في عالم يمتلئ بالتحديات المتعلقة بالتوافق مع السياسات المؤسسية، تأتي تقنية PolicyKG كمُنقذ ثوري. تبقى السياسات النصية غالبًا في شكلها الطبيعي، بينما تتطلب الأنظمة التي تحقق في التوافق قيودًا قابلة للقراءة من قبل الآلات. وهنا تدخل PolicyKG في المعادلة لتسد هذه الفجوة.

تقنية PolicyKG هي خط أنابيب لنموذج لغوي كبير (LLM) بقدرات فريدة، حيث تقرأ النصوص في شكل PDF، وترتّب كل جملة كالتزام، أو إذن، أو حظر. ومن ثم تقوم بتحويل هذه التصنيفات إلى منطق ديونتي من الدرجة الأولى، وتخرج القيود بصورة SHACL.

تجري عملية الارتباط عبر أربع مراحل تعتمد على آلة حالة LangGraph مع موثقات لكل مرحلة. ومن المكونات الرئيسية في هذا النظام هو "مكيّف الكوربوس"، الذي يُعتبر بمثابة سجل مفردات بتنسيق YAML يحدد مواضع النموذج اللغوي في أنظمة المعرفة المستهدفة.

من المثير للاهتمام أن إعادة توجيه النظام إلى مجال جديد يتطلب فقط تبديل السجل بدلاً من إعادة تدريب النموذج، مما يسهل العملية بشكل كبير.

عند تطبيق هذه التقنية على مجموعة السياسات وإجراءات معهد آسيا للتكنولوجيا (AIT) التي تضم 1663 جملة و 443 قاعدة، حقق PolicyKG معدل دقة في تصنيف الديونتي يصل إلى 86.9%. وعند إجراء اختبار من قبل ثلاثة مُعلمين بشكل مستقل، أظهروا توافُقًا بنسبة 84.4%.

بالإضافة إلى ذلك، تم تقويم 69 شكلًا من SHACL، وحققت الدقة فيها F1 مقدار 86.6%. يعد هذا مستوى عالٍ من الدقة في مجال معقد مثل التحقق من الامتثال.

التحدي التالي كان في استخدام نموذج سياسة GDPR، الذي أثبت زيادة توافق الممتلكات من 1/15 إلى 11/15. ومع ذلك، عند تطبيق النموذج على بيانات عقود الإيجار، انخفض مؤشر Macro F1 إلى 0.370، مما يسلط الضوء على أهمية دقة المفردات.

تعتبر PolicyKG خطوة هامة نحو تحسين كيفية فهم الأنظمة المؤسسية للسياسات، مما يضمن التوافق بفعالية ولعب دور محوري في أتمتة التحقق من السياسات.

ما رأيكم في هذا التطور المثير في مجالات الذكاء الاصطناعي والتقنية القانونية؟ شاركونا أفكاركم في التعليقات!