Opublikowany 2 października 2026 r. wpis na AWS Machine Learning Blog opisuje wzorzec Adjudicated Query, który pozwala zadawać pytania o zgodność przez konwersacyjny interfejs Amazon Quick. Przykładem przewodnim jest kontrola umów najmu. Projekt oddziela język naturalny używany do zadawania pytań od mechanizmu oceniającego wcześniej ustalone reguły.

Warstwa konwersacyjna ma w tym wzorcu ograniczoną rolę. Model tłumaczy pytanie na wywołanie ustalonej, typowanej operacji, a następnie opisuje zwrócony wynik. Nie tworzy zapytań, nie wybiera populacji podlegającej kontroli i sam nie rozstrzyga, czy przypadek jest zgodny z regułami. To rozdzielenie ma znaczenie: odpowiedź w języku naturalnym przekazuje wyniki narzędzia regułowego, ale sama nie jest rozstrzygnięciem o zgodności.

Rozstrzygnięcia pozostają w silniku reguł

Adjudicated Query łączy interfejs czatu z deterministycznym silnikiem reguł. Użytkownik może sformułować pytanie zwykłym językiem, a system przyporządkowuje je do jednej z dostępnych operacji o określonych typach. Silnik zwraca wyniki, które warstwa konwersacyjna może objaśnić. Dzięki temu pytania można zadawać potocznie, bez tworzenia przez model własnych zapytań czy samodzielnego oceniania postanowień umowy.

Wpis opisuje również potwierdzenie kompletności. Przed utrwaleniem wyników potwierdza ono, że liczby rekordów zgodnych, naruszających reguły, niejednoznacznych i nieczytelnych sumują się do liczby wszystkich zeskanowanych rekordów. Potwierdzenie dotyczy więc podziału przetworzonej populacji na wskazane kategorie. Samo w sobie nie dowodzi poprawności reguł, rzetelności danych wejściowych ani tego, że przekazana do kontroli populacja obejmuje wszystkie istotne rekordy.

Architektura referencyjna

W architekturze referencyjnej żądania MCP przechodzą przez Amazon API Gateway i AWS Lambda do Amazon Aurora Serverless v2. Amazon Quick Sight odczytuje ten sam magazyn Aurora przez połączenie VPC. Wpis opisuje zatem ścieżkę żądań dla operacji oraz wspólny magazyn danych, z którego korzysta także pulpit wyników.

Amazon Bedrock ma w tym opisie węższe zastosowanie: służy do eksploracyjnego wyszukiwania klauzul i nie bierze udziału w oficjalnych rozstrzygnięciach dotyczących zgodności. Oddziela to ocenę według reguł od wyszukiwania, które może pomóc znaleźć odpowiedni tekst. Wpis nie przedstawia Bedrock jako organu rozstrzygającego ani wyników czatu jako niezależnej oceny prawnej.

Co pokazuje przykład

W przykładzie kontrola limitu opłat za opóźnienie płatności w Teksasie wykazuje 10 111 naruszeń, 689 niejednoznacznych rekordów i 20 nieczytelnych rekordów. Wynikom towarzyszy potwierdzenie kompletności oraz zastrzeżenie dotyczące danych syntetycznych. Są to liczby z przykładu, a nie ustalenia dotyczące rzeczywistych umów klientów. Wpis podaje, że próbka zawiera syntetyczne dane umów najmu oraz zastępcze reguły i cytowania, dlatego nie należy traktować jej jako zweryfikowanych wskazówek prawnych.

Wpis opisuje również widok pulpitu. Każdy wiersz odpowiada parze umowa najmu–reguła i zawiera identyfikator umowy, uruchomioną regułę, wyodrębnioną wartość oraz wartość oczekiwaną. Szczegóły ustalenia pokazują także klauzulę umowy i informacje o regule. Pola te wiążą wynik z konkretną umową i kontrolą, dostarczając kontekstu dla prezentowanego rezultatu.

Możliwe obszary zastosowania

AWS wykorzystuje zgodność umów najmu jako główny przykład i wymienia także rozpatrywanie roszczeń ubezpieczeniowych, sprawdzanie sankcji oraz kontrolę eksportu jako dziedziny, w których wzorzec może mieć zastosowanie. W takich obszarach opisane podejście może udostępniać ustalone kontrole za pomocą pytań formułowanych w języku naturalnym. Działanie nadal zależy od zdefiniowanych operacji, reguł i przekazanej populacji.

Główna idea projektu polega na podziale zadań: konwersacja pomaga zadać pytanie i zrozumieć wynik, a deterministyczny mechanizm ocenia ustalone reguły. Potwierdzenie wyraża kontrolę sum kategorii w zeskanowanej populacji, zaś wiersze wyników łączą umowy z regułami i wartościami. Wyniki należy zatem odczytywać w granicach zakresu i założeń konkretnej kontroli. Opis architektury ani liczby z przykładu nie gwarantują poprawności w świecie rzeczywistym, zgodności z prawem ani pokrycia wykraczającego poza zeskanowaną populację.