CBR-RAG: Razonamiento Basado en Casos para la Generación Aumentada por Recuperación en LLMs para la Respuesta a Preguntas Legales

La Generación Aumentada por Recuperación (RAG) mejora la salida de Modelos de Lenguaje Grande (LLM) proporcionando conocimiento previo como contexto para la entrada. Esto es beneficioso para tareas que requieren mucho conocimiento y son dependientes de expertos, incluyendo la respuesta a preguntas legales, que requieren evidencia para validar las salidas de texto generadas. Destacamos que el Razonamiento Basado en Casos (CBR) presenta oportunidades clave para estructurar la recuperación como parte del proceso RAG en un LLM. Introducimos CBR-RAG, donde la etapa inicial de recuperación del ciclo CBR, su vocabulario de indexación y contenedores de conocimiento de similitud se utilizan para mejorar las consultas de LLM con casos contextualmente relevantes. Esta integración enriquece la consulta original del LLM, proporcionando un mensaje más completo. Presentamos una evaluación de CBR-RAG y examinamos diferentes representaciones (es decir, incrustaciones generales y específicas del dominio) y métodos de comparación (es decir, similitud inter, intra y híbrida) en la tarea de respuesta a preguntas legales. Nuestros resultados indican que el contexto proporcionado por la reutilización de casos de CBR refuerza la similitud entre los componentes relevantes de las preguntas y la base de evidencia, lo que lleva a mejoras significativas en la calidad de las respuestas generadas.