Smlouva.ai: Generování právních smluv pomocí RAG agentů a vektorových embeddingů

Jak funguje technologie RAG agenta

RAG (Retrieval-Augmented Generation) je pokročilá technologie, která kombinuje generativní modely (velké jazykové modely, LLM) se schopností vyhledávat relevantní informace v externích zdrojích. Jinými slovy, LLM při generování odpovědí nejprve načte kontextové informace ze spolehlivé databáze a poté použije tento kontext pro tvorbu výstupu. Takový přístup snižuje riziko nepřesností („halucinací“) a zvyšuje odbornou relevanci výsledků.

V praxi Smlouva.ai funguje jako inteligentní RAG agent se třemi hlavními kroky:

• Zadání požadavků: Uživatel vyplní formulář, kde vybere typ smlouvy a podrobně popíše svoje požadavky. Čím konkrétnější informace zadá, tím lépe AI porozumí cílové smlouvě.
• Vyhledání relevantních paragrafů: Na základě vstupu AI analyzuje požadavky a vyhledá vektorem zakódované relevantní pasáže z českého občanského zákoníku. Dotaz je převeden na vektor a porovnán s vektory zákonných ustanovení, aby našel ta nejpodobnější.
• Generování smlouvy: AI pak sestaví finální návrh smlouvy. Do textu vloží potřebné právní pasáže a doplní ho expertními poznámkami. Výstupní smlouva je konzistentní s dříve vyhledanými zákonnými normami a je připravena k použití nebo dalším úpravám.

Historie a principy AI ve vektorech: od lingvistů k právníkům

Myšlenka reprezentovat význam slov v prostoru vznikla už ve 20. století v lingvistice. Britský lingvista J.R. Firth prohlásil, že „znáte-li okolí slova, znáte jeho význam“ (anglicky „you shall know a word by the company it keeps“). Tuto teorii rozvinul Zellig Harris a položili tak základ pro tzv. distribuční sémantiku: význam slova je dán kontextem, ve kterém se objevuje. V praxi to znamená, že slova užívaná ve podobných situacích mají i podobné vektorové reprezentace.

Matematicky k tomu používáme lineární algebru: každé slovo nebo textový úsek převedeme na číselný vektor. Vztah podobnosti mezi dvěma vektory lze měřit skalárním součinem a obvykle kosinovou podobností (cosine similarity). Kosinová podobnost se vypočte jako skalární součin vektorů dělený součinem jejich velikostí. Pokud jsou vektory „rovnoběžné“ (úhel mezi nimi blízko 0°), kosínus je blízko 1, což indikuje velmi podobný význam slov.

V posledních letech došlo v NLP k několika průlomům ve vytváření těchto embeddingů:

• Word2Vec (2013): Představeno týmem Google vedeným Tomášem Mikolovem. Tento model naučil umístit slova do několika stovek rozměrného prostoru tak, že slova, která se vyskytují ve stejném kontextu, mají blízké vektory. Například vektor pro „walk“ bude blízko vektoru pro „run“, stejně jako vektor „Berlin“ blízko „Germany“.
• ELMo (2018): Vylepšil přístup tím, že generoval kontextové embeddingy. To znamená, že jedno slovo může mít vektor odlišný podle okolní věty. ELMo používá hlubokou obousměrnou LSTM síť, která bere v úvahu celé okolí slova. To pomáhá rozlišit význam slov s více významy (např. „bank“ v bance vs. u řeky).
• BERT (2018): Model od Google využívající architekturu Transformer. BERT je trénován pomocí maskování slov a učení na úrovni vět. Výsledkem jsou kontextové vektory tokenů, které zachycují smysl slov v reálném kontextu. BERT zásadně zlepšil možnosti porozumění textu v mnoha úlohách zpracování přirozeného jazyka.

Embedding je pro právní oblast klíčový, protože právní texty jsou obecně velmi kontextově závislé. Různé právní termíny a fráze mohou znamenat tutéž věc; například „odpovědnost za škodu“ a „odškodnění“ mohou vést na stejný právní princip. Díky embeddingům systém chápe tento kontext: Smlouva.ai dokáže vyhledat paragrafy související s „mlčenlivostí“ i když jsou v zákoně uvedeny pod jiným označením. Vektorové modely tak přinášejí do vyhledávání hlubší, sémantickou úroveň, která přesahuje běžné porovnávání klíčových slov.

