تقنية RAG لشركات المحاماة: استشهادات بمستوى أرقام Bates، وحواجز أخلاقية، ومتى يكون الاستضافة المحلية On-Prem مجدياً
لا يثبت نظام RAG القانوني جدارته إلا عندما تشير كل إجابة إلى رقم Bates يمكن للمحامي التحقق منه، ويحترم الحواجز الأخلاقية الموجودة مسبقاً في نظام DMS الخاص بك. إليك كيفية بناء كليهما، وكيفية تحديد مكان تشغيل النموذج.
الإجابة التي لا يستطيع المحامي التحقق منها لا توفر أي وقت. لنفترض أن النظام أفاد بأن العقد يسمح بالإنهاء عند تغيير السيطرة (change of control). لا يزال يتعين على شخص ما العثور على هذا البند. إذا لم يكن هناك استشهاد دقيق، فسيقرؤون الاتفاقية بأكملها على أي حال. فاتورة البرمجيات ترتفع وساعات المراجعة تبقى كما هي.
هذا هو الاختبار الحقيقي لتقنية RAG القانونية. يرمز RAG إلى التوليد المعزز بالاسترجاع (retrieval-augmented generation). يبحث النظام في مستنداتك أولاً، ثم يكتب إجابة باستخدام ما وجده فقط. في شركة المحاماة، يعتمد إنجاز الأمر بشكل صحيح على ثلاثة قرارات هندسية:
- ▸كيفية تقسيم المستندات وتصنيفها.
- ▸كيفية نقل قواعد الوصول من نظام إدارة المستندات (DMS) الخاص بك.
- ▸أين يتم تشغيل النموذج.
تتجاهل العديد من المشاريع التجريبية في الشركات هذه القرارات الثلاثة. ولهذا السبب تبدو جيدة على عشرة ملفات PDF نظيفة وتنهار عند تطبيقها على مجموعة بيانات حقيقية في بيئة الإنتاج (production).
الاستشهادات تبدأ عند الإدخال (ingestion)، وليس في الموجّه (prompt)
غالباً ما تعتمد تطبيقات RAG الأساسية افتراضياً على تقسيم كل مستند إلى كتل ثابتة تبلغ حوالي ألف توكن (token). التوكن هو جزء من الكلمة. التقسيم الثابت يتجاهل الهيكل الذي يعتمد عليه العمل القانوني: أرقام Bates، الفواصل بين الصفحات، ترقيم الأقسام، الحواشي السفلية، وحدود المرفقات. بمجرد أن يمتد مقطع (chunk) بين نهاية القسم 4.2(أ) وبداية 4.3، لا يمكن لأي موجّه (prompt) استعادة القسم الذي جاءت منه الجملة.
الحل هو التقسيم الهيكلي (structural chunking). قبل فهرسة أي شيء، يحدد خط المعالجة (pipeline) هيكل المستند ويقسمه بناءً عليه. بعد ذلك، يحمل كل مقطع (chunk) البيانات الوصفية (metadata) الخاصة به:
- ▸رقم أو نطاق Bates
- ▸الملف المصدر ومعرف المستند في نظام DMS
- ▸رقم الصفحة
- ▸عنوان القسم أو الفقرة
- ▸رقم القضية (matter) والعميل
- ▸نوع المستند وتاريخه (عقد، إفادة، بريد إلكتروني، مرفق)
أرقام Bates كحقل أساسي: بالنسبة للمستندات المختومة بأرقام Bates، يجب أن يستخرج خط المعالجة الختم كحقل بيانات وصفية مستقل قبل التقسيم إلى مقاطع. يخزنه الفهرس مع النص، بحيث تقرأ الإجابة "المصدر: DEF-001452" بدلاً من "المستند 4، صفحة 12". تحقق من صحة الأختام مقابل البادئة والتسلسل المتوقعين. تخطئ تقنية OCR في قراءتها (مثل قراءة "O" بدلاً من "0") بشكل متكرر، لذا يجب الإبلاغ عن الفجوات والأرقام المشوهة عند الإدخال (ingestion)، وليس اكتشافها أثناء الإدلاء بالإفادة.
