اگر یک وکیل بخواهد پرونده‌های قدیمی را برای آموزش هوش مصنوعی آماده کند، معمولاً با دو راه سخت روبروست: یا داده‌های حساس را سیاه کند و منطق پرونده را نابود کند، یا ریسک نشت اطلاعات موکلان را بپذیرد. Lawmadi OS با معرفی یک سازوکار جایگزینی مصنوعی، این بن‌بست را شکست و داده‌های خصوصی را با اطلاعات جعلی اما واقع‌گرایانه جایگزین کرد.
این فناوری در زمانی عرضه می‌شود که مؤسسات حقوقی برای بهره‌برداری از مدل‌های زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — با قوانین سخت‌گیرانه حریم خصوصی دست‌وپنجه نرم می‌کنند. در دنیای حقوق، نام یک شخص صرفاً یک برچسب نیست، بلکه تعریف‌کننده رابطه میان شاکی و خوانده است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت داده‌های حساس در مدل‌های زبانی اشاره کردیم، حذف کامل این نقش‌ها باعث می‌شود مدل توانایی استدلال درباره سوابق قضایی را از دست بدهد.
طبق مستندات فنی منتشر شده در ۳ سپتامبر ۲۰۲۶، معماری Lawmadi OS بر سه ستون تأییدیه بر اساس استانداردهای هیئت حفاظت از داده‌های اروپا (EDPB) استوار است. این سامانه برای مدیریت مجموعه‌های متنی بدون ساختار، از جمله آرای دادگاه‌ها، سه هدف را دنبال می‌کند:
- حذف شناسه‌های منحصربه‌فرد: پاک‌سازی کامل اطلاعاتی که می‌تواند منجر به شناسایی مجدد افراد شود.
- حفظ بستر متن: نگه داشتن روابط حقوقی و ساختار روایی سند.
- نگاشت مصنوعی: استفاده از معماری جایگزینی برای خوانا نگه داشتن متن برای عامل‌های (Agents) هوش مصنوعی.
به نقل از گزارش‌های فنی این شرکت، پلتفرم مذکور علاوه بر گمنام‌سازی، از ۶۰ عامل تخصصی برای تحلیل پرس‌وجوها استفاده می‌کند. برای جلوگیری از توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — هر استناد حقوقی به‌صورت لحظه‌ای با پایگاه داده رسمی دولت کره جنوبی (law.go.kr) تطبیق داده می‌شود.
این چرخش از «سانسور» به «جایگزینی مصنوعی»، معیار آماده‌سازی داده‌های حقوقی را تغییر می‌دهد. Lawmadi OS با تبدیل گمنام‌سازی از یک عملیات «حذفی» به یک عملیات «تولیدی»، اجازه می‌دهد مدل‌ها بدون به خطر انداختن حریم خصوصی، دقت استدلال خود را حفظ کنند.
گام بعدی شما
- بررسی نحوه مدیریت «تشخیص موجودیت‌ها در اسناد متقاطع» (Cross-document entity resolution) برای پرونده‌هایی که یک شخص در چندین پرونده مختلف تکرار شده است.
- مقایسه نرخ خطای استدلال در مدل‌های آموزش‌دیده با داده‌های سانسورشده در برابر داده‌های جایگزین‌شده.
- مطالعه استانداردهای EDPB برای پیاده‌سازی لایه‌های حریم خصوصی در داده‌های سازمانی.
اما چالش اصلی اکنون این است که آیا داده‌های مصنوعی می‌توانند پیچیدگی‌های ظریف زبان حقوقی را بدون ایجاد سوگیری بازتولید کنند؛ موضوعی که در بررسی‌های آینده به آن خواهیم پرداخت.
گفتگو