Vektorizace zákoníků

Smlouva.ai využívá vektorizovanou databázi celého českého občanského zákoníku (ChromaDB), aby dokázala precizně vyhledat relevantní ustanovení. Každý paragraf zákona je převeden na vektor pomocí předtrénovaného jazykového modelu (např. BERT či další) tak, že zachycuje jeho významový obsah. Poté se uživatelův dotaz převádí na vektor a hledá se v databázi paragrafů ty vektory, které jsou mu nejpodobnější.

Díky tomu systém najde relevantní paragrafy i bez přesné shody slov. Například při hledání „porušení mlčenlivosti“ mohou být nalezena ustanovení o smlouvách o mlčenlivosti, i když dotaz nesplňuje přesné znění zákona. Tento přístup zajišťuje, že Smlouva.ai pracuje přímo s textem zákona – nehledá jen podle klíčových slov, ale chápe význam paragrafů a aplikuje je do generovaného dokumentu.

Výhody RAG a embeddingu pro právní praxi

Pro právníky a podnikatele přináší použití RAG agentů a embeddingů několik významných benefitů:

• Vyšší přesnost a spolehlivost: RAG vkládá do odpovědí přímo informace z relevantních zákonných dokumentů, což výrazně snižuje riziko chybných nebo nepodložených formulací. Podle odborných zdrojů generují systémy s doménově specifickým RAG řešením texty s vyšší mírou odbornosti a důvěryhodnosti:contentReference.
• Aktuálnost informací: Na rozdíl od statických modelů se RAG systémy dokáží rychle adaptovat na nové právní předpisy. Smlouva.ai nepotřebuje neustále trénovat nový model – stačí aktualizovat databázi paragrafů. Nová legislativa je pak okamžitě zahrnuta do vyhledávání a generování:conten.
• Rychlost a efektivita: Díky předpřipravené znalostní bázi a hotovým jazykovým modelům lze smlouvy generovat během minut. To šetří čas a náklady ve srovnání s tradiční tvorbou smluv (např. outsourcingem advokátům). Smlouva.ai je navržena tak, aby uživatel nemusel manuálně prohledávat zákony – vše proběhne automaticky.
• Odborná interpretace: Vektorové modely dokáží rozpoznat jemné rozdíly ve významu právních pojmů a zařadit smlouvě odpovídající jazyk. Například systém automaticky odliší pachtovací smlouvu od nájemní podle kontextu. Tím zaručuje, že generovaný text odpovídá potřebám konkrétního právního vztahu, a ne jen obecné šabloně.

Často kladené otázky (FAQ)

Co je RAG agent?
RAG agent (Retrieval-Augmented Generation agent) je AI, která kombinuje vyhledávání relevantních dokumentů (retrieval) s generováním textu (generation) pomocí LLM. Nejprve vyhledá potřebné informace (např. paragrafy zákoníku) a poté použije tyto informace pro tvorbu přesnější odpovědi nebo dokumentu.

Co je embedding a proč je důležitý v právu?
Embedding je způsob, jak převést slova nebo úseky textu na číselné vektory zachycující jejich význam. Díky embeddingům může systém chápat význam slov z kontextu a hledat sémanticky podobný obsah. To znamená, že Smlouva.ai najde relevantní paragraf i když je dotaz formulován jinak. To je v právu důležité, protože různé termíny a fráze mohou odkazovat na tentýž právní koncept. Embeddingy tak zlepšují porozumění k textu zákona.

Jak Smlouva.ai zajišťuje právní správnost?
Smlouva.ai generuje smlouvy na základě požadavků uživatele a automaticky do nich vkládá příslušná ustanovení z občanského zákoníku. Výsledná smlouva je doplněna expertními poznámkami, které vysvětlují právní kontext a ověřují obsah dokumentu. Díky tomu má uživatel přehled o použitých normách a smlouva je formulována v souladu s aktuální legislativou.

Připraveni generovat své smlouvy rychle a bezpečně? Zaregistrujte se zdarma na Smlouva.ai a získejte okamžitý přístup k nejmodernějšímu AI generátoru právních smluv.