سود:
- توانایی تشخیص سلسله مراتب قوانین زیست محیطی (قانون، مقررات، ابلاغیه) و منابع ارزش محدود
- امکان استفاده از هوش مصنوعی برای اسکن قوانین و ایجاد سوال و هدایت به متن رسمی
- امکان تأیید تعداد مواد و محدودیت های داده شده توسط AI از روزنامه رسمی / منبع رسمی
در یک شرکت مشاوره زیست محیطی، شما در حال تهیه مجوز تخلیه فاضلاب برای تاسیسات رنگرزی جدید هستید. مشتری می پرسد "مقادیر حدی برای رنگ و COD چیست، بر اساس چه ماده ای است؟" او می پرسد و زمان محدود است. اولین انگیزه شما این است که از یک مدل زبانی بپرسید: "محدودیت تخلیه صنعت نساجی طبق مقررات کنترل آلودگی آب چقدر است؟" LLM محدودیت های جدولی، شماره آیتم ها و تاریخ ها را در چند ثانیه فراهم می کند. همه چیز بسیار رسمی و قانع کننده به نظر می رسد. اما تله اینجاست: مدل زبان متن را به صورت آماری تولید می کند. او می تواند با جدیت کامل یک شماره مقاله غیرموجود، یک مقررات لغو شده یا یک مقدار حدی نادرست ایجاد کند. در این واحد، شناخت قانون در لایههای صحیح آن، استفاده از هوش مصنوعی در تحقیقات قانونگذاری و نظم و انضباط تایید هر موضوع از روزنامه رسمی را پوشش میدهیم.
سلسله مراتب قانونی
قانون محیط زیست در یک سلسله مراتب عمل می کند. پله پایین نمی تواند با پله بالا تناقض داشته باشد. دانستن اینکه یک مقدار محدود از کجا می آید به شما امکان می دهد آن را در منبع مناسب جستجو کنید.
گام
چه کسی آن را برمی دارد؟
الزام آور
مثال محیطی
قانون
مقننه (مجلس)
بالا، قاب
قانون محیط زیست
مقررات
وزارت / شورای وزیران
قانون را اعمال می کند و جزئیات می دهد
مقررات کنترل آلودگی آب
اطلاع رسانی
وزارت
جزئیات فنی، جداول اندازه گیری/حد
اطلاعیه اندازه گیری و تجزیه و تحلیل
بخشنامه/دستورالعمل
مدیریت
تغییر مسیر برنامه داخلی
بخشنامه های کاربردی
مقادیر حد (محدودیت تخلیه، محدودیت انتشار) اغلب در ضمیمه های مقررات (جدول) یا اطلاعیه ها یافت می شود. بنابراین "به کدام سند باید نگاه کنم؟" سوال این است که "عدد چیست؟" قبل از سوال می آید
خطر لغو و اجرا
قانون زنده است: مقررات تغییر میکند، مواد لغو میشوند (لغو میشوند)، متنهای دارای تاریخ جدید، متنهای قدیمی را لغو میکنند.
موقعیت های تاریخی برای بررسی: - تاریخ لازم الاجرا شدن: متن از چه زمانی لازم الاجرا شد؟ - تاریخ تغییر: آیا مقاله مربوطه متعاقباً تغییر کرده است؟ - وضعیت لغو: آیا ماده/آیین نامه لغو شده است؟ - مقررات انتقالی: آیا استثنائات / تعویق برای تسهیلات موجود وجود دارد؟
توجه: داده های آموزشی LLM تا یک تاریخ مشخص است و قوانینی را که پس از آن تاریخ تغییر کرده است را نمی شناسد. علاوه بر این، داده های آموزشی ممکن است حاوی مقررات قدیمی باشد که منسوخ شده است. مدل می تواند این را طوری ارائه دهد که گویی به روز است. قبل از استفاده از مقدار محدود، باید از روزنامه رسمی / پورتال قانون رسمی تأیید کنید که متنی که بر اساس آن است امروز لازم الاجرا است.
