Legal AI কীভাবে কাজ করে: আইনে LLM, NLP ও মেশিন লার্নিং

আধুনিক আইনি AI টুল-এর পেছনে থাকা প্রযুক্তি তিনটি মূল উপাদানের উপর নির্ভর করে: natural language processing (NLP) একটি মেশিনকে আইনি ভাষা বুঝতে সাহায্য করে, মেশিন লার্নিং (ML) একটি মডেলকে কেস ডেটা থেকে প্যাটার্ন শিখতে দেয়, এবং লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) চাহিদামতো টেক্সট তৈরি ও সংক্ষেপ করে। Legal AI কীভাবে কাজ করে তা বুঝলে স্পষ্ট হয় যে এই তিনটি স্তর মিলে একটি সাধারণ ডকুমেন্ট সার্চকে গবেষণা সহকারীর কাছাকাছি কিছুতে পরিণত করে।

এই পার্থক্যটা বোঝা জরুরি, কারণ ঝুঁকির মাত্রা সমান নয়। Clio-র Legal Trends Report অনুযায়ী, ২০২৫ সালে ৭৯% আইনজীবী Legal AI ব্যবহার করছেন, এবং একই সিস্টেম যা আইনজীবীদের প্রতি সপ্তাহে ঘণ্টার পর ঘণ্টা বাঁচায়, তা নজরদারি ছাড়া এমন কেস সাইটেশনও তৈরি করতে পারে যা কখনো ছিলই না।

Legal AI কী?

Legal AI হলো এমন জেনারেটিভ AI, মেশিন লার্নিং ও NLP সিস্টেমের সম্মিলিত পরিচিতি, যা সাধারণ ব্যবহারের পরিবর্তে আইনি কাজের জন্য নির্মিত। Legal AI কীভাবে কাজ করে তার একাডেমিক ভিত্তিও রয়েছে — Zhong et al.-এর ২০২০ সালের ACL সার্ভে “legal AI”-কে ChatGPT জনপ্রিয় করার বহু আগেই নিজস্ব গবেষণা ক্ষেত্র হিসেবে আনুষ্ঠানিক স্বীকৃতি দেয়। Clio-র ২০২৫ Legal Trends Report অনুযায়ী, যারা ইতোমধ্যে legal AI প্রযুক্তি ব্যবহার করছেন তাদের মধ্যে ৮২% এর ব্যবহার বাড়ানোর পরিকল্পনা করছেন; গ্রহণকারীদের মধ্যে ৬৫% কাজের মান উন্নত হয়েছে বলে জানিয়েছেন, ৫৪% বেশি সক্ষমতা অনুভব করছেন, এবং ৩৬% বেশি মুনাফা পাচ্ছেন।

Legal AI বনাম প্রচলিত আইনি সফটওয়্যার

পুরোনো আইনি সফটওয়্যার নির্ধারণমূলক নিয়ম ও কীওয়ার্ড সার্চের উপর নির্ভর করে: “breach of contract” টাইপ করলে সেই নির্দিষ্ট বাক্যাংশ সম্বলিত নথি ফেরত আসে। Thomson Reuters-এর মতে, Legal AI টুল সাধারণ চ্যাটবট ও পুরোনো সফটওয়্যার থেকে আলাদা একটি নির্দিষ্ট কারণে — এগুলো স্ট্রিং মেলানোর বদলে অর্থ ও উদ্দেশ্য খোঁজে। “একটা চুক্তি থেকে সরে আসা” সম্পর্কিত প্রশ্নে একটি শব্দও না মিললেও termination clause-সংক্রান্ত নথি খুঁজে বের করতে পারে।

এই পরিবর্তনের মূলে রয়েছে সিস্টেমগুলো কীভাবে তৈরি হয়েছে। Rule-based প্রোগ্রামে আইনজীবী ও প্রকৌশলীদের প্রতিটি প্যাটার্ন হাতে লিখতে হতো। আধুনিক আইন-বিশেষায়িত NLP মডেল বরং চুক্তি, সংক্ষিপ্ত বিবরণী ও কেস ল-এর বিশাল ভান্ডার থেকে সরাসরি প্যাটার্ন শেখে — কোনো ম্যানুয়াল নিয়ম লেখার দরকার হয় না।

কেন “AI” বলতে এখানে একটি নয়, তিনটি প্রযুক্তি বোঝায়

Legal AI কী এবং এটি কীভাবে কাজ করে জানতে চাইলে Clio, Thomson Reuters ও Onit-এর ভেন্ডর ডকুমেন্টেশন একই উত্তরে এসে মেলে: এটি একটি প্রযুক্তি নয়, তিনটি প্রযুক্তির স্তুপ।

