การวิจัยและการตรวจสอบกฎระเบียบ

กำไร:

• ความสามารถในการรับรู้ลำดับชั้นของกฎหมายสิ่งแวดล้อม (กฎหมาย กฎระเบียบ ประกาศ) และจำกัดแหล่งที่มาของมูลค่า
• ความสามารถในการใช้ AI สำหรับการสแกนกฎหมายและสร้างคำถามและนำทางไปยังข้อความอย่างเป็นทางการ
• ความสามารถในการตรวจสอบหมายเลขสารและขีดจำกัดที่กำหนดโดย AI จากราชกิจจานุเบกษาอย่างเป็นทางการ/แหล่งที่มาอย่างเป็นทางการ

ที่บริษัทที่ปรึกษาด้านสิ่งแวดล้อม คุณกำลังเตรียมใบอนุญาตระบายน้ำเสียสำหรับโรงย้อมแห่งใหม่ ลูกค้าถามว่า “ค่าสีและ COD อยู่ที่เท่าไหร่, ขึ้นอยู่กับสารอะไร?” เขาถามและเวลามีจำกัด แรงกระตุ้นแรกของคุณคือการถามแบบจำลองภาษา: "ขีดจำกัดการปล่อยน้ำออกของอุตสาหกรรมสิ่งทอตามกฎระเบียบควบคุมมลพิษทางน้ำมีอะไรบ้าง" LLM ระบุขีดจำกัดแบบตาราง หมายเลขรายการ และวันที่ในหน่วยวินาที ทุกอย่างดูเป็นทางการและน่าเชื่อถือมาก แต่นี่คือกับดัก: โมเดลภาษาสร้างข้อความในเชิงสถิติ เขาสามารถสร้างหมายเลขผลิตภัณฑ์ที่ไม่มีอยู่จริง กฎข้อบังคับที่ถูกยกเลิก หรือค่าขีดจำกัดที่ไม่ถูกต้องโดยคำนึงถึงความจริงจังอย่างสมบูรณ์แบบ ในหน่วยนี้ เราครอบคลุมถึงการรู้กฎหมายในระดับที่ถูกต้อง การใช้ AI อย่างปลอดภัยในการวิจัยกฎหมาย และวินัยในการยืนยันแต่ละประเด็นจากราชกิจจานุเบกษาอย่างเป็นทางการ

ลำดับชั้นทางกฎหมาย

กฎหมายสิ่งแวดล้อมดำเนินการภายในลำดับชั้น ขั้นล่างไม่สามารถขัดแย้งกับขั้นบนได้ การรู้ว่าค่าขีดจำกัดมาจากไหนทำให้คุณสามารถค้นหาได้จากแหล่งที่ถูกต้อง

ขั้นตอน

ใครถอดมันออก?

มีผลผูกพัน

ตัวอย่างด้านสิ่งแวดล้อม

กฎหมาย

ฝ่ายนิติบัญญัติ (รัฐสภา)

ด้านบน, กรอบ

กฎหมายสิ่งแวดล้อม

กฎระเบียบ

กระทรวง/คณะรัฐมนตรี

ประยุกต์และรายละเอียดกฎหมาย

ระเบียบควบคุมมลพิษทางน้ำ

การแจ้งเตือน

กระทรวง

รายละเอียดทางเทคนิค ตารางการวัด/ขีดจำกัด

แถลงการณ์การวัดและการวิเคราะห์

หนังสือเวียน/คำแนะนำ

การบริหารงาน

การเปลี่ยนเส้นทางแอปพลิเคชันภายใน

หนังสือเวียนการสมัคร

ค่าขีดจำกัด (ขีดจำกัดการปล่อย ขีดจำกัดการปล่อยก๊าซเรือนกระจก) มักพบอยู่ในภาคผนวกของกฎระเบียบ (ตาราง) หรือประกาศ แล้ว "ฉันควรดูเอกสารไหน?" คำถามคือ "ตัวเลขคืออะไร" มาก่อนคำถาม

ความเสี่ยงของการเพิกถอนและการบังคับใช้

กฎหมายยังคงมีอยู่: กฎระเบียบเปลี่ยนแปลง บทความถูกยกเลิก (ยกเลิก) ข้อความลงวันที่ใหม่จะยกเลิกบทความเก่า

สถานการณ์ในอดีตที่ต้องตรวจสอบ: - วันที่มีผลบังคับใช้: ข้อความนี้มีผลใช้บังคับเมื่อใด - เปลี่ยนวันที่: บทความที่เกี่ยวข้องมีการเปลี่ยนแปลงในภายหลังหรือไม่ - สถานะการยกเลิก: มาตรา/ข้อบังคับถูกยกเลิกหรือไม่? - ข้อกำหนดเฉพาะกาล: มีข้อยกเว้น/การเลื่อนเวลาสำหรับสิ่งอำนวยความสะดวกที่มีอยู่หรือไม่?