خطر ایجاد شماره های جعلی توسط هوش مصنوعی
خطرناک ترین رفتار مدل زبان این است که ارجاعاتی را تولید می کند که به طور رسمی صحیح هستند اما در محتوا وجود ندارند. عباراتی مانند "طبق ماده 26" یا "در جدول ضمیمه 19" ممکن است صرفاً توهم آمیز باشد.
اخطار ضعیف: "محدودیت های تخلیه فاضلاب نساجی را با شماره اقلام مشخص کنید."-> مدل شماره اقلام و اعدادی را تولید می کند که دقیق به نظر می رسند اما تأیید نشده اند. تذکر قوی: "توضیح دهید که کدام قانون و کدام نوع ضمیمه/جدول را باید برای مجوز تخلیه فاضلاب یک تاسیسات نساجی/رنگرزی بررسی کنم. وظیفه شما: 1) انواع مقررات و اطلاعیه های احتمالی در مورد موضوع را شناسایی کنید و در کدام بخش (ضمیمه/جدول محدودیت ها را می توان یافت). 2) شماره مقاله یا محدودیت عددی مشخصی ایجاد نکنید. به جای آن یک جایبان قرار دهید «تا در روزنامه رسمی تأیید شود». 3) فهرستی از عبارات کلیدی (نام بخش، پارامتر) که باید هنگام جستجو در متن رسمی استفاده کنم. 4) خطرات تاریخی (لغو، اصلاح، مقررات انتقالی) را به من یادآوری کنید که باید آنها را بررسی کنم."
مدل اعلان قدرتمند از آن به عنوان یک ابزار جستجو و ناوبری استفاده می کند - "کدام سند را باید با کدام عبارت نگاه کنم؟" - نه به عنوان منبع شماره.
نکته: ایمنترین راه برای استفاده از LLM در تحقیقات نظارتی، قرار دادن آن بهعنوان «قطبنمای تحقیق» به جای «ماشین پاسخگو» است. آیا مدل سؤالاتی را ایجاد می کند: "چه مجوزها، چه پارامترها، چه مقررات ممکنی برای این تسهیلات در حال اجرا هستند؟" سپس پاسخ این سوالات را از متن رسمی بیابید. مدل هدایت می کند؛ روزنامه رسمی تصمیم می گیرد.
گردش کار تأیید: تأیید از روزنامه رسمی
زنجیره ای که برای هر شماره و شماره مورد باید دنبال شود:
1) موضوع/نوع سند/اصطلاح کلیدی را از LLM دریافت کنید (به شماره مقاله تکیه نکنید).2) متن فعلی مقررات را در پورتال رسمی قانون باز کنید. شماره مقاله و محدودیت را با چشمان خود ببینید. 5) مقررات انتقالی و آخرین اصلاحات را بررسی کنید. 6) منبع را در گزارش با استناد کامل بنویسید: [نام مقررات]، [شماره ماده/پیوست]، [تاریخ و شماره روزنامه رسمی].
مثال: آزمایش خروجی LLM
# ترجمه ارجاعات LLM به یک checklistllm_iddialari "برای تایید" = [ {"منبع": "SKKY"، "item": "ضمیمه جدول 10.7"، "پارامتر": "COD"، "limit_mgL": 300، "وضعیت": "NOT VERIFIED""":"SK" 26، "parameter": "pH"، "Limit": "6-9"، "status": "NOT VERIFIED"}،]for k در llm_claims: # هیچکس نمیتواند گزارش را بدون 'VERIFIED' از روزنامه رسمی وارد کند. {k['article']} / {k['parameter']}")# هر خط باید به صورت دستی در متن روزنامه رسمی پیدا شود و وضعیت باید به روز شود.
این رویکرد، خروجی مدل را بهعنوان فهرستی از ادعاهایی که باید تأیید شوند، به جای «حقیقتی» که مستقیماً باید پذیرفته شود، در نظر میگیرد.
