AI-д суурилсан эрх зүйн кейс анализатор: Архитектур ба дизайн

HuuliTech-д бид Монголын эрх зүйн боловсролыг хүртээмжтэй, хялбар болгох хиймэл оюуны хэрэгслүүдийг бүтээж байна. Тэдгээрээс хамгийн сорилттой атлаа өгөөжтэй нь бидний бүтээсэн Case Study Solver & Analyzer — оюутнуудад кейс (case study) бодлогоор эрх зүйн сэтгэлгээгээ хөгжүүлэхэд нь туслах, шийдлийг нь rubric-ээр үнэлж, сайжруулах санал өгдөг AI-систем юм.

Энэ нийтлэлд тус системийн архитектур, гол дизайн шийдлүүд, тулгарсан техникийн сорилтуудыг товчлон танилцуулна.

Асуудлын хүрээ

Монголын эрх зүйн боловсролд кейс бодлого өргөнөөр ашиглагддаг. Оюутнууд дараах ажлуудыг хийж сурах шаардлагатай:

1. Баримтын нөхцөл байдлыг шинжлэх — гол эрх зүйн асуудлыг тодорхойлох
2. Холбогдох хуулиуд, шүүхийн практик-ыг олж судлах
3. Зөв Эрх зүйн хүрээ, аргачлалуудыг хэрэглэх (эрүү, иргэн, захиргаа, үндсэн хуулийн эрх зүй)
4. Шүүхийн төрөл тус бүрийн аргачлалд нийцсэн бүтэцтэй шийдэл бичих
5. Бодолтын чанарт системтэйгээр оноо, тайлбар, зөвлөмж өгөх

Системийн архитектур

Манай кейс систем нь хоёр үндсэн хэсэгтэй:

Өндөр түвшний урсгал

Case Study Solver:

1. Хэрэглэгч Бодлогын нөхцөл оруулна
2. Систем шүүхийн төрлийг ангилна (эрүү, иргэн, захиргаа, үндсэн хууль)
3. Холбогдох контекст цуглуулна: хууль, шүүхийн шийдвэр, few-shot жишээнүүд
4. Арга зүйн заавартай нийлүүлэн цогц prompt бүрдүүлнэ
5. Бодолтыг real-time стриймлэнэ

Solution Analyzer:

1. Хэрэглэгч бодлого болон өөрийн шийдлээ оруулна
2. Систем шүүхийн төрөлд тохирсон rubric-ийг ачаална
3. Зөвлөмж өгөх холбогдох хуулиудыг татна
4. Шийдлийг rubric-ийн хэмжүүр бүрээр үнэлж тайлбарлана
5. Оноо, сайжруулах зөвлөмжийг дэлгэрэнгүйгээр стриймлэнэ

Гол дизайн шийдлүүд

1. Шүүхийн төрөл ангилалт

Сорилт: Эрх зүйн дүн шинжилгээ нь шүүхийн төрлөөс хамааран эрс өөр. Жишээ нь эрүүгийн эрх зүйд гэмт хэргийн бүрэлдэхүүн, эрүүгийн хариуцлага голлож; иргэний эрх зүйд нотлох баримтын ачаалал, маргаан шийдвэрлэлт давамгайлдаг.

Шийдэл: Gemini Flash ашигласан бүтэцтэй (structured) гаралттай автоматаар ангилах загвар:

Classifier нь:

• Шүүхийн төрөл, итгэлцлийн оноо, тайлбар-ыг буцаана. Манай дотоод туршилтаар 95%+-ийн нарийвчлалтай ажилласан.
• Хэрэглэгч шаардлагатай бол гараар өөрчлөх боломжтой ч ихэнхдээ автоматаар зөв танина.

2. Контекст татах хоолой (retrieval pipeline)

Сорилт: Эрх зүйн дүн шинжилгээнд олон төрлийн эх сурвалж зэрэг шаардлагатай.

• Хууль (анхдагч эрх зүйн эх сурвалж)
• Шүүхийн шийдвэр (прецедент, тайлбар)
• Few-shot жишээ (хуульчийн шалгалтын жишиг бодолтууд)

Шийдэл: Parallel Семантик хайлт хийнэ:

Гол оптимизацууд:

• Бүх хайлтад ижил нэг embedding-ийг (нэг удаа) ашиглах
• Эх сурвалжуудыг Promise.all()-оор зэрэг татах
• Жишээнүүдийн метадатыг эхэлж уншаад, сонгогдсоныг нь л бүрэн ачаалах
• Контекстийн хэмжээг хянаж, токеныг хэтрүүлэхгүй байх

3. Few-Shot сургалтын бүтэц

Сорилт: LLM-д чанартай, зөв форматтай эрх зүйн шинжилгээний жишээ хэрэгтэй.