يجب أن يتعامل البحث مع النصوص الدقيقة وكذلك المعنى. يكتب المحامون أرقام Bates وأسماء الأطراف والمصطلحات المعرفة حرفياً. البحث المتجهي (Vector search)، الذي يطابق بناءً على المعنى، ضعيف في المعرفات الدقيقة. يقوم البحث الهجين (Hybrid search) بتشغيل مطابقة الكلمات الرئيسية ومطابقة المعنى معاً ويدمج النتائج. بالنسبة للمجموعات القانونية، البحث الهجين هو الخيار الافتراضي الصحيح.
التوليد هو الخطوة الأخيرة، ويجب أن يرفق النموذج استشهاداً بكل ادعاء. بدلاً من:
كان المدعى عليه حاضراً في المنشأة في 14 أكتوبر.
ينتج النظام:
كان المدعى عليه حاضراً في المنشأة في 14 أكتوبر [DEF-001452, ¶3].
وجود تعليمة في الموجّه (prompt) ليس كافياً. تسقط النماذج الاستشهادات أو تخترعها تحت الضغط، ولهذا السبب غالباً ما تفشل حواجز الحماية للموجّهات في بيئة الإنتاج. يتم تشغيل فحص منفصل بعد التوليد ويؤكد ثلاثة أشياء:
- ▸كل جملة تحمل استشهاداً.
- ▸كل رقم Bates تم الاستشهاد به كان موجوداً بالفعل ضمن المقاطع (chunks) المسترجعة.
- ▸النص الداعم يظهر في ذلك المقطع.
يتم إزالة أي شيء يفشل في هذا الفحص والإبلاغ عنه، أو يتم حظر الإجابة بالكامل. "هذا غير موجود في المستندات المقدمة" هي إجابة صالحة. النظام الذي لا يحتوي على هذا القيد قد يسد الفجوة من بيانات التدريب الخاصة به. هكذا تصل السوابق القضائية المهلوسة (hallucinated) إلى ملفات المحكمة. أفاد معهد Stanford HAI في مايو 2024 أن أدوات البحث القانوني الرائدة بالذكاء الاصطناعي تهلوس بنسبة تتراوح بين 17% و 33% من الوقت.
الحواجز الأخلاقية (Ethical walls) مكانها في استعلام قاعدة البيانات
يفرض نظام DMS الخاص بالشركة، سواء كان iManage أو NetDocuments أو SharePoint، من يمكنه رؤية أي قضية. لا ينبغي أن يتمكن محامٍ مساعد في قسم العقارات من البحث عن اندماج غير معلن في مجموعة الشركات. إذا قمت بتصدير كل شيء إلى فهرس واحد غير مصفى، فإنك تخاطر بتجاوز الحواجز الأخلاقية التي تحافظ عليها الشركة. بدون ضوابط الوصول، قد يقوم النظام بتلخيص المستندات المقيدة لأي شخص يطرح السؤال الصحيح. تصف NetDocuments سياسات Workspace Security Manager التي تقفل أذونات المستخدمين والمجموعات على مساحة العمل لإنشاء هذه الحواجز.
تعمل الرقابة على النحو التالي. عند الإدخال (ingestion)، يقرأ خط المعالجة قائمة التحكم في الوصول لكل مستند من نظام DMS ويخزنها كبيانات وصفية على كل مقطع (chunk). بلغة المخططات (schema)، هذا يعني نسخ allowed_groups من النظام المصدر إلى كل مقطع، مع الرفض كإعداد افتراضي. عندما يرسل المستخدم استعلاماً، يتعرف عليه النظام الخلفي (backend) من خلال دليل الشركة، مثل Active Directory أو Entra ID. ثم يطبق فلترًا صارمًا: ابحث فقط في المقاطع التي يُسمح لهذا المستخدم أو لإحدى مجموعاته بالوصول إليها.
يتم تشغيل الفلتر داخل قاعدة البيانات، قبل عملية الاسترجاع (retrieval). النص المقيد لا يصل أبداً إلى النموذج. لا يمكنك أن تطلب من النموذج أن يقرر من يمكنه رؤية ماذا، لأن النموذج لا ينبغي أن يحتفظ بهذا النص في المقام الأول.
هناك تفصيلان يميزان الحاجز الفعال عن مجرد عرض تجريبي (demo):
- ▸تغييرات الأذونات تنتشر فوراً. التوظيف الجانبي (lateral hire) يؤدي إلى إنشاء حاجز جديد. يجب أن يلتقط الفهرس الخاص بك ذلك في نفس الجدول الزمني لنظام DMS، وليس عند إعادة الفهرسة الكاملة التالية.
