打造 人資法律ChatGPT – 結合 RAG(檢索增強生成) 做到零幻覺

人資法規需求

人資的基礎基於活生生的人，職場習慣上會用『情理法』的順序在處理事情。但不可否認，有人的地方還是容易遇到爭端，這時候不了解相關法規，對人資個人和公司都會有很大的風險。

人資領域非常廣泛，相關的法規也非常多，招募時可能面對的：就業服務法、性別工作平等法、身心障礙者權益保障法。或是最常見的民法、勞動基準法、勞工保險條例、全民健康保險法…等數十個相關的法律與規範。

對於大型公司來說，相關法律問題可以請教內部法務人員，或是合作的律師事務所，但更多時候是人資需要透過Google 或是自己找資料的方式來確定某些行為是否符合法律規範。

自從像是 ChatGPT這樣的AI工具出現後，也有人會透過ChatGPT來查詢相關法規，但這卻會引起很高的潛在風險 – AI 幻覺 (AI hallucinations)問題。

AI 幻覺問題

Google Cloud 對 AI幻覺的定義是：AI 模型所產生不正確或是誤導的結果。發生的成因有很多可能，訓練資料不足、訓練資料有偏差、模型訓練過程中不正確的參數調整、模型或演算法的先天限制…等。

當AI幻覺問題發生在法律相關的產業中時，往往會造成更大的風險。

紐約時報報導：美國男子 Roberto Mata 控告 Avianca 航空公司的推車讓他膝蓋受傷，他的律師 Steven A. Schwartz 提交的案件摘要中，引用了6項不同航空公司的相關判決。但最終發覺這些案例都是 ChatGPT捏造的，而律師的解釋是，他不知道ChatGPT產生的內容可能是虛假的。

這樣的類似案例陸續在美國、加拿大、英文都陸續產生，AI幻覺問題如果是發生在娛樂上，例如畫出了一隻世界上不存在的可愛動畫角色，其實並不會對生活造成太大問題，但如果AI 幻覺問題是發生在交通、醫療、法律相關的事情上，那就會可能對人造成不可抹滅的影響。

對人資而言，一方面又希望擁抱AI加速效率，但一方面又會害怕 AI幻覺問題帶來的風險，有沒有什麼解決方案呢？

目前普遍所知的解決方案之一是 檢索增強生成(Retrieval Augmented Generation, RAG)。

RAG(檢索增強生成) 怎麼解決AI幻覺問題

為什麼會有AI幻覺

在理解 RAG(檢索增強生成) 怎麼解決 AI 幻覺問題前，先來了解現有ChatGPT的背後運作原理。

ChatGPT 背後的技術基礎是大型語言模型(Large Language Model，LLM)，我們可以把它理解成，用大量各領域的文字資料，讓AI模型去學習出其中的通用語言模式。之後我們可以使用這個大型語言模型來做生成內容、回答問題、總結文章、翻譯語言等等工作。

如果要把 LLM 直接應用在人資法律助手上，三個主要原因會導致AI幻覺問題發生：

1. 資料不即時：大型語言模型會收集特定時間點之前的資料做訓練，所以就算先前模型在訓練時真的有收錄台灣的相關法律，但大型語言模型不會確認法條是否更新到最新。
2. 大型語言模型的生成性質：大型語言模型不單純只會從訓練資料中複製文字出來，他還會創造新的文字內容，所以這很可能會讓他寫出很多不存在的法條或判例。
3. 內容的產生基於機率而非正確性：大型語言模型生成的內容是基於計算後認為這是最常出現的形式，而非一定是正確的內容，這也會導致無法確定內容產生的正確性。

一句話說明 RAG(檢索增強生成) 和LLM(大型語言模型)的差異

RAG 對比 LLM 就像是 Open book考試 和 Closed Book考試的差異。

Closed Book考試你需要先把要考的東西記起來，現場不能參考其他資料作答。LLM(大型語言模型)就是這樣，他會一次收集大量資料一次訓練，但訓練之後資料就停止更新了。

而Open Book考試你可以隨時查找資料，綜合判斷後再回答問題，RAG (檢索增強生成)的概念就是一個可以即時查詢正確資料的LLM。

廢話不多說，我們先直接透過 ChatGPT實作讓大家看RAG跟一般LLM的巨大差異。

手把手打造 人資法律 ChatGPT

我先從人資社團中挑選3個大家問的問題來請教 ChatGPT。

1. 新同仁入職5個月工作表現不佳，我可以直接解雇嗎？還是需要進行PIP績效改善計畫？需要付資遣費嗎？
2. 因為擔心新進女員工未來會請育嬰假，所以先詢問他過往的育嬰假紀錄，請問這樣有違法嗎?
3. 請問醫院是否有規定，需要錄用具有就業能力的身心障礙人數?

