Поиск по праву с искусственным интеллектом и проверяемыми источниками

Дообучение на корпусе документов создаёт иллюзию знаний: модель запоминает формулировки, но не может показать, откуда взяла утверждение, и продолжает путать редакции норм. Для юридической работы это неприемлемо, потому что ценность имеет не красивый текст, а проверяемая ссылка.

Подход RAG устроен иначе: сначала система находит релевантные фрагменты в вашем корпусе, а затем модель формулирует ответ, опираясь только на них. Если подтверждений нет, система честно сообщает об этом вместо того, чтобы придумывать норму. Такой подход проще обновлять: изменилась редакция документа — обновился корпус, и ответы изменились вместе с ним.

Материалы юридической практики почти всегда содержат персональные данные и сведения, защищённые адвокатской тайной. Передача их во внешний облачный сервис требует правовой оценки и в большинстве случаев неоправданна, поэтому мы разворачиваем модели в контуре заказчика: на собственных серверах или в закрытом облаке с размещением данных на территории России.

Можно использовать как открытые модели, размещаемые локально, так и российские облачные решения с договором обработки данных. Выбор зависит от бюджета на оборудование и требований к качеству: для поиска и суммаризации часто достаточно модели среднего размера, а сложные аналитические задачи требуют более крупной.

Без измеримых метрик разговор о качестве превращается во вкусовщину. Поэтому перед разработкой мы собираем контрольный набор: 30–50 реальных вопросов юристов с известными правильными источниками. На нём считаются полнота поиска, доля корректных ссылок и доля ответов, где система отказалась отвечать при недостатке данных.

Метрики пересчитываются при каждом изменении корпуса или модели. Так видно, становится система лучше или хуже, а спорные случаи разбираются предметно: не хватило документа в корпусе, ошиблось ранжирование или модель неверно интерпретировала найденный фрагмент.