- ▸يتم اختبار الحاجز قبل الإطلاق. قم بتشغيل مجموعة من الاستعلامات كمستخدم محظور (walled user) واشترط عدم ظهور أي مقاطع مقيدة في النتائج. تعامل مع هذا كبوابة نجاح/فشل، جنباً إلى جنب مع الدقة.
أين يتم تشغيل النموذج: قرار يتعلق بالسرية، وليس بالتكلفة
غالباً ما يتم المبالغة في مسألة الامتياز (privilege). إرسال المستندات إلى واجهة برمجة تطبيقات (API) للمؤسسات بشروط عدم الاحتفاظ بالبيانات وعدم التدريب عليها لا يلغي الامتياز بحد ذاته. تعتمد الشركات بالفعل على أنظمة DMS السحابية ومنصات الاكتشاف الإلكتروني (e-discovery) بناءً على نفس المنطق. يعالج الرأي الرسمي 512 الصادر عن جمعية المحامين الأمريكية (ABA) في عام 2024، الذكاء الاصطناعي التوليدي بموجب الواجبات الحالية للكفاءة والسرية. ولا يفرض حظراً على الأدوات السحابية. تذكر AWS أن Amazon Bedrock لا تشارك أبداً بيانات العملاء مع موفري النماذج أو تستخدمها لتدريب النماذج.
ما يحسم الأمر عادة هو العقود. غالباً ما تقيد إرشادات المستشارين الخارجيين للعملاء الأماكن التي يمكن أن تذهب إليها البيانات والموردين الذين يمكنهم معالجتها. يحظر بعض العملاء الخاضعين للتنظيم والجهات الحكومية معالجة الطرف الثالث تماماً. بالنسبة لهذه القضايا، يتم حسم الإجابة قبل أن ينظر أي شخص في التكلفة. تواجه الشركات في الخليج قواعد توطين البيانات (data residency) الخاصة بها بموجب القانون المحلي. وهذه تحتاج إلى تحليل منفصل، وليس رأياً أخلاقياً أمريكياً مستعاراً.
لا تبني نظاماً محلياً (on-prem) متوقعاً التوفير في فواتير الـ API. إليك مثال عملي مع افتراضات محددة:
- ▸50,000 صفحة شهرياً، بحوالي 500 كلمة لكل صفحة، أي حوالي 25 مليون كلمة.
- ▸بمعدل 1.3 توكن لكل كلمة تقريباً، فهذا يعادل حوالي 32.5 مليون توكن.
- ▸بافتراض 3 دولارات لكل مليون توكن إدخال، يصل ذلك إلى حوالي 97.50 دولاراً شهرياً.
يحتاج الخادم الذي يشغل نموذجاً مفتوح الأوزان (open-weight model) قادراً إلى حوالي 80 إلى 96 جيجابايت من ذاكرة وحدة معالجة الرسومات (GPU). هذا يتبع القاعدة في دليلنا للأنظمة المحلية: ذاكرة الأوزان تساوي المعلمات مضروبة في البايت لكل معلمة. نموذج بـ 70 مليار معلمة (parameter) بدقة 8-bit يحتاج حوالي 70 جيجابايت من الأوزان قبل الذاكرة العاملة؛ وبدقة 4-bit، حوالي 35 إلى 40 جيجابايت. عادة ما يعني ذلك بطاقتي GPU لمحطات العمل بسعة 48 جيجابايت أو بطاقة واحدة بسعة 96 جيجابايت. احصل على عرض أسعار من المورد لهذه الأجهزة وقارنه بـ 97.50 دولاراً شهرياً. فترة الاسترداد (payback) ستمتد لسنوات. أنت تشتريه لأن شروط العميل تتطلب بقاء المستندات على أجهزتك، أو لأن سياسة المخاطر الخاصة بك تتطلب ذلك.
