Tech Stack
Team
| Name | GitHub | Role |
|---|---|---|
| 문상혁 | - | |
| 민지원 | - | |
| 신진수 | jsshin8128 | - |
| 안성재 | dmach1ne | - |
| 우은진 | - | |
| 장은서 | - | |
| 한지훈 | jhhan0208 | - |
Description
기존 GPT 기반 법률 상담은 판례 전문 데이터에 접근하지 못해 사실성이 부족하고, 기존 판례 검색 서비스는 키워드 검색만 가능하여 일반 사용자가 활용하기 어렵다는 문제를 해결하고자 프로젝트를 시작했습니다.
WOODJUDGE는 사용자의 자연어 질의를 기반으로 유사 판례를 검색하고, 검색된 판례를 근거로 대응 전략과 예상 처벌, 법적 근거를 함께 제시하는 RAG 기반 법률 상담 시스템입니다.
판례 검색 성능 향상을 위해 법률 특화 임베딩 모델과 Chroma Vector Database를 활용했으며, 검색된 결과를 기반으로 GPT-4o mini가 신뢰도 높은 답변을 생성하도록 설계했습니다.
- RAG 기반 유사 판례 검색 및 법률 조언 시스템 구현
- LangChain + Chroma Vector DB 기반 Retrieval Pipeline 구축
- 법률 특화 임베딩(KURE)을 활용한 판례 검색 성능 향상
- GPT-4o mini 기반 대응 전략 및 법적 근거 생성
- Prompt Engineering을 통한 답변 품질 개선
- RAG 파이프라인 최적화 및 검색 성능 평가
Page Info
Problem Definition
법률 상담은 높은 비용과 심리적 장벽이 존재하며, GPT 기반 서비스는 판례를 근거로 한 신뢰도 높은 답변을 제공하기 어렵습니다. 또한 기존 판례 검색 서비스는 자연어 질의를 지원하지 않아 일반 사용자가 활용하기 어렵습니다.
System Architecture
LangChain을 중심으로 Chroma Vector DB와 MySQL을 연결하고, GPT-4o mini를 통해 판례 기반 답변을 생성하는 전체 시스템 구조입니다.
RAG
사용자의 자연어 질의를 임베딩하여 유사 판례를 검색하고, 검색된 판례를 참고하여 LLM이 프롬프트 기반 대응 전략과 예상 처벌을 생성합니다.
Retrieval Optimization
RecursiveCharacterTextSplitter를 이용한 Chunking과 KURE 임베딩 모델을 적용하여 검색 성능을 최적화했습니다. Chunk Size, Chunk Overlap, Embedding Model 등 다양한 파라미터를 비교하며 최적의 Retrieval 성능을 탐색했습니다.
Evaluation
일반적인 RAGAS 평가 방식 대신, 법률 상담 특성에 맞는 평가 방식을 설계했습니다. 사용자 질의와 검색된 판례 간의 관련성을 코사인 유사도와 LLM-as-Judge를 활용해 정량·정성적으로 함께 평가했습니다.
Result
사용자는 자신의 상황을 자연어로 입력하면 유사 판례, 판례 요약, 예상 처벌, 대응 전략을 함께 확인할 수 있으며, 기존 검색 서비스보다 직관적인 법률 상담 경험을 제공합니다.
📄 Project Documents
프로젝트 기획서와 발표 자료를 통해 RAG 기반 법률 상담 시스템의 설계 과정과 기술 구현 내용을 정리했습니다.