• NLP ভাষা পড়ে ও ব্যাখ্যা করে।
• মেশিন লার্নিং হাজারো নথিতে প্যাটার্ন খোঁজে।
• LLM সাবলীল টেক্সট তৈরি করে — খসড়া, সারসংক্ষেপ, ব্যাখ্যা — অন্য দুটি স্তর যা খুঁজে বের করে তার ভিত্তিতে।

এই প্রবন্ধের বাকি অংশ প্রতিটি প্রযুক্তি একে একে আলোচনা করে।

NLP: মেশিন কীভাবে আইনি ভাষা পড়ে

আইনি ভাষা মেশিনের জন্য সম্ভবত সবচেয়ে কঠিন ভাষাগুলোর একটি। এতে পুরোনো ধাঁচের বাক্যরীতি, ঘনভাবে সংজ্ঞায়িত পরিভাষা, জটিল ক্রস-রেফারেন্স এবং এমন শব্দ মিশে আছে যার আইনি অর্থ দৈনন্দিন অর্থ থেকে সম্পূর্ণ আলাদা — চুক্তি আইনে “consideration” মানে বিবেচনা নয়, আর “shall”-এ যে বাধ্যবাধকতা থাকে “may”-তে তা নেই। NLP আইন ব্যাখ্যার ক্ষেত্রে এই জটিলতা সত্ত্বেও কম্পিউটারকে আইনি ভাষা বুঝতে সক্ষম করে। American Bar Association (ABA, মার্কিন আইনজীবী সংস্থা)-এর ২০২১ সালের একটি লেখায় বাজার গবেষণা উদ্ধৃত করে বলা হয়, ব্যাপক গ্রহণের সঙ্গে সঙ্গে ২০২৬ সালের মধ্যে বৃহত্তর NLP বাজার ২৭.৬ বিলিয়ন ডলারে পৌঁছাতে পারে।

কীওয়ার্ড সার্চ থেকে অর্থ বোঝার দিকে যাত্রা

একটি Legal AI সিস্টেমের ভেতরে NLP নির্দিষ্ট কিছু কাজ করে: named-entity recognition (পক্ষ, তারিখ, অর্থের পরিমাণ বের করা), clause classification, পরিভাষার মধ্যে সম্পর্ক উদ্ধার করা, এবং একটি আদালতের বাধ্যকর ruling-কে অ-বাধ্যকর dicta থেকে আলাদা করা। Irys-এর legal AI glossary অনুযায়ী, কীওয়ার্ড সার্চ যে প্রতিশব্দ ধরতে পারে না তা চিনতেও NLP সক্ষম — আইনি অর্থ বোঝে এমন একটি সিস্টেম জানে যে “force majeure clause” এবং “impossibility provision” একই ঝুঁকির কথা বলছে।

মেশিনের জন্য এটি মোটেই সহজ নয়। একটি চুক্তির ধারা ১-এ “Affiliate” সংজ্ঞায়িত হতে পারে এবং দুইশো পৃষ্ঠা পরে কোনো স্মরণ করিয়ে দেওয়া ছাড়াই ব্যবহৃত হতে পারে — কীওয়ার্ড-মেলানো সিস্টেমের পক্ষে দুটো যোগ করার কোনো উপায় নেই। আইন-বিশেষায়িত NLP মডেল বিশেষভাবে এই দীর্ঘ-পরিসরের কাঠামো মাথায় রাখার জন্য প্রশিক্ষিত, যা তাদের সাধারণ টেক্সট সার্চ থেকে আলাদা করে।

আইনি NLP-তে ট্রান্সফর্মার বিপ্লব

আইনি NLP প্রায় দুই দশক ধরে rule-based সিস্টেম থেকে ট্রান্সফর্মার মডেলে বিকশিত হয়েছে: ২০০০-এর দশকে হাতে তৈরি ব্যাকরণ নিয়ম পরিসংখ্যানগত মেশিন লার্নিংয়ের কাছে পথ ছেড়ে দেয়, যা পরে লক্ষ লক্ষ আইনি নথিতে প্রশিক্ষিত ট্রান্সফর্মার আর্কিটেকচারের কাছে পথ ছেড়ে দেয় — Chalkidis et al. ২০২০ সালে প্রবর্তিত Legal-BERT এর সবচেয়ে পরিচিত উদাহরণ। natural language understanding (NLU) নামে একটি পৃথক, আরো নির্ধারণমূলক শাখা জেনারেটিভ মডেলের সম্ভাবনা-ভিত্তিক, যাচাই করা কঠিন আউটপুটের বিপরীতে ব্যাখ্যাযোগ্যতাসহ অর্থ উদ্ধার করে, যা ABA-র SciTech Lawyer-এর ২০২৬ সালের আইনে কগনিটিভ AI বিশ্লেষণে উল্লেখ করা হয়েছে।

