확장된 규모의 정확한 법적 추론: 신경 기호적 오프로딩 및 구조적 감사 가능성에 기반한 견고한 법적 판결
요약
본 기사는 복잡한 법률 텍스트를 처리하는 데 있어, 기존 대규모 언어 모델(LLM)의 한계점(추론 오류 및 높은 비용)을 극복하기 위한 'Amortized Intelligence'라는 신경-기호적 접근법을 제안합니다. 이 방법은 LLM을 사용하여 법률 텍스트를 결정적 자율 계약 언어(DACL, 타입 그래프 중간 표현)로 변환하며, 판결 과정은 시각적으로 감사 가능한 추적과 결정적 그래프 실행에 의존합니다. 그 결과, 기존 LRM 대비 거의 완벽한 일관성을 달성하고 계산 비용을 획기적으로 절감하면서도 법률 시스템이 요구하는 엄격한 감사 가능성을 충족시킵니다.
핵심 포인트
- LLM의 한계 극복: 복잡한 법적 추론에서 발생하는 오류와 높은 운영 비용 문제를 해결합니다.
- 신경-기호적 접근법 도입: LLM을 결정적 자율 계약 언어(DACL)로 변환하는 신경 기호적 파이프라인을 구축했습니다.
- 감사 가능성 및 일관성 향상: 판결 과정은 시각적으로 감사 가능한 추적과 결정적 그래프 실행에 의존하여 높은 신뢰성을 보장합니다.
- 효율성과 성능 개선: 기존 LRM 대비 거의 완벽한 일관성을 달성하며, 계산 비용을 90% 이상 절감했습니다.
법적 텍스트는 종종 복잡한 논리를 이해해야 하는 계산적 법적 조항을 포함합니다. 경계선 대형 추론 모델 (LRM) 은 이러한 조항을 설명할 수 있지만, 생산용 시스템을 구축하는 것은 추론 오류와 높은 추론 비용으로 인해 제한적입니다. 우리는 Amortized Intelligence 를 제안하며, 이는 LLM 을 한 번 사용하여 법적 텍스트를 결정적 자율 계약 언어 (DACL: typed graph intermediate representation) 로 번역하는 신경 기호적 접근법입니다. 판결은 시각적으로 감사 가능한 추적과 함께 결정적 그래프 실행에 의존합니다. GPT-5.2 와 Gemini 3 Pro 를 포함한 런타임 LRM 기준과 비교할 때, DACL 기반 에이전트는 거의 완벽한 일관성을 달성하고 확률적 모델에서 관찰된 '추론 절벽 (reasoning cliff)'을 완화합니다. 이 시스템은 고부담 워크플로우에서 계산 비용을 90% 이상 줄이면서 법적 판결의 엄격한 감사 가능성 요구사항을 충족시킵니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기