Шийдэл: Хуульчийн улсын шалгалтын бодлогуудын сайтар шүүж сонгосон сан:

backend/src/services/case-study/few-shot/
├── eruu/           # Эрүүгийн эрх зүйн жишээ
│   ├── problem1.txt
│   ├── problem1_solution.txt
│   ├── problem2.txt
│   └── problem2_solution.txt
├── irgen/          # Иргэний эрх зүйн жишээ
├── zahirgaa/       # Захиргааны эрх зүйн жишээ
└── undes/          # Үндсэн хуулийн эрх зүйн жишээ

Сонголтын дараалал:

1. Бүх жишээний метадатыг уншина (асуудлын хэсэг — ~500 токен)
2. Gemini ашиглан хамгийн ойр 2 жишээг сонгоно
3. Зөвхөн сонгогдсон бодлогын бодолтыг hydrate хийнэ

Ингэснээр хурдан мөн зардал бага хэрнээ үр дүн өндөр байна.

4. Домайн-онцлог rubric

Сорилт: Эрх зүйн дүгнэлт субъектив биш — Монголын хуульчийн шалгалтад хэрэглэдэг тодорхой шалгуур, жингээр үнэлэгддэг.

Шийдэл: Шүүхийн төрөл бүрт жинлэсэн 4 хэмжүүртэй, нийт 20 онооны rubric:

LLM нь хэмжүүр бүрээр:

• Оноо,
• Тайлбар (яагаад ийм оноо өгсөн),
• Сайжруулах тодорхой санал-ыг гаргана.

Техникийн хэрэгжилтийн онцлогууд

Service layer архитектур

Бид үйлчилгээ төвтэй цэвэр бүтэц ашигладаг:

Streaming хариу өгөх хэв загвар

Эрх зүйн бодолт урт байж болох тул стриймлэх нь UX эрс сайжруулна:

Vector search стратеги

Эрх зүйн баримтуудыг hybrid search-аар хайна:

Ингэснээр:

• Семантик хувьд хамгийн ойр баримтууд (vector similarity)
• Шүүхийн төрлөөр шүүсэн үр дүн
• Хурдан таталт (индекстэй хайлт) хангагдана.

Гүйцэтгэлийн талаарх анхаарал

Хурд задлал

Дундаж кейсийн анализ 30–90 секунд:

Онцлох оптимизаци:

• Ангилалд Gemini Flash (Pro-оос ~10x хурдан)
• I/O-г боломжоороо зэрэг гүйцэтгэх
• Жишээний бүрэн шийдлийг зөвхөн сонгогдсонд нь ачаалах
• Хариуг шууд стриймлэх

Зардлын оновчлол

LLM-ийг өргөн хэмжээнд ажиллуулахад зардал оновчтой байх ёстой:

Зардал бууруулах техникүүд:

• Шүүхийн шийдвэрийг оруулахын өмнө хураангуйлах
• Жишээг сонгоход зөвхөн метадатг ашиглах
• LLM хэмжээг зөв сонгох (Flash vs Pro)

Сорилтууд ба шийдлүүд

Сорилт 1: Context window хязгаар

Асуудал: 10 хууль + 10 шийдвэр + 2 жишээ + аргачлалын гарын авлага = 12,000+ токен.

Шийдэл:

• Тухайн төрлийн (matching-type) хуулийг нэн тэргүүнд оруулах
• Шүүхийн шийдвэрийг гол цэгүүдэд нь товчлох
• Маш урт хуулийн заалтуудад тайрах стратеги хэрэглэх

Сорилт 2: Үнэлгээний тогтвортой байдал

Асуудал: LLM-ийн үнэлгээ run бүрт хэлбэлзэж болох.

Шийдэл:

• Нарийвчилсан rubric, тодорхой оноолтын шалгуур өгөх
• Онооны жишээ (0, 50%, 100%)-г prompt-д оруулах
• Онооны тайлбарыг заавал шаардах
• Үнэлгээний логийг хадгалж чанарын мониторинг хийх

Сорилт 3: Монгол хэлний дэмжлэг

Асуудал: Монгол хэлний эрх зүйн нэр томьёог зөв хэрэглэх, тогтвортой байлгах шаардлагатай.