এই দিক কাজ করে সেই প্রমাণ প্রথম এলো ২০১৬ সালে, যখন PeerJ Computer Science-এ প্রকাশিত একটি গণনামূলক সমীক্ষা দেখায় যে শুধু মামলার টেক্সট ব্যবহার করে একটি NLP মডেল ইউরোপীয় মানবাধিকার আদালতের মামলার ফলাফল গড়ে ৭৯% নির্ভুলতায় পূর্বাভাস দিতে পারে — ট্রান্সফর্মার আর্কিটেকচার আসার বহু আগে। Legal-BERT ও এর উত্তরসূরিরা সেই একই অন্তর্দৃষ্টির উপর ভিত্তি করে শত শতের পরিবর্তে লক্ষ লক্ষ নথিতে প্রশিক্ষণ নিয়ে আরো বড় মাত্রায় কাজ করে।

মেশিন লার্নিং: Legal AI কীভাবে ডেটা থেকে শেখে

মেশিন লার্নিং হলো এক ধরনের পরিসংখ্যানগত মডেলিং যা পূর্বনির্ধারিত নিয়ম না মেনে উদাহরণ থেকে প্রশিক্ষণের মাধ্যমে কোনো কাজে উন্নতি করে, এবং এটিই ই-ডিসকভারিতে প্রেডিক্টিভ কোডিংকে শক্তি দেয়। Everlaw-এর ২০২৫ Ediscovery Innovation Report অনুযায়ী, প্রায় অর্ধেক আইন পেশাদার জেনারেটিভ AI গ্রহণের পরে ডকুমেন্ট রিভিউয়ের মতো কাজে সপ্তাহে এক থেকে পাঁচ ঘণ্টা সাশ্রয় করছেন বলে জানান — মূলত কারণ মেশিন লার্নিং আইন পেশায় ম্যানুয়াল নথি-পড়াকে অগ্রাধিকার-ভিত্তিক, সম্ভাবনা-র‍্যাংক করা রিভিউ দিয়ে প্রতিস্থাপন করেছে।

সুপারভাইজড লার্নিং এবং সম্ভাবনার স্কোর

আইনি টুলে সুপারভাইজড ML লেবেলযুক্ত উদাহরণ থেকে কাজ করে: একজন আইনজীবী কিছু নথি প্রাসঙ্গিক বা বিশেষাধিকারযুক্ত হিসেবে চিহ্নিত করেন, এবং মডেল সেই প্যাটার্ন যথেষ্ট ভালোভাবে শিখে নেয় যে একটি flat হ্যাঁ/না-র পরিবর্তে প্রতিটি নতুন, অদেখা নথিকে একটি সম্ভাবনার স্কোর দিতে পারে। সিস্টেমটি যত বেশি ব্যবহার ও সংশোধন করা হয়, স্কোরিং তত নির্ভুল হয়, কারণ প্রতিটি সংশোধন মডেলে ফিরে যায়।

!Comparison of manual linear review reading about 100 percent of documents versus predictive coding TAR reading 10 to 15 percent রিভিউ শীর্ষ-র‍্যাংকড ১০-১৫% নথিতে সীমিত রাখে, যেখানে ম্যানুয়াল linear রিভিউতে প্রায় সবকিছু পড়তে হয়।”)

এটি একটি LLM টেক্সট তৈরির প্রক্রিয়া থেকে মৌলিকভাবে আলাদা। এখানে কোনো next-word prediction নেই — মডেল প্রতিটি নথির জন্য একটি মাত্র সংখ্যা তৈরি করছে, এবং সেই সংখ্যা কেবল ততটাই নির্ভরযোগ্য যতটা নির্ভরযোগ্য ছিল যে লেবেলযুক্ত উদাহরণ থেকে সে শিখেছে। খারাপভাবে বাছাই করা seed set এমন একটি মডেল তৈরি করে যা বড় মাত্রায় আত্মবিশ্বাসের সঙ্গে ভুল করে, যে কারণে স্কোরিংয়ের প্রথম রাউন্ডগুলো রিভিউ করতে আইনজীবীরা যুক্ত থাকেন।

ই-ডিসকভারিতে প্রেডিক্টিভ কোডিং ও TAR

সবচেয়ে স্পষ্ট বাস্তব উদাহরণ হলো ই-ডিসকভারিতে technology-assisted review (TAR)। আইনজীবীরা নথির একটি “seed set” ম্যানুয়ালি কোড করেন, মডেল সেই সম্ভাবনার স্কোর দিয়ে পুরো নথি-সংগ্রহকে র‍্যাংক করে, এবং রিভিউ টিম তারপর প্রতিটি ফাইলের পরিবর্তে কেবল সর্বোচ্চ-র‍্যাংকড অংশটি পড়ে — সাধারণত মোট পরিমাণের ১০-১৫%। মান পরিমাপ করা হয় রিকল দিয়ে: Electronic Discovery Reference Model ৭৫%-এর উপরে রিকলের সুপারিশ করে, এবং বাস্তবে অনেক TAR workflow ৮০% বা তার বেশি লক্ষ্য নির্ধারণ করে।

