Mitigare l'Impatto dei Conflitti Normativi nei Sistemi di Question-Answering Legale con l'Utilizzo di Knowledge-Graph e Large Language Models

Una delle principali sfide nella ricerca sull'Intelligenza Artificiale, in particolare nel campo del Natural Language Processing (NLP), consiste nel garantire l'accuratezza delle risposte generate, soprattutto in ambiti ad alto impatto come il diritto e la medicina, dove un errore potrebbe avere conseguenze rilevanti. Tale problematica ha indotto la comunità scientifica a elaborare approcci alternativi volti ad ampliare il patrimonio conoscitivo dei modelli, mediante l'implementazione di metodologie innovative basate sulla costruzione di contesti specifici e sull'acquisizione di dati rilevanti da impiegare nella generazione di risposte accurate. Nell'ambito giuridico, la finalità è quella di dirimere le incongruenze derivanti dall'introduzione di modifiche ai codici legislativi. Lo scopo di questo progetto di tesi è di valutare l'implementazione e l'efficacia delle metodologie di acquisizione e derivazione delle informazioni al fine di incrementare l'accuratezza dei sistemi conversazionali di assistenza giuridica. Mediante la costruzione di Knowledge Graphs e l'applicazione dei più recenti Large Language Models, la ricerca si concentra sull'analisi dei correttivi di decreti e leggi del panorama legislativo Italiano, con l'obiettivo di risolvere le incongruenze derivanti dagli aggiornamenti e abrogazioni.I risultati mostrano che l'uso di contesti recuperati da un database esterno migliora le performance del 40\% nel caso di e del 50\% nel Codice Correttivo. Questi miglioramenti sono particolarmente evidenti nei modelli con capacità computazionale ridotta, dimostrando che il metodo adottato ottimizza le performance e mitiga le difficoltà legate ai codici correttivi.