops وتضبط مفاتيح API الصحيحة، يمكنك رؤية ما يلي وتتبع التكاليف بشكل أفضل (تكلفة تشغيل الوكلاء أعلى لأنها تحتاج إلى عدة طلبات LLM متتابعة)، ووقت المعالجة (طلبات أكثر = معالجة أطول)، والاتصالات، والمخرجات الوسيطة.

الخلاصة

في هذه المقالة، شرحنا لماذا تصعب LegalTech على LLMs، واستعرضنا أساسيات قانون الذكاء الاصطناعي الأوروبي مرة أخرى، وناقشنا إطار عمل Crew AI لبناء سير عمل الوكلاء، وعرضنا نموذجاً لمخرجات النصيحة القانونية، وقارنّا بإيجاز بين chatGPT العادي وسير العمل القائم على الوكلاء.

وكمكافأة، نظرنا في AgentOps كأداة رصد تساعدنا على فهم سلوك النظام الذي بنيناه بشكل أفضل.

إذا أردت إطلاق كل ما يمكن للذكاء الاصطناعي تقديمه مع LLMs مبنية بخبرة، فلا تتردد في التواصل معنا. يسعدني الحديث عن حالة استخدامك.