ข้อควรสนใจ: ข้อมูลการฝึกอบรมของ LLM เป็นข้อมูลล่าสุดและไม่ทราบกฎหมายที่มีการเปลี่ยนแปลงหลังจากวันดังกล่าว นอกจากนี้ ข้อมูลการฝึกอบรมอาจมีกฎระเบียบเก่าที่ล้าสมัยไปแล้ว โมเดลสามารถนำเสนอสิ่งนี้ได้ราวกับว่าเป็นข้อมูลล่าสุด ก่อนที่จะใช้ค่าขีดจำกัด คุณต้องยืนยันจากราชกิจจานุเบกษาอย่างเป็นทางการ/พอร์ทัลกฎหมายอย่างเป็นทางการว่าข้อความที่ใช้อยู่มีผลใช้บังคับในปัจจุบัน

ความเสี่ยงที่ AI จะสร้างเลขสินค้าปลอม

พฤติกรรมที่อันตรายที่สุดของโมเดลภาษาคือสร้างการอ้างอิงที่ถูกต้องอย่างเป็นทางการ แต่ไม่มีอยู่ในเนื้อหา วลีเช่น "ตามมาตรา 26" หรือ "ในภาคผนวกตารางที่ 19" อาจเป็นเพียงอาการประสาทหลอนเท่านั้น

ข้อความแจ้งที่อ่อนแอ: "กำหนดขีดจำกัดการปล่อยน้ำเสียของสิ่งทอด้วยหมายเลขรายการ"-> แบบจำลองจะสร้างหมายเลขรายการและหมายเลขที่ดูแม่นยำแต่ยังไม่ได้รับการยืนยัน พร้อมท์ที่รัดกุม: "อธิบายว่ากฎหมายใดและภาคผนวก/ตารางประเภทใดที่ฉันควรตรวจสอบเพื่อขอใบอนุญาตระบายน้ำเสียของโรงงานสิ่งทอ/โรงย้อม งานของคุณ:1) ระบุประเภทที่เป็นไปได้ของกฎระเบียบและแถลงการณ์ในหัวเรื่องและในส่วนใด (ภาคผนวก/ตาราง) "บอกฉันว่าสามารถพบข้อจำกัดแต่ละสาขาได้ 2) อย่าสร้างหมายเลขบทความหรือขีดจำกัดตัวเลขที่เป็นรูปธรรม ใส่ตัวยึดตำแหน่ง 'จะได้รับการยืนยันในราชกิจจานุเบกษาอย่างเป็นทางการ' แทน 3) ระบุคำศัพท์สำคัญ (ชื่อภาค พารามิเตอร์) ที่ฉันควรใช้เมื่อค้นหาในข้อความอย่างเป็นทางการ 4) เตือนฉันถึงความเสี่ยงในอดีต (การยกเลิก การแก้ไข ข้อกำหนดในช่วงเปลี่ยนผ่าน) ที่ฉันควรตรวจสอบ"

รูปแบบพรอมต์อันทรงพลังใช้มันเป็นเครื่องมือค้นหาและการนำทาง — “ฉันควรดูเอกสารใด ด้วยคำใด” - ไม่เป็นแหล่งที่มาของหมายเลข

เคล็ดลับ: วิธีที่ปลอดภัยที่สุดในการใช้ LLM ในการวิจัยด้านกฎระเบียบคือการวางตำแหน่งให้เป็น "เข็มทิศการวิจัย" แทนที่จะเป็น "เครื่องตอบรับ" ให้แบบจำลองตั้งคำถาม: "การอนุญาตอะไร พารามิเตอร์ใด กฎระเบียบที่เป็นไปได้ใดบ้างที่มีผลบังคับใช้สำหรับสถานที่นี้" จากนั้นค้นหาคำตอบสำหรับคำถามเหล่านี้จากข้อความอย่างเป็นทางการ แบบจำลองชี้นำ; ราชกิจจานุเบกษาอย่างเป็นทางการตัดสินใจ

