· AI Engineer World's Fair 2025
Графы знаний в litigation-агентах
Knowledge Graphs in Litigation Agents — Tom Smoker, WhyHow.AI
Граф знаний вместе с цепочкой LLM-агентов превращает жалобы в интернете на лекарства и автомобили в персональные сигналы для юристов по коллективным искам, и, по словам спикера, так дела находят раньше адвокатов.
- Плотность жалоб как сигнал — по словам спикера, сигнал считается как число жалоб на конкретную модель, год и проблему, умноженное на их скорость по месяцам. Такой сигнал находится примерно за 15 минут, уверенность в нём набирается около месяца, а крупная фирма, по его словам, обычно подключается через восемь–девять месяцев после начала жалоб.
- Надёжность цепочки агентов — пять шагов по 95% точности дают около 77% прохода до конца процесса. Спикер предлагает разбивать работу на отдельно проверяемые шаги и добавлять guardrails и human-in-the-loop.
- Граф как управляемое состояние — граф расширяется, очищается и запрашивается, а у каждого юриста своя схема фильтров (сумма, марка, юрисдикция). Отчёты собираются из подграфов, и обратная связь от юриста меняет схему.
- Презентация продукта — доклад в основном рассказывает о продукте WhyHow.AI, но схемы графа и подход к проверке цепочек переносятся и на другие домены.
Кому полезно: тем, кто строит агентные системы для узких областей, где ответ должен быть точным и проверяемым, например для юридических или медицинских задач.
На какие вопросы отвечает доклад
Почему ошибки накапливаются в цепочке LLM-шагов и сколько надёжности теряется?
Пять шагов по 95% точности дают примерно 77% успешного прохода всего workflow. Спикер предлагает разбивать процесс на отдельные шаги с проверкой входа и выхода, а также ставить guardrails и человека в цикле.
▶ 2:05Схемы графов, многоагентные системы и надёжность рабочих процессовКак хранить память агента в графе, чтобы состояние можно было дополнять и обрезать?
Состояние захватывают, расширяют, обрезают и запрашивают в графовом формате, а не в плоском контексте. По словам спикера, это даёт возможность добавлять связи и удалять их, когда они больше не нужны.
▶ 2:05Схемы графов, многоагентные системы и надёжность рабочих процессовКак разобрать сотни гигабайт писем и документов в суде, если вручную не успеть?
Информацию из документов извлекают в единую схему графа, после чего большая часть материалов отсеивается, а эксперт получает визуальный граф для решения. Спикер описывает подход на обобщённом примере.
▶ 7:27Юридическое рассуждение, раскрытие доказательств и новые сигналы судебных разбирательствКак находить ранние сигналы в жалобах пользователей, разбросанных по интернету?
Жалобы собирают с сайтов, форумов и соцсетей, структурируют и считают плотность: число жалоб, умноженное на их скорость по месяцам. По словам спикера, такой сигнал удаётся найти примерно за пятнадцать минут.
▶ 14:18Персонализированный мониторинг жалоб и итеративное управление состоянием графаКак собрать персонализированные отчёты из общего графа под разные запросы пользователей?
Для каждого пользователя задают свою схему и фильтры, из общего графа выделяют подграф и собирают отчёт в привычной для него форме. По словам спикера, структура отчётов одинакова, а содержание различается.
▶ 14:18Персонализированный мониторинг жалоб и итеративное управление состоянием графа
Главы
Похожие доклады
Нужны ссылки: происхождение данных в графах знаний, созданных LLM
AI Engineer World's Fair 2026
Близко по содержанию
Агентам нужно больше, чем чат
AI Engineer Europe 2026
Близко по содержанию
Зачем мозгу агента нужен плейбук: практические преимущества онтологий
AI Engineer World's Fair 2025
Близко по содержанию
Не используйте RAG как память
AI Engineer World's Fair 2025
Близко по содержанию