RAG enterprise pe corpus juridic RO: de la PDF la citare verificabilă
Un avocat de bancă cere la 09:14 „ce zice Legea 129/2019 despre beneficiarul real al unei fiducii", iar un chatbot îi răspunde cu un paragraf credibil, dar fără sursă.
RAG enterprise pe corpus juridic RO: de la PDF la citare verificabilă
Un avocat de bancă cere la 09:14 „ce zice Legea 129/2019 despre beneficiarul real al unei fiducii”, iar un chatbot îi răspunde cu un paragraf credibil, dar fără sursă. Răspunsul e inutilizabil — pentru că în dreptul românesc, afirmația fără articol și fără alineat nu există. Aici încep problemele reale ale RAG-ului pe corpus juridic.
Pipeline-ul PDF → chunk → citare
Un corpus juridic RO are trei capcane: PDF-uri scanate cu OCR mediocru, numerotare mixtă (articol/alineat/litera/punct) și referințe încrucișate care sar în alte acte normative publicate pe Monitorul Oficial. Dacă pipeline-ul tratează fișierul ca text plat, pierzi exact granularitatea pe care se sprijină argumentul juridic.
ingest:
ocr: tesseract+camelot_tables
layout: unstructured.io hi_res
normalize_diacritics: true
chunk:
strategy: structural # articol → alineat → litera
max_tokens: 420
overlap: 40
attach_metadata: [act_id, articol, alineat, data_publicare, data_abrogare]
retrieve:
hybrid: bm25 + dense (ro-sbert-legal)
rerank: cross-encoder, top_k=8
cite:
require_span: true
fail_closed_on_missing: true
Chunking-ul semantic generic (sliding window pe 512 tokeni) rupe un alineat în două și face imposibilă citarea exactă. Chunking-ul structural — pe articol/alineat, cu metadate atașate — e singura abordare care produce răspunsuri verificabile. Măsurat pe un corpus de ~40.000 pagini (coduri + legi speciale), diferența între cele două strategii este vizibilă în faithfulness: generic ratează mai des linkul la alineat; structural livrează span-ul exact.
Arhitectura cu „fail-closed” pe citare
Două porți blochează halucinația. Prima: scorul de relevanță sub prag → sistemul refuză să răspundă. A doua: generatorul trebuie să ancoreze fiecare afirmație într-un span textual din chunk; dacă nu găsește, întoarce „nu știu”. E mai puțin spectaculos decât un chatbot vorbăreț, dar e singurul mod în care juristul își poate asuma răspunsul profesional.
Ce rupe sistemul în producție
Trei lucruri, în ordinea gravității. Versionarea actelor normative — un articol din Codul Fiscal arată altfel la 1 ianuarie 2025 față de 1 ianuarie 2026, iar OPANAF publică modificări trimestrial. Fără câmp data_vigoare în metadate, răspunzi cu text abrogat. Al doilea: referințele către EUR-Lex — GDPR, NIS2, DSA — care trebuie indexate separat, cu alinierea RO/EN. Al treilea: tabelele din anexe (grile de impozitare, baremuri), unde OCR-ul rupe celule și retrieve-ul le returnează ca text neinteligibil.
Vedem același pattern pe partea de securitate a pipeline-urilor RAG și în debugging-ul Graph RAG: fără metadate structurale și fără span obligatoriu, orice generator devine un risc de conformitate.
Poziția noastră, după ce am construit astfel de pipeline-uri pentru clienți din banking și public: RAG-ul juridic nu e „un chatbot peste PDF-uri”. E un sistem de citare asistat, în care rolul LLM-ului e să conecteze întrebarea cu span-ul corect — nu să scrie dreptul. Pentru arhitectură aplicată pe cazul tău, scrie-ne pe pagina de contact.