সেই রিকল থ্রেশহোল্ড নির্ধারিত নয়, আলোচনার মাধ্যমে স্থির হয় — মামলার বিপরীত পক্ষ প্রায়ই রিভিউ শুরুর আগে একটি লক্ষ্য রিকল হারে সম্মত হয়, এবং সম্মত সংখ্যাটি discovery protocol-এর অংশ হয়ে যায়। এর নিচে পড়লে ফার্মকে রিভিউয়ের একটি অংশ আবার করতে হতে পারে, যে কারণে রিকল ট্র্যাকিং শেষে একবার নয়, ক্রমাগত চলে।

LLM: জেনারেটিভ AI কীভাবে আইনি টেক্সট লেখে

লার্জ ল্যাঙ্গুয়েজ মডেল হলো এক ধরনের মেশিন লার্নিং মডেল যা reinforcement learning from human feedback (RLHF) ব্যবহার করে বিলিয়ন বিলিয়ন ডেটা পয়েন্টে প্রশিক্ষিত, Onit-এর আইনি কাজে LLM-এর সংক্ষিপ্ত বিবরণ অনুযায়ী। NLP-র শ্রেণিবিন্যাস কাজ বা ML-এর স্কোরিং কাজের মতো নয়, একটি LLM-এর কাজ হলো একে একে token উৎপন্ন করে টেক্সট তৈরি করা — আইনজীবীরা যে খসড়া, সারসংক্ষেপ ও ব্যাখ্যা পড়েন তা তৈরি করা। LLM আইনি টেক্সট তৈরির ক্ষেত্রে এই বৈশিষ্ট্যটিই সবচেয়ে গুরুত্বপূর্ণ।

Token, attention ও next-word prediction

LLM-এ প্রবেশ করা টেক্সট প্রথমে token-এ ভাঙা হয় — প্রতিটি token প্রায় ৪-৫ অক্ষরের, পুরো শব্দ নয় — এবং মডেল attention নামক একটি প্রক্রিয়ার মাধ্যমে ইনপুটের প্রতিটি অন্য token বিবেচনা করে পরবর্তী token পূর্বাভাস দেয়। এই প্রক্রিয়া একটি সম্পূর্ণ উত্তর তৈরি না হওয়া পর্যন্ত এক token করে পুনরাবৃত্তি হয়। একটি LLM আইন “জানে” না; এটি ভাষার পরিসংখ্যানগত সম্ভাবনা মডেল করে, যা ঠিক সেই কারণেই সাবলীল গদ্য তৈরি করতে পারে এবং সমান দক্ষতার সঙ্গে আত্মবিশ্বাসের সঙ্গে তৈরি করা মিথ্যা কেস সাইটেশনও দিতে পারে।

Attention মডেলকে একটি চুক্তির প্রথম পৃষ্ঠায় সংজ্ঞায়িত পরিভাষাকে চল্লিশ পৃষ্ঠায় তার ব্যবহারের সঙ্গে যুক্ত করতে বা কয়েক বাক্য আগের পক্ষের সঙ্গে সর্বনাম মেলাতে দেয়। এই সংযোগ-সক্ষমতাই LLM আউটপুটকে বিচ্ছিন্ন টুকরার পরিবর্তে সংগতিপূর্ণ আইনি গদ্য হিসেবে পড়াতে সাহায্য করে — কিন্তু এটি এখনো একটি পরিসংখ্যানগত ওজন, আইনি বিশ্লেষণ নয়, যে কারণে সাবলীল-শোনানো একটি বাক্য বাস্তবে ভুল হতে পারে।

কেন একই prompt ভিন্ন উত্তর দেয়

temperature নামক একটি সেটিং নিয়ন্ত্রণ করে মডেল পরবর্তী token নির্বাচন করার সময় কতটা এলোমেলোভাবে করে, তাই অভিন্ন prompt-এ ভিন্ন ভাষা — বা ভিন্ন বিষয়বস্তু — পাওয়া যেতে পারে। দীর্ঘ নথিতে দ্বিতীয় একটি সমস্যা যোগ হয়: context drop-off, যেখানে একটি দীর্ঘ চুক্তির শেষের দিকের ধারাগুলো শুরুর ধারাগুলোর তুলনায় মডেলের attention-এ কম গুরুত্ব পায়।