کیس کوچک
یک افسر محیط زیست مقدار حد گازهای دودکش را در گزارش انتشار هوا با اشاره به "مقررات مربوطه ماده 18" که از LLM دریافت کرده بود، نوشت. هنگامی که گزارش به دولت ارائه شد، حسابرس مقاله را باز کرد. ماده 18 به موضوع کاملاً متفاوتی پرداخته بود (الزام به نظارت) و محدودیت عددی ارائه شده توسط مدل به هیچ وجه در متن فعلی وجود نداشت - این مقدار متعلق به اطلاعیه ای بود که دو سال پیش لغو شده بود. گزارش بازگردانده شد، روند هفته ها به تعویق افتاد و شرکت اعتماد خود را از دست داد. با بررسی بیشتر، حد مجاز با عددی متفاوت در پیوست بخشنامه جاری یافت شد. یک کنترل روزنامه رسمی می توانست از این همه ضرر جلوگیری کند. درس: مدل میتواند مرجع «تشکیل» کند، و زمانی که انجام میدهد، بسیار متقاعدکننده است.
اشتباهات رایج
- استفاده از شماره ماده و مقدار حدی که توسط LLM ارائه شده است بدون اینکه آن را در روزنامه رسمی تأیید کند.
- اشتباه گرفتن مقررات لغو شده به عنوان فعلی.
- نادیده گرفتن اینکه مدل قوانینی را که پس از تاریخ آموزش تغییر کرده است را نمی شناسد.
- جستجوی مقدار حد در لایه اشتباه (قانون)؛ در حالی که ارزش در پیوست / اطلاعیه مقررات است.
- دور زدن مقررات انتقالی و استثنائات تسهیلات موجود.
- عدم مستندسازی منبع با ذکر کامل (نام مقررات، مقاله/پیوست، تاریخ و شماره RG).
- از مدل به عنوان "ماشین پاسخگویی" استفاده نکنید و از آن به عنوان قطب نما تحقیقاتی استفاده کنید.
به طور خلاصه
- قوانین زیست محیطی در سلسله مراتب قانون - مقررات - اطلاع رسانی - دایره ای عمل می کند. مقادیر حد به طور کلی در ضمیمه مقررات یا در اطلاعیه آمده است.
- قانون زنده است. لغو، اصلاح و تاریخ لازم الاجرا شدن اعتبار هر موضوع را تحت تأثیر قرار می دهد.
- LLM ممکن است تعداد آیتم های قابل باور اما غیرقابل باور، متن لغو شده و محدودیت های نادرست (توهم) تولید کند.
- راه امن برای استفاده از مدل این است که از آن نه به عنوان منبع پاسخ، بلکه به عنوان یک "کدام سند را باید نگاه کنم، با چه شرایطی؟" استفاده کنیم. ساختن قطب نما است.
- هر مقاله و موضوع باید به صورت تصویری از متن روزنامه رسمی فعلی / پورتال قانون تایید شود و منبع آن باید با چاپ کامل نوشته شود.
- خروجی هوش مصنوعی یک پیش نویس تحقیقاتی اولیه است. هیچ مرجع قانونی نمی تواند به عنوان مبنایی برای گزارش یا تصمیم بدون تأیید متن رسمی مورد استفاده قرار گیرد.
وظیفه کاربردی
یک سناریوی مشخص (مثلاً مطالعه مقدار حدی برای تخلیه فاضلاب یا انتشار گازهای دودکش یک تأسیسات) را انتخاب کنید. ابتدا، یک دستور قوی بنویسید و از LLM فقط برای راهنمایی استفاده کنید: نوع مقررات/اعلامیه، کدام پیوست/جدول و با کدام عبارات کلیدی را باید بررسی کنید. تمام اعداد و ارقام ارائه شده توسط مدل را در فهرست ادعایی با عنوان "تأیید نشده" بنویسید. سپس متن فعلی مربوطه را از منبع رسمی واقعی (روزنامه رسمی / پورتال قانونی رسمی) پیدا کنید. بررسی کنید که معتبر است و لغو نشده است. ماده/مکمل مربوطه و مقدار حد را به صورت دیداری تایید کنید. استناد کامل (نام مقررات، شماره مقاله/پیوست، تاریخ و شماره OG) را برای هر مورد تأیید شده بنویسید. در نهایت، "کدام مرجع ارائه شده توسط LLM اشتباه / ناقص / ساختگی است؟" سوال را با یک پاراگراف ارزیابی کنید.