ChatGPT的回答都很模糊籠統，並且沒有依據，雖然看起來都很有道理，但也很難真的用來說服公司接納這樣的意見，同時也會擔心資料的正確性。

接下來我們就來一步步透過 RAG(檢索增強生成) 技術來一步步打造我們的人資法律 ChatGPT。

1. 法規資料整理

首先我們在台灣全國法規資料庫，搜尋並下載相關法條，因為人資領域的法律非常多，我們這邊就先下載下列法條：性別平等工作法、身心障礙者權益保障法、勞動基準法、就業服務法，下載格式可以透過網頁下載成 pdf 格式。資料準備好就進到下一步。

2. 建立基本 GPTs 並連結法規資料

(接下來操作必須是使用ChatGPT付費版)

開啟ChatGPT 中的 GPTs功能，點擊 Create 按鈕建立自己的 GPT。

進入到GPTs 編輯畫面後把之前下載好的法規pdf 檔案上傳上去。

3. 測試與優化 Prompt

之後切換到 Create 分頁，輸入以下 Prompt:

你是一個台灣人力資源相關法規的助手，所有回答請依據上傳的法律檔案來回答，並且要明確回答出是基於什麼法律的哪一條。如果法條檔案中查不到，就說資料中查不到相關資訊。你只回答人資法律相關問題，如果非法律問題請說你無法回答。

然後透過 Prompt 幫他取名：”台灣人資法律小幫手”。

之後就可以在旁邊的 Preview Tab進行測試了。我們一樣輸入剛剛的三個問題來看結果。

可以看到，回答都有直接帶出明確的法條，並且回頭去查看文件後，也確認引用的法條是正確的。這樣就完成我們的人力資源法律小幫手了。

4. 發佈工具

完成後，我們可以點擊右上方的 “Create”來發佈這個小幫手，看是要只給自己使用、分享給朋友或是要發佈到GPT Store都可以。

以上就是不用寫程式就能做到RAG的方式，再來讓我們往下鑽深一些。

RAG(檢索增強生成) 到底是什麼？

在解釋 RAG(檢索增強生成) 之前，先理解一般大型語言模型的架構，大型語言模型會透過大量不同領域的文本資料做訓練，但一經模型訓練完成後，內建的資料就不再更新了，大型語言模型也不會針對特定領域做優化。

簡單理解 RAG(檢索增強生成) 是透過外部提供大型語言模型特定資料，來加強其回答能力的技術。

當使用者問問題時，問題都會優先拿去特定的資料中做搜尋，之後抓出相關資料後，再混合大型語言模型原有的能力來回答問題，透過這樣的方式增加正確性，也降低 AI幻覺的問題。

同時這樣的優點就是可以隨時動態新增資料，確保資料都是最新的。

更進階的 RAG (檢索增強生成) 做法

透過 ChatGPT 來做到 RAG(檢索增強生成) 是一種辦法，但還是有許多限制，例如ChatGPT對於上傳檔案的數量和尺寸都有限制，或是對於檔案中資訊的時間性無法加強處理。並且透過Prompt 調整的回答還是會有它的上限，有時候還是多少會出現一些不如預期的回答。

如果已經確定要做更進階的 RAG(檢索增強生成) ，建議可以從 AWS 或是 GCP 這種大廠的解決方案開始嘗試，好處是有較多人已經用過，並且也可以獲得較完整的服務。或是可以從社群很多人使用的 Framework像是： LangChain下去做嘗試，都是相對簡單的開始方式。

結論

RAG(檢索增強生成) 可以降低 大型語言模型的 AI幻覺問題，並且實作的成本比起像是重新訓練模型或是 Fine-tune模型都來得低。所以當今天使用情境對於回答的正確性要求比較高，而不希望回答有太多創意時，可以優先參考 RAG技術。

AI不是萬靈丹，但只要充分理解AI技術的限制和調整辦法，絕對可以讓人資工作事半功倍，我們也在持續研究把AI和RAG技術更好地應用在 HR Tech和自動化上，有興趣的人都歡迎留言跟我們討論你們想把 RAG使用在哪些人資場景上！