Présentation de LawLuo : Une nouvelle approche de l'assistance juridique

Les grands modèles de langage (LLMs) se sont révélés utiles pour filer un coup de main légal à ceux qui n'ont pas de fond en droit. Cependant, beaucoup de LLMs actuels en Chine se limitent à un format de conversation en tête-à-tête. C'est différent du fonctionnement des cabinets d'avocats, où plusieurs experts bossent ensemble sur des consultations. Cette limitation restreint l'efficacité de ces modèles pour offrir une vraie expérience de consultation. En plus, ces modèles font face à des défis comme la qualité de leurs données d'entraînement, la confusion avec des questions utilisateur pas claires, et leur capacité à suivre des instructions détaillées qui baisse lors de discussions plus longues.

Pour relever ces défis, on vous présente un nouveau système appelé LawLuo. Ce système se compose de quatre agents : un réceptionniste, un avocat, un secrétaire, et un boss. Chaque agent a son propre rôle, et ensemble, ils bossent pour offrir une consultation légale complète aux utilisateurs. On a aussi créé deux ensembles de données de dialogue juridique détaillés pour entraîner notre modèle linguistique de manière efficace.

#Contexte sur les LLMs dans les services juridiques

L'essor de modèles comme ChatGPT a accéléré le développement de LLMs chinois. Beaucoup de ces modèles, comme ChatGLM et LLaMa, sont doués pour comprendre et générer des réponses en chinois. Il y a aussi des modèles conçus spécifiquement pour des domaines comme la médecine, la finance, et le droit qui peuvent répondre à des besoins utilisateurs spécifiques.

Les LLMs juridiques ont été créés pour offrir des réponses rapides et précises aux questions juridiques pour ceux qui n'ont pas de connaissances en droit. Les modèles récents incluent LawGPT et lawyer-llama, qui utilisent de grands ensembles de données de dialogues juridiques chinois pour s'entraîner. Bien qu'ils soient capables de discuter de questions juridiques, ils peinent encore à reproduire le véritable processus de consultation d'un avocat, manquant l'aspect collaboratif qu'on trouve dans les pratiques juridiques réelles.

#Le cadre LawLuo

Le cadre LawLuo vise à reproduire le processus réel des consultations légales dans les cabinets d'avocats. On commence par entraîner notre modèle linguistique principal, ChatGLM-3-6b, sur des données de dialogue de haute qualité. Ce processus aide à créer un modèle capable de gérer efficacement plusieurs tours de dialogue.

#Conception du système multi-agents

Dans LawLuo, on a défini des rôles spécifiques pour nos agents en fonction de la façon dont les cabinets fonctionnent :

1. Réceptionniste : Cet agent attribue l'utilisateur au bon avocat en fonction de sa demande.
2. Avocats : Ces agents guident l'utilisateur à travers ses questions juridiques sur plusieurs échanges.
3. Secrétaire : Cet agent organise la conversation en un rapport pour l'utilisateur et le superviseur.
4. Boss : Cet agent évalue le travail effectué par les avocats et le secrétaire.

La conception permet à ces agents de collaborer pour offrir une meilleure expérience à ceux qui ont besoin d'aide légale.

#Affinage des instructions

Beaucoup de LLMs juridiques existants ont utilisé de grandes quantités de données pendant leur entraînement. Cependant, la qualité de ces données peut souvent être médiocre. On a développé un ensemble de données plus petit mais de haute qualité appelé KINLED, qui inclut différents types de dialogues juridiques. Utiliser un ensemble de données plus petit et de qualité permet d'obtenir de meilleures performances pour aider les utilisateurs.

On a aussi rassemblé des interactions multi-tours d'un cabinet d'avocats, créant un autre ensemble de données nommé MURLED. Cela aide notre modèle à développer une meilleure compréhension de comment engager des conversations plus longues, améliorant ainsi sa capacité à répondre précisément aux questions des utilisateurs.

