اگر یک وکیل یا تحلیل‌گر حقوقی باشید، یک توهم کوچک در ارجاعات قانونی می‌تواند به معنای شکست در دادگاه یا خسارت‌های مالی سنگین باشد. در محیط‌های حساس حقوقی، استنادات دقیق غیرقابل‌بحث هستند و دقت تنها معیاری است که اهمیت دارد.
بسیاری از سیستم‌های تولید بازیابی-افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — در مواجهه با متون پیچیده حقوقی شکست می‌خورند. طبق گزارش‌های فنی، روش‌های ساده‌ی تکه‌تکه کردن متن و جستجوی برداری نمی‌توانند شماره‌های دقیق ماده‌های قانونی یا اصطلاحات تخصصی حقوقی را به‌درستی شناسایی کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های زبانی اشاره کردیم، تکیه صرف بر احتمالات آماری در داده‌های حساس خطرناک است. برای حل این مشکل، معماری جدیدی معرفی شده که در ۷ ژوئن ۲۰۲۶ در وب‌سایت dev.to منتشر شد. این سیستم از AWS S3 به عنوان منبع نهایی حقیقت استفاده می‌کند و برای نمایه‌سازی، ChromaDB را در محیط تست و Pinecone را در محیط عملیاتی به کار می‌گیرد.
بر اساس مستندات این پروژه، موتور بازیابی از ترکیب OpenAI text-embedding-ada-002 برای استخراج بردار معنایی (Embedding) — که مثل کارت معرفی عددی برای هر واژه است تا همسایگان معنایی‌اش را بشناسد — و جستجوی کلیدواژه‌ای BM25 استفاده می‌کند.
این خط لوله (Pipeline) قابلیت‌های زیر را پیاده‌سازی کرده است:
- تکه‌تکه کردن هوشمند و حذف داده‌های تکراری برای فایل‌های PDF و DOCX طولانی.
- استخراج متاداده برای دادگاه‌ها و حوزه‌های قضایی جهت فیلترینگ ترکیبی.
- استفاده از LangChain برای مدیریت استنادات و تزریق پرامپت.
- بهره‌گیری از FastAPI و Streamlit برای بخش بک‌اند و رابط کاربری.
برای سنجش موفقیت، این ساختار از چارچوب RAGAS بهره می‌برد. این ابزار به شکلی برنامه‌ریزی‌شده، معیارهای «وفاداری»، «ارتباط پاسخ» و «دقت زمینه» را امتیازدهی می‌کند تا توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — به حداقل برسد.
این رویکرد جریان کاری توسعه‌دهنده را تغییر می‌دهد. شما دیگر حدس نمی‌زنید که آیا تغییر یک کلمه در پرامپت اثر داشته یا نه؛ بلکه یک امتیاز عددی برای اثبات بهبود دارید. این یعنی تبدیل RAG از یک «جعبه سیاه» به یک خط لوله مهندسی قابل اندازه‌گیری.
گام بعدی شما
- بررسی کنید که آیا ذخیره‌ساز برداری فعلی شما از جستجوی ترکیبی (Hybrid Search) پشتیبانی می‌کند یا خیر.
- اگر با متون تخصصی سر و کار دارید، یک لایه BM25 برای شکار دقیق اصطلاحات کلیدی اضافه کنید.
- چارچوب RAGAS را برای ارزیابی کمی پاسخ‌های مدل خود جایگزین بررسی دستی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ اثر این معماری بر هزینه استنتاج را در تحلیل‌های آینده بررسی خواهیم کرد.
گفتگو