ขั้นตอนการตรวจสอบ: การยืนยันจากราชกิจจานุเบกษาอย่างเป็นทางการ

สายโซ่ที่ต้องติดตามสำหรับแต่ละประเด็นและหมายเลขรายการ:

1) รับหัวข้อ/ประเภทเอกสาร/คำสำคัญจาก LLM (ไม่ต้องอาศัยหมายเลขบทความ)2) เปิดข้อความปัจจุบันของข้อบังคับบนพอร์ทัลกฎหมายอย่างเป็นทางการ3) ตรวจสอบว่าข้อความไม่ได้ถูกเพิกถอนและวันที่มีผลบังคับใช้4) ค้นหาในข้อความสำหรับบทความ/ส่วนเพิ่มเติมที่เกี่ยวข้อง; ดูเลขบทความและจำกัดด้วยตาคุณเอง 5) ตรวจสอบบทบัญญัติการเปลี่ยนผ่านและการแก้ไขล่าสุด 6) เขียนแหล่งที่มาในรายงานพร้อมการอ้างอิงแบบเต็ม: [ชื่อข้อบังคับ], [หมายเลขบทความ/ภาคผนวก], [วันที่และหมายเลขราชกิจจานุเบกษาอย่างเป็นทางการ]

ตัวอย่าง: การทดสอบเอาต์พุต LLM

# การแปลการอ้างอิงของ LLM เป็นรายการตรวจสอบ "ที่ต้องตรวจสอบ"llm_iddialari = [ {"source": "SKKY", "item": "Annex Table 10.7", "parameter": "COD", "limit_mgL": 300, "status": "NOT VERIFIED"}, {"source": "SKKY", "item": "Article 26", "parameter": "pH", "limit": "6-9", "status": "NOT VERIFIED"},]for k ใน llm_claims: # None can enter the report without 'VERIFIED' from the Official Gazette assert k["status"] == "NOT VERIFIED" print(f"REQUIRE CONFIRMATION: {k['source']} / {k['article']} / {k['parameter']}")# จะต้องค้นหาแต่ละบรรทัดด้วยตนเองในข้อความราชกิจจานุเบกษาอย่างเป็นทางการ และจะต้องอัปเดตสถานะ

แนวทางนี้ถือว่าผลลัพธ์ของโมเดลเป็นเพียงรายการข้อเรียกร้องที่ต้องได้รับการยืนยัน แทนที่จะเป็น "ความจริง" ที่จะได้รับการยอมรับโดยตรง

มินิเคส

เจ้าหน้าที่สิ่งแวดล้อมเขียนค่าขีดจำกัดก๊าซไอเสียในรายงานการปล่อยอากาศเสีย โดยอ้างอิงถึง "ข้อบังคับที่เกี่ยวข้องมาตรา 18" ซึ่งเขาได้รับจาก LLM เมื่อนำเสนอรายงานต่อฝ่ายบริหารแล้ว ผู้สอบบัญชีก็เปิดบทความ มาตรา 18 จัดการกับปัญหาที่แตกต่างไปจากเดิมอย่างสิ้นเชิง (ภาระผูกพันในการตรวจสอบ) และขีดจำกัดตัวเลขที่กำหนดโดยแบบจำลองไม่มีอยู่ในข้อความปัจจุบันเลย ค่านี้เป็นของการแจ้งเตือนที่ถูกยกเลิกเมื่อสองปีที่แล้ว รายงานถูกส่งกลับ กระบวนการล่าช้าเป็นเวลาหลายสัปดาห์ และบริษัทสูญเสียความมั่นใจ จากการตรวจสอบเพิ่มเติม พบว่าขีดจำกัดดังกล่าวมีหมายเลขอื่นในภาคผนวกของหนังสือเวียนปัจจุบัน การควบคุมราชกิจจานุเบกษาอย่างเป็นทางการเพียงรายการเดียวสามารถป้องกันการสูญเสียทั้งหมดนี้ได้ บทเรียน: โมเดลสามารถ "สร้าง" การอ้างอิงได้ และเมื่อเป็นเช่นนั้น โมเดลก็จะน่าเชื่ออย่างยิ่ง