Шийдэл:

• Prompt, rubric-үүдийг бүрэн Монгол хэлээр бичих
• Олон хэлний гүйцэтгэл сайтай Gemini model ашиглах
• Монгол эрх зүйн мэргэжилтнүүдээр турших
• Нэр томьёоны глоссарийг байнга арчилж шинэчлэх

Үр дүн ба нөлөө

• Оюутнууд 500+ кейс бодогт хийж мөн зөвөлгөө авсан
• 85% сэтгэл ханамж (thumbs up/down-аар хэмжсэн)

Хамгийн их нөлөөтэй нь solution analyzer: оюутан өөрөө бодоод, rubric-д тулгуурласан дэлгэрэнгүй буцаан холбоо авч, сайжруулах тодорхой чиглэл, холбоотой хуулиудыг харах боломжтой болсон.

Цаашдын хөгжүүлэлт

1. Дасан зохицох (Adaptive difficulty)

Суралцагчийн гүйцэтгэлд тулгуурлан тохирох хүндрэлтэй бодлого санал болгох.

2. Харилцан асуулга

Буцаан холбоондоо нэмэлт тайлбар, лавлагаа асуух боломж олгох.

3. Олон эргэлтийн (multi-turn) яриа

Нэг удаа биш, алхам алхмаар харилцан ярианы горимоор бодолтыг хийх

Гол сургамжууд

1. Домайн мэдлэг чухал: Эрх зүйн аргачлалыг ойлгох нь prompt engineering-ийн гол суурь байв.
2. Контекст л гол: Чанартай контекст (хууль, жишээ, прецедент) нь LLM сонголтоос илүү нөлөөлнө.
3. Бүтэцтэй гаргалгаа: JSON schema, rubric ашиглах нь тогтвортой үнэлгээ өгнө.
4. Гүйцэтгэлийн оновчлол: Зэрэг таталт, стриймлэлт UX-ийг огцом сайжруулна.
5. Давтамжит сайжруулалт: Энгийнээс эхэлж, хэрэглэгчийн буцаан холбоонд тулгуурлан ахиул.

Дүгнэлт

Case Study Solver & Analyzer нь Монголын хуульч оюутан бүрт чанартай, хүртээмжтэй сургалтын боломж олгох зорилгод маань чухал шат болж байна. LLM, vector search, домайн-онцлог rubric-ийг уялдуулснаар эрх зүйн бодолтын талаар шуурхай, бүтэцтэй, хэрэгжүүлж болохуйц буцаан холбоо өгөх боломжтой болгов.

Мэдээж төгс биш — эрх зүйн бодолт нарийн, нөхцөл байдлаас ихээхэн хамаарна. Гэсэн ч арга зүйн тодорхой байдал, үнэлгээний ил тод шалгуур, бодит хэрэглээн дээрх тасралтгүй сайжруулалтад тулгуурлан бид үнэхээр суралцахад тус болдог зүйл бүтээж байна.

Хэрэв та AI-д суурилсан боловсролын хэрэгсэл хийж байгаа бол манай архитектур, шийдлүүдээс хэрэгтэй санаа аваарай. Асууж тодруулах зүйл байвал бидэнтэй холбогдоно уу!

Case Study Solver-ийг туршиж үзэх үү? huuli.tech руу ороод чатын интерфэйс дэх "Бодлого" товчийг дарна уу. Туршилтын горимоор үнэгүй ашиглаж болно.

Техникийн хавсралт

Хэрэгжилтийн дэлгэрэнгүй сонирхож буй уншигчдад:

Tech Stack:

• Backend: Express.js + TypeScript
• LLM: Google Gemini (Flash — ангилал, Pro — генераци)
• Vector DB: PostgreSQL + pgvector
• Frontend: Next.js 15 + React Query
• Streaming: Server-Sent Events (SSE)

💡 AI бодолтын жишээнүүд: 2020 оны хуульчийн шалгалтын бодлого, бодолт

• AI шийдэл — Захиргааны эрх зүй
• AI шийдэл — Иргэний эрх зүй
• AI шийдэл — Эрүүгийн эрх зүй

Нээлттэй асуултууд:

• Жижиг LLM-ыг эрх зүйн бодолтод fine-tune хийж, чанарыг алдалгүй ашиглаж болох уу?
• Автоматжуулалт ба хүний буцаан холбооны зөв тэнцвэр хаана байдаг вэ?