Naukowcy z arXiv opracowali KDASO - system, który automatycznie udoskonala bibliotekę umiejętności dla modeli do orzekania o odpowiedzialności prawnej w sprawach takich jak ustalanie winy w wypadkach taksówek czy określanie odpowiedzialności w sporach cywilnych. Głównym wyzwaniem jest to, że standardowe podejścia borykają się z trzema problemami: biblioteki umiejętności szybko się dezaktualizują, gdy zmienia się rzeczywistość prawna, opisy umiejętności zawierają tak zwany semantic execution gap czyli model interpretuje je inaczej niż zamierzyli eksperci, oraz rosnące kolekcje umiejętności przekraczają kontekstowe limity modeli powodując pominięcie kluczowych reguł.
KDASO rozwiązuje to poprzez trzy mechanizmy. Po pierwsze, ciągle uczy się z nowych danych sądowych poprzez neighborhood-conditioned induction, co pozwala na ewolucję umiejętności w odpowiedzi na zmieniające się scenariusze. Po drugie, algorytm analizuje trajektorie działań modelu i ulepszą opis umiejętności tak, aby były dokładnie wykonywane - to execution-aligned refinement. Po trzecie, inteligentnie wybiera tylko potrzebne umiejętności dla danego przypadku, unikając przepełnienia kontekstu. Eksperymenty na trzech typach zadań - sporach o ride-hailing, prawnych sprawach o odpowiedzialność i orzekaniu w logicznych sytuacjach - pokazały znaczną poprawę w stosunku do istniejących rozwiązań ogólnego przeznaczenia i specjalizowanych.
Wyniki szczególnie imponują jeśli chodzi o transfer umiejętności na podobne scenariusze - osiągnięto 8,96% poprawę wydajności. System ponadto utrzymuje stałe zyski wydajności podczas ciągłej optymalizacji, co świadczy o wysokiej transferowalności i stabilności generowanych umiejętności. To podejście może być przełomowe dla systemów prawnych i decyzyjnych, które muszą radzić sobie ze złożonością rzeczywistego świata.