বাস্তব শিক্ষা হলো LLM আউটপুট ডিজাইন অনুযায়ীই অস্থিতিশীল, যা ঠিক সেই কারণেই Legal AI বনাম সাধারণ-উদ্দেশ্যের চ্যাটবটের পার্থক্য অর্থবহ — বিশেষায়িত টুলগুলো কীভাবে সেই অস্থিতিশীলতা সামলায় তা Legal AI vs. ChatGPT-তে দেখুন। আইনি কাজে একটি LLM খসড়া হলো শুরুর বিন্দু, চূড়ান্ত দাখিল কখনো নয়।

আইনি AI স্ট্যাক: কাঁচা নথি থেকে যাচাই করা উত্তর

একটি production Legal AI স্ট্যাক চারটি স্তর নিয়ে ক্রমানুসারে কাজ করে: একটি data layer, একটি reasoning layer, একটি retrieval ও citation layer, এবং একটি workflow integration layer — Clio-র প্রযুক্তি ব্যাখ্যায় এভাবেই বিভক্ত করা হয়েছে। সেই স্তরযুক্ত ডিজাইনই একটি নির্ভরযোগ্য এন্টারপ্রাইজ আইনি AI টুলকে সাধারণ চ্যাটবটে সরাসরি প্রশ্ন করা থেকে আলাদা করে।

চারটি স্তর

1. Legal data layer — কেস ল, সংবিধিবদ্ধ আইন ও চুক্তির যাচাইকৃত সংগ্রহ, উন্মুক্ত ইন্টারনেট নয়।
2. AI reasoning layer — উপরে আলোচিত NLP, ML ও LLM প্রযুক্তি, ব্যাখ্যা ও উৎপাদনে একসঙ্গে কাজ করছে।
3. Retrieval ও citation সিস্টেম — RAG যা উত্তরগুলোকে বাস্তব উৎসে ভিত্তি করায়, এবং স্বয়ংক্রিয় citation যাচাই।
4. Workflow integration — document management সিস্টেম, intake ফর্ম ও ক্যালেন্ডারিংয়ে সংযোগ যাতে আউটপুট ব্যবহারযোগ্য জায়গায় পৌঁছায়।

Legal AI প্ল্যাটফর্ম CoCounsel ISO 42001 সার্টিফিকেশন পর্যন্ত অর্জন করেছে — AI ম্যানেজমেন্ট সিস্টেমের আন্তর্জাতিক মান — এটি সংকেত দিতে যে তার retrieval ও citation layer স্বাধীনভাবে অডিট করা হয়েছে।

RAG কীভাবে hallucinated citation কমায়

RAG hallucinated citation কমায় মডেলকে প্রথমে বাস্তব উৎস নথি retrieve করতে এবং তারপর শুধুমাত্র সেই retrieved উপকরণ থেকে উত্তর তৈরি করতে বাধ্য করে, মেমরি থেকে নয়। এরপর একটি যাচাই ধাপ আসে, মডেল যে citation তৈরি করে তা বাস্তব উৎসের বিপরীতে ক্রস-চেক করে।

সেই সমন্বয় hallucination-এর হার উল্লেখযোগ্যভাবে কমায় — তা দূর করে না, যে কারণে AI-জেনারেটেড আইনি আউটপুটের মানব রিভিউ প্রতিটি পর্যায়ে প্রয়োজন, শুধু drafting পর্যায়ে নয়। একটি retrieval ধাপ কেবল ততটাই ভালো যতটা ভালো তার পেছনের corpus, তাই অসম্পূর্ণ বা পুরোনো কেস ডেটাবেসে নির্দেশিত একটি RAG সিস্টেম এখনো আত্মবিশ্বাসের সঙ্গে ভুল উদ্ধৃতি দেবে, শুধু কোনো grounding ছাড়া মডেলের তুলনায় কম।

আইনি প্রতিষ্ঠান বাস্তবে কীভাবে Legal AI ব্যবহার করে

Clio বাস্তব Legal AI ব্যবহারকে ছয়টি workflow বিভাগে ভাগ করে:

• মামলার প্রস্তুতি
• চুক্তি খসড়া ও পর্যালোচনা
• আইনি গবেষণা
• eDiscovery
• ক্লায়েন্ট intake
• ফার্ম পরিচালনা

দক্ষতার লাভ কাজ অনুযায়ী ভিন্ন হলেও ধারাবাহিকভাবে বড় — বহুল উদ্ধৃত LawGeex সমীক্ষায় AI ২৬ সেকেন্ডে ৯৪% নির্ভুলতায় পাঁচটি NDA আইনি ঝুঁকির জন্য পর্যালোচনা করে, যেখানে ২০ জন অভিজ্ঞ কর্পোরেট আইনজীবী একই কাজে গড়ে ৯২ মিনিট এবং ৮৫% নির্ভুলতা পান।

