Francesca

提案人 douenergy
第一梯(2024/02/18 前)

Francesca 的靈感來自於知名影集絕命律師 (Better Call Saul) 中主角 Jimmy 的女助手 Francesca。 她是 Jimmy 律師事務所的第一個助手,在面試的過程中,Jimmy 問了 Francesca 在她前一份監理站的工作中,是否曾經對來換發駕照的老人不耐煩過? Francesca 回答中展現的耐心,成功為她贏來了這份工作。 LLM 的巨大潛力,是過去兩年最讓人興奮的 AI 應用,但一如圖靈獎得主 Alan Kay 的名言 “ People who are really serious about software should make their own hardware ” , 我們相信要發揮 LLM 最大的潛力需要高品質的資料集 “ People who are really serious about LLM should curate their own dataset ”。 收集資料集是複雜且需要耐心的工作,期待我們如 Francesca 一樣決不對資料不耐煩 😊

02. 提案代表人

DouEnergy

03. 提案代表人的 g0v Slack 帳號名稱與成員識別碼

douenergy

06. 專案於 g0v slack 的頻道名稱

tw-legal-datasets

07. 提案團隊簡介及與主題的相關性

  • 謝東霖 DuckDB, Postgres contributor GitHub
  • 謝秉霖 台大法研所商法組研究生(台大校長獎、台大法律書卷獎、應屆通過律師高考及司法官特考,現為實習律師) Linkedin

09. 專案符合本次計畫哪些主題:(請勾選至少一項)

繁體中文文本採集,用於語言模型訓練資料

10. 參與梯次

第一梯(2024/02/18 前)

11. 承上題,若為再次提案,請說明修改的提案內容

第一次提案

12. 專案摘要(300字以內)

“ People who are really serious about software should make their own hardware - Alan Kay ”

我們相信要發揮 LLM 最大的潛力需要高品質的資料集 “ People who are really serious about LLM should curate their own dataset ”

目前臺灣並無高品質的開源法律資料集,我們目標收集台灣最近 10 年 (2014 ~ 2023) 刑事判決 資料集,以 Apache Parquet 格式開源在 HuggingFace 上

目標是成為台灣繁體中文的 legalbench 資料集 legalbench

13. 專案動機

"We always overestimate the change that will occur in the next two years and underestimate the change that will occur in the next ten - Bill Gates"

LLM is definitively not a silver bullet. LLM 固然擁有巨大的潛力,但不可能在 Day 1 就可以改變現有的系統,我們認為要落地 LLM 在法律的應用,必須先足夠專注在真實的問題上。

由於刑事判決涉及憲法最高度保障的基本權 — 人身自由,基於憲法之戒命,法官必須即時、迅速、正確的做出判決。近年來,台灣的詐騙案件淹沒了各大地檢署及法院,如何協助司法人員在茫茫的卷宗中,快速釐清事證並迅速做出判斷,LLM 或許成了過勞司法人員的一線希望。

無獨有偶的,司法院 TMT5 第一期落地鎖定 「不能安全駕駛」及「詐欺幫助犯」等二種犯罪之裁判草稿自動生成,讓法官能夠「明案速判」,轉而將精力投注在重大矚目案件上,在提升司法品質的同時,減輕司法人員的負擔。

綜上,我們認為 刑事判決 的資料,是最適合 LLM 資料落地實現的 MVP,我們希望透過 LLM 達成三大目標:協助檢察官之偵查、協助法官生成判決書、協助律師掌握各式犯罪之平均刑期。

14. 專案設計概念以及與主題的相符性

  • Dagster
  • Puppeteer
  • dbt-duckdb
  • dbt

15. 專案技術可行性

16. 專案可應用之情境說明

Francesca 與 Taiwan-LLM , TAIDE , Breeze-7B, TMT5 等台灣 LLM 模型結合,我們相信可以達到以下幾點效果

  1. 法律實證研究的普及:眾所皆知,Law in Books 及 Law in Action 往往存在相當程度的落差,法律學術圈也吹起一陣「實證化浪潮」。 律師執業過程中最常被問的問題就是:「律師,我這個罪會被判多久?」, 我們無法期待律師在忙碌的日常生活中逐筆逐件的整理判決刑期,而僅憑經驗回答又可能受限於執業地域及數量之限制,此 LLM 系統可以協助學者、法律實務工作者和一般民眾快速找到實證化的法律訊息和判決,並讓主管機關更方便的檢討法規的實際施行結果。

  2. 增強法律教育:在 Francesca 這樣的數據集上訓練的 AI 模型,可以用來提供法律系學生和初出茅蘆的律師,除了教科書外的學習素材,這些工具可以模擬現實世界的法律場景,讓初學者快速掌握實務所可能面臨的挑戰,並提供個性化的學習成果分析,幫助用戶理解複雜的法律概念和實務案例,讓法學教育更加貼近實務脈動。

  3. 自動化日常法律任務:律師、檢察官及法官的日常,往往必須處理一些不困難卻又高度重複的案件,如:整理刑期、詐騙車手、酒駕、核發支付命令、漏繳裁判費的裁定等,如果有以本土的裁判作為 LLM 的訓練素材,將能協助實務工作者在未來處理案件時,能以系統自動所生成的裁判底稿為基礎,加入個案的事實,大大節省處理簡易案件的勞力時間費用。

17. 專案預期效益與社會貢獻

Lawrence Lessig 2023 來台灣的時候曾經想像了一個 正義 充沛的世界

“我們曾夢想過,在核能與電力價格極低甚至趨近於零的未來。 同理,我們也應該懷抱一個理想,那就是「正義」變得如此低廉,以至於無需收費,並朝著在全球的法律體系中建立這種理想的基礎設施邁進 - Lawrence Lessig”

LLM 可能就是台灣司法體系的 ”核一廠時刻“ 🤘

我們也期待本專案成為一個開源的 Modern Data Stack 範本,讓後續台灣的 LLM 開源資料集有一個參考的模板。與 TAIDE 與 Ikala/tmmluplus 資料集互相補充 。

18. 專案現況說明

無參與其他競賽與計畫

目前進度為定義資料 schema

19. 團隊過去是否有做過相關主題的計畫?

"Datasets Server automatically converts all public datasets on the Hub to Parquet files, that you can see by clicking on the "Auto-converted to Parquet" button at the top of a dataset page. You can also access the list of the Parquet files URLs with a simple HTTP call" - HuggingFace-DuckDB

HuggingFace 🤗 上的資料集會自動透過 DuckDB 轉成 Parquet 格式,DouEergy 是 DuckDB貢獻 commits 數前 30 的貢獻者(台灣貢獻數量最多者),曾實現與 DuckDB Parquet 相關的功能。

20. 開源內容及其授權方式

  • 程式碼會以 MIT License 開源在 GitHub 上
  • 資料集會以 MIT License 開源在 HuggingFace 上

21. 專案期中與期末規劃

  • 60 天完成, 2021 ~ 2023 年 三年份的資料處理,驗證資料 Schema 合理性與技術 POC
  • 90 天完成, 2014 ~ 2023 所有年份的資料處理。

22. 專案預算規劃

23. 專案於計畫結束後之長期規劃

希望有機會與在 Taiwan-LLM , TAIDE , Breeze-7B, TMT5 等台灣 LLM 上做進一步的 finetune 整合

24. 其他想補充之內容

無