| البنية (Architecture) | أين تذهب المستندات | ما الذي تثق به | شكل التكلفة | الملاءمة الصحيحة |
|---|---|---|---|---|
| Enterprise API, zero-retention | خوادم المزود، تتم معالجتها وحذفها | شروط عقد المزود وأمانه | لكل توكن؛ تتوسع مع الحجم | القضايا التي لا تحتوي على قيود من العميل على معالجة الطرف الثالث |
| Private cloud tenant | الحساب السحابي الخاص بالشركة، يُستضاف النموذج هناك | البنية التحتية لمزود السحابة؛ تتحكم الشركة في البيئة (tenant) | ساعات حوسبة ثابتة | الشركات المعتمدة بالفعل للسحابة من قبل عملائها |
| On-premise | أجهزة تمتلكها الشركة، في منشأتها الخاصة | تكنولوجيا المعلومات والأمن المادي الخاص بالشركة | تكلفة الأجهزة مقدماً بالإضافة إلى الصيانة | القضايا التي تمنع إرشاداتها معالجة الطرف الثالث |
ينتهي الأمر بالعديد من الشركات بامتلاك أكثر من بنية واحدة. قاعدة التوجيه (routing) تكون حسب القضية، وتُقرأ من نفس البيانات الوصفية التي تدير الحواجز الأخلاقية. ما إذا كان الخيار المحلي (on-prem) مجدياً لحجم عملك هو سؤال تجيب عليه حسابات نقطة التعادل للاستنتاج المحلي (local inference)؛ بالنسبة لمعظم الشركات، هو شراء من أجل السرية، وليس توفيراً.
الأسئلة الشائعة
ما هي الأجهزة التي يحتاجها نظام RAG القانوني المحلي (on-premise) فعلياً؟ يحتاج النموذج مفتوح الأوزان القادر بحوالي 70 مليار معلمة إلى ما يقرب من 80 إلى 96 جيجابايت من ذاكرة GPU للاستخدام التفاعلي السريع. هذا عادة ما يكون بطاقتي GPU لمحطات العمل بسعة 48 جيجابايت أو بطاقة واحدة بسعة 96 جيجابايت. تعمل النماذج الأصغر على ذاكرة أقل بكثير وتتعامل مع مهام الاستخراج بشكل جيد. اختبر على مستنداتك الخاصة قبل تحديد حجم الأجهزة لأكبر نموذج.
كيف نعرف أن الإجابات دقيقة قبل أن يعتمد عليها المحامون؟ قم ببناء مجموعة اختبار من أسئلة حقيقية حول قضية مغلقة، مع إجابات صحيحة معروفة واستشهادات Bates. قم بقياس شيئين. أولاً، هل وجد الاسترجاع (retrieval) المقطع الصحيح؟ ثانياً، هل كل ادعاء في الإجابة مدعوم بذلك المقطع؟ حدد عتبات النجاح قبل الإطلاق، وأضف اختبار وصول المستخدم المحظور، وأعد تشغيل كل شيء كلما تغيرت المستندات أو النماذج أو الموجّهات (prompts).
هل يمكنه صياغة مذكرات أو حجج قانونية؟ لا ينبغي له ذلك. تم بناء RAG من أجل الاسترجاع (retrieval) والاستخراج: بناء جداول زمنية من مرحلة الاكتشاف (discovery)، مقارنة عقد بدليل القواعد الخاص بك، العثور على كل بند تعويض عبر غرفة البيانات. إنه لا يقوم بالاستدلال القانوني الأصلي. اقتصر استخدامه على المهام التي يمكن فيها التحقق من كل مخرج مقابل مصدر مستشهد به.
أول شيء يجب التحقق منه في أي مشروع تجريبي تديره بالفعل هو أمر بسيط. اطلب منه حقيقة من قضية مغلقة واعرف ما إذا كانت الإجابة تستشهد برقم Bates يمكنك فتحه. ثم قم بتسجيل الدخول كمستخدم محظور (walled user) وحاول استرجاع تلك القضية. إذا فشل أي من الاختبارين، فقم بإصلاحه قبل أي شيء آخر. إذا كنت ترغب في إجراء هذين الاختبارين على إعداداتك، فإن تدقيق الذكاء الاصطناعي الخاص بنا يكلف 2,500 دولار بسعر ثابت. احجز مكالمة البنية المجانية لتحديد النطاق.
→ مخطط البيانات الوصفية (Metadata Schema) لـ Enterprise RAG: التواريخ، التحكم في الوصول، الحالة، والتسلسل → متى يكون الاستثمار في الذكاء الاصطناعي المحلي (On-Premise) مجدياً في الإمارات والسعودية: حساب نقطة التعادل → لماذا تفشل حواجز الحماية للموجّهات (Prompt Guardrails) في بيئة الإنتاج، وما الذي يفعله فحص المخرجات بدلاً من ذلك