গবেষণা, খসড়া তৈরি ও চুক্তি পর্যালোচনা

AI আইনি গবেষণা এখন সিম্যান্টিক সার্চ-এ চলে — সুনির্দিষ্ট কীওয়ার্ড স্ট্রিংয়ের পরিবর্তে অর্থ ও আইনি ধারণা মেলানো, তাই একটি প্রশ্ন প্রাসঙ্গিক নজির খুঁজে বের করে এমনকি যখন বাক্যরীতি সম্পূর্ণ আলাদা।

Drafting টুল টেমপ্লেটের সঙ্গে জেনারেটিভ আউটপুট মিলিয়ে প্রথম-পাস মেমো, ক্লায়েন্ট চিঠি ও মানসম্মত দাখিলপত্র তৈরি করে, অ্যাসোসিয়েটদের ফাঁকা পাতার পরিবর্তে একটি শুরুর খসড়া দেয়।

চুক্তি পর্যালোচনা টুল স্বয়ংক্রিয়ভাবে clause শ্রেণিবদ্ধ করে, ফার্মের আলোচনা playbook থেকে বিচ্যুতি চিহ্নিত করে এবং redline পরামর্শ দেয় — Thomson Reuters উল্লেখ করে যে AI সেকেন্ডের মধ্যে হাজারো নথি থেকে গঠনমূলক ডেটা বের করতে পারে, যা একটি paralegal টিমের দিনের পর দিন লাগত।

eDiscovery, intake ও পরিচালনা

বাকি workflow-গুলো কম দৃশ্যমান উপায়ে একই মূল প্রযুক্তির উপর নির্ভর করে: eDiscovery-তে TAR-চালিত নথি র‍্যাংকিং, প্রাথমিক ক্লায়েন্ট intake প্রশ্ন পরিচালনাকারী AI chatbot, এবং billing ও ক্যালেন্ডার ব্যবস্থাপনায় স্বয়ংক্রিয়তা।

ছয়টি বিভাগ জুড়ে একই সুতো চলে: AI পরিমাণ সামলায়, এবং আইনজীবী বিচার-বিবেচনার সিদ্ধান্তগুলো রাখেন। নির্দিষ্ট কাজ practice area অনুযায়ী ভিন্ন হলেও সফটওয়্যার কী করে এবং মানুষ কীসের জন্য দায়ী সেই বিভাজন পরিবর্তন হয় না।

Hallucination, পক্ষপাত ও অন্যান্য ঝুঁকি

Legal AI-তে সবচেয়ে ভালোভাবে নথিভুক্ত ব্যর্থতার ধরন হলো hallucinated citation — এমন আত্মবিশ্বাসের সঙ্গে লেখা কেস রেফারেন্স যা আসলে নেই। কানোনিক্যাল উদাহরণ হলো Mata v. Avianca মামলা, ২০২৩ সালের জুনের একটি মামলা Southern District of New York (মার্কিন যুক্তরাষ্ট্রের আদালত)-এ, যেখানে দুই আইনজীবীকে $৫,০০০ (মার্কিন ডলার) জরিমানা করা হয় ChatGPT-র সম্পূর্ণ বানোয়াট ছয়টি মামলা উদ্ধৃত করে একটি সংক্ষিপ্ত বিবরণী দাখিল করার পরে।

মিথ্যা মতামত দাখিল থেকে অনেক ক্ষতি হয়। বিপরীত পক্ষ প্রতারণা উন্মোচনে সময় ও অর্থ নষ্ট করে।বিচারক P. Kevin Castel, Mata v. Avianca, Inc.-এ জরিমানার রায়

মূল সমস্যার পরিধি একটি মামলার বাইরে অনেক বড়। Stanford-এর RegLab ও Institute for Human-Centered AI-এর ২০২৪ সালের জানুয়ারির একটি সমীক্ষায় দেখা যায় সাধারণ-উদ্দেশ্যের LLM — ChatGPT (GPT-3.5), Llama 2 ও PaLM 2 সহ — নির্দিষ্ট আইনি প্রশ্নে ৬৯% থেকে ৮৮% হারে AI hallucination আইন-সংক্রান্ত প্রসঙ্গে ঘটাচ্ছে। সেই মে মাসে প্রকাশিত Stanford RegLab-এর একটি ফলো-আপ সমীক্ষা বিশেষ-নির্মিত Legal AI গবেষণা টুল পরীক্ষা করে: এটি একই আইনি প্রশ্নে সাধারণ-উদ্দেশ্যের GPT-4-এর ৪৩%-এর তুলনায় Lexis+ AI-তে ১৭% এবং Westlaw AI-Assisted Research-এ ৩৩% কম কিন্তু তাৎপর্যপূর্ণ hallucination হার খুঁজে পায়।