#Avantages de LawLuo

LawLuo offre plusieurs avantages clés par rapport aux modèles existants :

1. Expérience de consultation réaliste : En utilisant plusieurs agents, le système imite le processus collaboratif dans les cabinets d'avocats. Cela garantit que l'utilisateur reçoit des conseils complets.
2. Réponses de haute qualité : L'accent mis sur la qualité des données lors de l'entraînement signifie que LawLuo peut fournir des conseils juridiques plus précis par rapport aux modèles qui s'appuient sur des ensembles de données plus larges mais de moindre qualité.
3. Clarification efficace des requêtes : Le cadre inclut un algorithme spécialisé conçu pour aider à clarifier les requêtes utilisateur vagues. Cela permet une communication plus claire, entraînant de meilleures réponses.

#Confirmation de l'efficacité

On a testé LawLuo par rapport aux modèles existants sur différents critères, comme le style de langage, l'utilité des conseils et la précision des connaissances juridiques. Les résultats ont montré que LawLuo surpasse systématiquement les modèles concurrents, montrant son efficacité.

#Performance sur des questions à un tour

Quand on regarde les questions simples à un tour, LawLuo s'est montré nettement meilleur que les modèles de référence. Les évaluations ont été menées par des experts humains et d'autres modèles linguistiques, confirmant que LawLuo est efficace pour fournir des réponses juridiques pertinentes.

#Performance sur des dialogues multi-tours

On a aussi évalué la performance de LawLuo dans des conversations plus longues. Les résultats ont indiqué que le système maintenait des réponses de haute qualité même au fur et à mesure que le dialogue se poursuivait. Cette force vient de l'utilisation de données de conversation multi-tours lors de l'entraînement, ce qui est un atout majeur par rapport à d'autres modèles qui reposent principalement sur des données à un tour.

#Contribution de chaque composant

Pour voir comment chaque partie du système contribue à la performance globale, on a réalisé une étude d'ablation. Cela a impliqué de retirer différents agents et d'analyser l'impact sur l'efficacité du système. Les résultats ont montré que des agents comme le réceptionniste et le boss aident considérablement à fournir de meilleures réponses.

#Une étude de cas sur la clarification des requêtes

Pour illustrer l'efficacité du système, on a examiné comment LawLuo clarifie des requêtes complexes des utilisateurs. Par exemple, un utilisateur demandant des procédures de divorce pourrait recevoir des conseils plus détaillés à travers une série de questions de clarification fournies par le système. Cette approche mène à des réponses plus précises qui répondent vraiment aux besoins de l'utilisateur.

#Limitations et pistes futures

Malgré ses forces, LawLuo a ses limites. Par exemple, si le réceptionniste attribue par erreur l'utilisateur au mauvais avocat, ça peut mener à des malentendus et des consultations inefficaces. Les améliorations futures pourraient inclure la création d'un système dynamique capable de réaffecter les utilisateurs à l'agent correct pendant une conversation.

De plus, tous les agents de LawLuo n'utilisent pas actuellement un grand modèle de langage. En développant un système où chaque agent utilise une technologie LLM, on peut améliorer la capacité globale du cadre à fournir une assistance légale.

#Conclusion

LawLuo représente une avancée significative dans le domaine de l'assistance juridique par IA. En mettant en place un cadre collaboratif multi-agents, ce système offre une expérience de consultation légale plus réaliste. Sa forte performance dans l'offre de conseils juridiques de haute qualité souligne l'importance d'une approche axée sur la qualité des données.

La création des ensembles de données KINLED et MURLED souligne notre conviction que la qualité des données a plus de valeur que le simple volume pour améliorer les LLMs juridiques. Avec des améliorations continues, LawLuo a le potentiel de transformer encore le paysage des services de conseil juridique, offrant un meilleur soutien aux utilisateurs en quête de connaissances juridiques.