ข้อผิดพลาดทั่วไป

• การใช้หมายเลขสารและค่าขีดจำกัดที่กำหนดโดย LLM โดยไม่ยืนยันในราชกิจจานุเบกษาอย่างเป็นทางการ
• เข้าใจผิดว่ากฎระเบียบที่ถูกยกเลิกเป็นปัจจุบัน
• โดยไม่สนใจว่าโมเดลไม่รู้กฎหมายที่เปลี่ยนแปลงหลังวันอบรม
• ค้นหาค่าขีดจำกัดในเลเยอร์ที่ไม่ถูกต้อง (กฎหมาย) โดยมูลค่าตามภาคผนวก/ประกาศระเบียบ
• ข้ามข้อกำหนดเฉพาะกาลและข้อยกเว้นด้านสิ่งอำนวยความสะดวกที่มีอยู่
• ไม่จัดทำเอกสารแหล่งที่มาพร้อมการอ้างอิงแบบเต็ม (ชื่อข้อบังคับ บทความ/ภาคผนวก วันที่และหมายเลข RG)
• อย่าใช้แบบจำลองนี้เป็น "เครื่องตอบรับ" และใช้เป็นเข็มทิศวิจัย

โดยสรุป

• กฎหมายสิ่งแวดล้อมดำเนินการในลำดับชั้นของกฎหมาย-ข้อบังคับ-การแจ้งเตือน-วงกลม โดยทั่วไปค่าขีดจำกัดจะอยู่ในภาคผนวกของข้อบังคับหรือในประกาศ
• กฎหมายยังมีชีวิตอยู่ การยกเลิก แก้ไข และวันที่มีผลบังคับใช้ส่งผลต่อความถูกต้องของแต่ละประเด็น
• LLM อาจสร้างหมายเลขรายการที่น่าเชื่อแต่ไม่มีอยู่จริง ข้อความที่ถูกเพิกถอน และขีดจำกัดที่ผิด (ภาพหลอน)
• วิธีที่ปลอดภัยในการใช้แบบจำลองคือการใช้ไม่ใช่เป็นแหล่งคำตอบ แต่เป็น "ฉันควรดูเอกสารใด ด้วยเงื่อนไขใด" คือการทำเข็มทิศ
• แต่ละบทความและประเด็นจะต้องได้รับการยืนยันด้วยสายตาจากข้อความพอร์ทัลราชกิจจานุเบกษาอย่างเป็นทางการ / กฎหมายในปัจจุบัน และแหล่งที่มาจะต้องเขียนด้วยสำนักพิมพ์แบบเต็ม
• เอาต์พุต AI เป็นร่างงานวิจัยเบื้องต้น ไม่สามารถใช้การอ้างอิงทางกฎหมายเป็นพื้นฐานสำหรับการรายงานหรือการตัดสินใจได้โดยไม่ต้องมีการตรวจสอบโดยข้อความอย่างเป็นทางการ

งานสมัคร

เลือกสถานการณ์ที่เป็นรูปธรรม (เช่น การศึกษามูลค่าจำกัดสำหรับการปล่อยน้ำเสียหรือการปล่อยก๊าซไอเสียของโรงงาน) ขั้นแรก เขียนข้อความที่ชัดเจนและใช้ LLM เพื่อเป็นแนวทางเท่านั้น: จัดทำกฎระเบียบ/ประกาศประเภทใด ภาคผนวก/ตารางใด และคำสำคัญที่คุณต้องพิจารณา จดหมายเลขรายการและหมายเลขทั้งหมดที่ได้รับจากรุ่นสินค้าในรายการเคลมที่มีป้ายกำกับว่า "ไม่ได้รับการยืนยัน" จากนั้นค้นหาข้อความปัจจุบันที่เกี่ยวข้องจากแหล่งข้อมูลอย่างเป็นทางการที่แท้จริง (ราชกิจจานุเบกษาอย่างเป็นทางการ / พอร์ทัลกฎหมายอย่างเป็นทางการ) ตรวจสอบว่ามีผลใช้บังคับและไม่ถูกยกเลิก ตรวจสอบสาร/อาหารเสริมที่เกี่ยวข้องและค่าขีดจำกัดด้วยสายตา เขียนการอ้างอิงแบบเต็ม (ชื่อกฎระเบียบ หมายเลขบทความ/ภาคผนวก วันที่ OG และหมายเลข) สำหรับแต่ละรายการที่ได้รับการตรวจสอบ สุดท้ายนี้ "ข้อมูลอ้างอิงใดที่ LLM ให้ไว้กลับกลายเป็นว่าผิด/ไม่สมบูรณ์/แต่งขึ้น" ประเมินคำถามด้วยย่อหน้า