আইনি গবেষণায় hallucination সমস্যা

LLM hallucinate করে কারণ তারা পরিসংখ্যানগতভাবে সম্ভাব্য পরবর্তী token তৈরি করে, কোনো ground-truth ডেটাবেসের বিপরীতে তথ্য যাচাই করে নয় — retrieval ও verification উপরে যোগ না করলে কী সত্য তার কোনো অন্তর্নির্মিত মডেল নেই। Mata v. Avianca সেই মামলা যা সবাই উদ্ধৃত করে, কিন্তু Stanford-এর ডেটা দেখায় এটি কখনো বিচ্ছিন্ন ঘটনা ছিল না — এটি ছিল একটি ব্যর্থতার ধরনের প্রথম, প্রকাশ্য উদাহরণ যা পরিসংখ্যান বলে বেশিরভাগ সময় ঘটে যখন একটি সাধারণ-উদ্দেশ্যের মডেলকে নির্দিষ্ট আইনি প্রশ্ন করা হয়।

এটিই legal AI agents-এ আলোচিত মূল পার্থক্য: raw generation-এর উপরে থাকা workflow layer-ই একটি বিশ্বাসযোগ্য-শোনানো খসড়াকে যাচাই করা একটিতে পরিণত করে। কোনো retrieval ধাপ ও citation verifier ছাড়া একটি মডেল ডিজাইনের দিক থেকেই আইনি কাজের জন্য সবচেয়ে ঝুঁকিপূর্ণ কনফিগারেশন।

পক্ষপাত, গোপনীয়তা ও অসংগতি

Onit-এর সংক্ষিপ্ত বিবরণে বিস্তারিত আরো তিনটি ঝুঁকি ছবিকে সম্পূর্ণ করে।

পক্ষপাত (Bias) ঢুকে পড়ে কারণ ঐতিহাসিক আইনি ডেটায় প্রশিক্ষিত একটি মডেল সেই ডেটায় উপস্থিত প্যাটার্ন — বৈষম্যসহ — শুষে নিতে ও পুনরুৎপাদন করতে পারে। অসংগতি একই temperature-চালিত পরিবর্তনশীলতা থেকে আসে যা আগে বর্ণিত হয়েছে, অর্থাৎ আউটপুট run-to-run পুরোপুরি পুনরুৎপাদনযোগ্য নয়।

গোপনীয়তা তিনটির মধ্যে পরিচালনার দিক থেকে সবচেয়ে স্পর্শকাতর: একটি সর্বজনীন, ভোক্তা-মুখী chatbot-এ পাঠানো prompt সংরক্ষিত বা আরো মডেল প্রশিক্ষণের জন্য ব্যবহৃত হতে পারে, যে কারণে বিশেষাধিকারপ্রাপ্ত ক্লায়েন্ট তথ্য পরিচালনাকারী ফার্মগুলো সাধারণত চুক্তিভিত্তিক ডেটা-ব্যবহারের নিশ্চয়তাসহ closed-loop, এন্টারপ্রাইজ Legal AI ডেপ্লয়মেন্টে চলে যায়।

নীতি ও মানব তদারকি: আইনজীবীই দায়িত্বে থাকেন

Legal AI ব্যবহারে প্রযুক্তিগত দক্ষতা ঐচ্ছিক নয় — এটি পেশাদার বাধ্যবাধকতা। ABA Model Rule 1.1-এর Comment 8 আইনজীবীদের “প্রাসঙ্গিক প্রযুক্তির সুবিধা ও ঝুঁকি বুঝতে” বাধ্য করে, এবং American Bar Association (ABA, মার্কিন আইনজীবী সংস্থা) ২০২৪ সালের জুলাইতে জারি করা তার Formal Opinion 512-এ জেনারেটিভ AI-এর জন্য বিশেষভাবে এই দায়িত্ব পুনরায় নিশ্চিত করেছে।

Model Rule 1.1 AI ব্যবহারের ক্ষেত্রে কী বোঝায়

Rule 1.1 কোনো আইনজীবীকে প্রকৌশলী হতে বলে না, কিন্তু এই প্রবন্ধে যা আলোচনা করা হয়েছে তা মোটামুটি বুঝতে বলে: টুলটি কীভাবে তার আউটপুট তৈরি করে এবং সেই আউটপুট কোথায় ভাঙার সম্ভাবনা বেশি। কোনো কিছু দাখিল করার আগে প্রকৃত উৎসের বিপরীতে প্রতিটি citation যাচাই করা সর্বোত্তম অনুশীলন নয় — competence নিয়মের আওতায়, এটি প্রায় একটি ন্যূনতম প্রয়োজনীয়তার কাছাকাছি।

অঙ্গরাজ্য বার অ্যাসোসিয়েশন (মার্কিন যুক্তরাষ্ট্র)-গুলো আইনজীবীদের বিশেষভাবে সেই যাচাই ধাপ এড়ানোর জন্য শাস্তি দিতে শুরু করেছে, AI ব্যবহার করার জন্য নয়। পার্থক্যটি গুরুত্বপূর্ণ: নিয়মটি গ্রহণে জরিমানা করে না, এটি জরিমানা করে যখন আদালতে যাচাই না করা আউটপুট দাখিল করা হয়।

