🤖 Идеальная юридическая нейросеть Бум нейросетей продолжается. От простого чат бота большие языковые модели (БЯМ) вплотную подошли к профессиональным моделям. Особенно впечатляют успехи БЯМ в медицине. Так как легче обрабатывать область знаний, которая многократно фильтруется через доказательную медицину и почти не содержит мусора. К примеру, Google разрабатывает Med-PaLM, которая демонстрирует экспертный уровень ответов на экзаменационных вопросах USMLE (85–86,5%). Изложу несколько принципов по которым, на мой взгляд, может быть создана идеальная юридическая нейросеть: 1. Ранжирование базы данных по юридической силе документов. Думаю - это критический момент. В праве действует универсальное правило: при коллизии норм права применяется норма с б`ольшей юридической силой. Ведь подзаконные акты иногда противоречат закону, а законы - конституции. Если не учитывать этот фактор, то какие-нибудь мнения блогеров могут выдаваться нейросетью за истину. Что разрушает саму идею юридической нейросети. Соответственно, юридические документы в БЯМ должны иметь метаданные, "вес" и с помощью жестких правил приоритета ранжироваться по юридической силе. Т.е. придется изобрести что-то вроде собственного закона робототехники для права: • Найди все источники права, относящиеся к запросу • При их коллизии примени нормы с большей юридической силой • При равной силе источников примени специальную норму • При отсутствии специальной нормы примени более позднюю норму • Сообщи пользователю о коллизии 2. Постоянное обновление внешней базы данных. Поправки и новые законы принимаются слишком часто. Без этой информации актуальность юридической нейросети стремительно устаревает. Поэтому постоянно переобучать нейросеть вряд ли получится. Вероятно, понадобится доступ к справочно-правовыми системами через API и постоянное (фоновое) обновление векторов баз данных (RAG) для решения этой задачи. Американский стартап Regology.com один из ярких примеров такого подхода. 3. Модульный принцип построения базы данных по отраслям права. Максимальное сужение базы данных, с которой работает нейросеть, позволит максимально снизить "шум" от похожих, но посторонних блоков информации (нейронов). БЯМ могла бы по выбору пользователя или самостоятельно подключать релевантные модули. Американские стартапы ai.law и vlex.com пошли по этому пути. К примеру, для загрузки потребительского права в БЯМ потребуется всего лишь закон "О защите прав потребителей", пару постановлений Правительства РФ, Постановления КС, Пленумы и обзоры ВС по теме. Подобная микробаза будет максимально "чистой" для обработки нейросетью. Этот же подход позволит кратно снизить нагрузку (токены) на БЯМ, повысить скорость ответа и уменьшить галлюцинации. 4. Правовая доктрина, как фильтр качества. Часто юристов интересуют теоретические вопросы права. Тогда надстройка: "а что говорит доктрина?" - будет отличным фильтром качества. Ведь самое сложное - решать задачи, по которым не устоялась cудебная практика или правоприменение не соответствует доктрине. Часто правовая доктрина носит дискуссионный характер. Поэтому доктрина должна быть отделена от источников права. 5. Поиск судебной практики и прогнозирование судебных актов. При массовой загрузке судебных актов в БЯМ можно с высокой вероятностью прогнозировать, какое решение вынесет суд. Ведь уникальных дел в процентном отношении немного. Например, американский провайдер LexisNexis.com якобы прогнозирует исход дел с точностью 70–85%. Однако, если практика коррумпирована или предвзята БЯМ усилит её значение. (Представьте, что нейросеть стала бы ориентироваться на дело Долиной). Поэтому судебная практика является не фильтром качества, а фильтром правоприменительной реальности. И поэтому практику также стоит отделить от источников права. #Нейрохакинг@pravoros #ИскусственныйИнтеллект@pravoros