কাজের একটি ব্যবহারিক বিভাজন

ABA-র SciTech Lawyer ২০২৬ সালে তিন-স্তরীয় শ্রম বিভাজন বর্ণনা করেছে যা প্রযুক্তি আসলে কীভাবে কাজ করে তার সঙ্গে সামঞ্জস্যপূর্ণ: deterministic NLU ব্যাখ্যাযোগ্য আউটপুটসহ উদ্ধারের কাজ সামলায়, LLM খসড়া ও প্রথম পাস তৈরি করে, এবং আইনজীবী বিচার-বিবেচনা সরবরাহ করেন ও চূড়ান্ত কাজের পণ্যের পেশাদার দায়িত্ব নেন।

এই প্রবন্ধে উদ্ধৃত প্রতিটি ভেন্ডর উৎস একই সিদ্ধান্তে এসে মেলে — Legal AI একজন আইনজীবীর সক্ষমতা বাড়াতে নির্মিত, তার বিচার-বিবেচনা প্রতিস্থাপন করতে নয়। প্রযুক্তি প্রথম খসড়া তৈরির খরচ পরিবর্তন করে; যা দাখিল হয় তার জন্য কে দায়ী তা পরিবর্তন করে না।

আইনি AI টুল কীভাবে মূল্যায়ন করবেন

আইনি AI টুল মূল্যায়নের জন্য Clio-র কাঠামো পাঁচটি ধাপে বিভক্ত: টুলটি কোন ডেটায় প্রশিক্ষিত ও ভিত্তি করা তা পরীক্ষা করুন, কী নির্ভুলতার সুরক্ষা আছে তা নিশ্চিত করুন, নিরাপত্তা ও সম্মতির অবস্থান যাচাই করুন, বিদ্যমান সিস্টেমের সঙ্গে integration মূল্যায়ন করুন এবং প্রতিশ্রুতিবদ্ধ হওয়ার আগে একটি বাস্তব workflow-এ টুলটি পরীক্ষা করুন। কৃত্রিম বুদ্ধিমত্তা আইন পেশায় কতটা গভীরভাবে প্রবেশ করেছে তা বিবেচনা করলে, এই মূল্যায়ন প্রক্রিয়াটি এড়িয়ে যাওয়া উচিত নয়।

যেকোনো ভেন্ডরকে জিজ্ঞেস করার পাঁচটি প্রশ্ন

1. মডেলটি কোন ডেটায় প্রশিক্ষিত, এবং উত্তর দেওয়ার সময় কোথা থেকে retrieve করে? এখানে অস্পষ্ট উত্তর সতর্কতার চিহ্ন।
2. ব্যবহারকারীর কাছে পৌঁছানোর আগে citation কীভাবে যাচাই করা হয়? একটি retrieval-and-verification ধাপ দৃশ্যমান হওয়া উচিত, অনুমানের বিষয় নয়।
3. ক্লায়েন্ট ডেটা কোথায় থাকে এবং কে অ্যাক্সেস করতে পারে? বিশেষাধিকারপ্রাপ্ত তথ্যের জন্য ডেটা residency ও সার্বভৌমত্ব গুরুত্বপূর্ণ।
4. Prompt সংরক্ষণ করা হয় বা ভবিষ্যৎ মডেল প্রশিক্ষণে ব্যবহার করা হয়? এটি নির্ধারণ করে টুলটি গোপনীয় বিষয়ের জন্য নিরাপদ কিনা।
5. প্রতিটি আউটপুট কি উৎস নথিতে ফিরে খোঁজা যায়? Traceability হলো যা একটি অডিটযোগ্য টুলকে black box থেকে আলাদা করে।

প্রশ্নমালার বাইরে, LegalFly ও অন্য ভেন্ডররা সাইন করার আগে একটি বাস্তব বিষয়ের বিপরীতে পাইলট পরিচালনা করতে এবং টুলটি LegalBench, CUAD বা ContractNLI-র মতো মানক আইনি NLP dataset-এর বিপরীতে benchmarked কিনা পরীক্ষা করতে পরামর্শ দেয়। নিরাপত্তার দিক থেকে, SOC 2 Type II সার্টিফিকেশন, বিশ্রামে AES-256 এনক্রিপশন এবং ট্রানজিটে TLS 1.2 বা তার উপরে খুঁজুন — ক্লায়েন্ট ডেটা পরিচালনাকারী যেকোনো এন্টারপ্রাইজ Legal AI ভেন্ডরের কাছে প্রত্যাশিত ন্যূনতম মান।

সাধারণ জিজ্ঞাসা