AWS ने बड़े लीज़ संग्रह में अनुपालन संबंधी सवाल पूछने के लिए Amazon Quick का एक संदर्भ डिज़ाइन प्रकाशित किया है। इसका उपयोगी विचार स्पष्ट और सख़्त हस्तांतरण है: चैट मॉडल एक तय टूल चुनकर उसका जवाब समझाता है; अलग नियम इंजन दायरा तय करता है और हर मामले पर निर्णय देता है। 2 अक्टूबर की पोस्ट और नमूना रिपॉज़िटरी एक शैक्षणिक प्रूफ़ ऑफ़ कॉन्सेप्ट का वर्णन करते हैं, प्रमाणित कानूनी अनुपालन सेवा का नहीं।

इंजीनियर या अनुपालन प्रमुख के लिए सवाल यह है कि क्या यह विभाजन समीक्षा किए जा रहे निर्णय के अनुकूल है। नमूने में कृत्रिम लीज़, गढ़े हुए नियम और उद्धरण हैं। इसके उदाहरणात्मक कुल आँकड़े अपेक्षित आउटपुट का स्वरूप दिखाते हैं; वे वास्तविक अनुबंधों या कानून पर सटीकता के बारे में कुछ नहीं बताते।

बड़ा बदलाव

  • क्या बदला: AWS का नमूना AI को तय समीक्षा टूल तक नियंत्रित पहुँच का माध्यम बनाता है। नियम इंजन सूचीबद्ध लीज़ समूह के लिए निष्कर्ष तय करता है।
  • यह क्यों मायने रखता है: संस्करणबद्ध नियम और साक्ष्य रसीद समीक्षकों को चैट से बाहर यह जाँचने देते हैं कि चुने गए रिकॉर्ड का आकलन कैसे हुआ।
  • किन बातों पर नज़र रखें: रसीद इन्वेंटरी, डेटा निष्कर्षण या कानूनी नियमों की वैधता साबित नहीं कर सकती। अपनाने वालों को अपने डेटा पर इन इनपुट, उपयोगकर्ता पहचान और प्रदर्शन की जाँच करनी होगी।

प्रॉम्प्ट से पहले दायरा तय होता है

कोई उपयोगकर्ता Quick से पूछ सकता है कि बताई गई तारीख पर टेक्सास के कौन-से लीज़ विलंब शुल्क के नियम का उल्लंघन करते हैं। Quick अनुरोध को sweep_compliance, यानी नामित छह MCP कार्रवाइयों में से एक, तक पहुँचाता है। यह कार्रवाई दिए गए क्षेत्राधिकार और तारीख से आबादी तथा लागू संस्करणबद्ध नियम चुनती है। मॉडल न SQL लिखता है, न तय करता है कि कोई धारा नियम पर खरी उतरती है या नहीं। नियम इंजन तय तुलना ऑपरेटर लागू करता है और नियम के मान पैरामीटर के रूप में लेता है। AWS के अनुसार, सभी मामलों की आधिकारिक जाँच में किसी मॉडल से परामर्श नहीं लिया जाता। AWS यहाँ कार्रवाई का अनुबंध समझाता है; रिपॉज़िटरी उसके कार्यान्वयन का वर्णन करती है.

बाकी टूल का दायरा और भी सीमित है। simulate_rule_change प्रस्तावित मान के लिए खोजपरक गिनती देता है, पर निष्कर्ष दर्ज नहीं करता। explore_clauses फ़िल्टर किए गए नमूने को अर्थगत समानता के आधार पर क्रम देता है और “कितने?” का जवाब नहीं दे सकता। get_finding एक साक्ष्य-श्रृंखला लाता है; list_rules किसी तारीख पर लागू नियम दिखाता है; check_connection डेटा संचार की जाँच करता है। यह फ़र्क इसलिए अहम है कि प्रासंगिक धाराओं का नमूना पूरी आबादी की गणना नहीं होता।

पूरी जाँच हर स्कैन किए गए रिकॉर्ड का हिसाब चार में से एक श्रेणी में रखने वाली रसीद लिखती है: नियम के अनुरूप, उल्लंघन में, अस्पष्ट या पढ़ने योग्य नहीं। रिकॉर्ड सहेजने से पहले इंजन जाँचता है कि इनकी गिनती स्कैन किए गए कुल रिकॉर्ड के बराबर हो। Quick कुल आँकड़े और छोटा नमूना दिखा सकता है, जबकि Quick Sight डैशबोर्ड सभी निष्कर्षों के लिए उसी Aurora डेटा स्टोर को पढ़ता है। हर निष्कर्ष में धारा का पाठ, निकाले गए और अपेक्षित मान, नियम संस्करण और उद्धरण शामिल हैं। ये AWS नमूने के डिज़ाइन की विशेषताएँ हैं; इसका अर्थ यह नहीं कि BIG CHANGE ने इसके नतीजे निकाले या स्वतंत्र रूप से सत्यापित किए।

रसीद चुनी गई आबादी का हिसाब रखती है। इससे यह साबित नहीं होता कि मूल इन्वेंटरी में हर लीज़ शामिल है, निष्कर्षण ने हर प्रासंगिक धारा सही पकड़ी है या नियम मौजूदा कानून दर्शाता है। इनके लिए अलग मिलान, निष्कर्षण समीक्षा और कानूनी अनुमोदन चाहिए। यदि “टेक्सास के सभी लीज़” का हर अनिश्चित है, तो सटीक गिनती भी गलत समूह का सटीक वर्णन कर सकती है।

इसे बनाने के लिए क्या चाहिए

AWS का नमूना आर्किटेक्चर में AWS Lambda पर MCP सर्वर के सामने Quick चैट एजेंट है। Amazon Cognito सेवा टोकन जारी करता है; API Gateway उसकी जाँच करता है। Lambda, RDS Data API के ज़रिए Aurora Serverless v2 से पढ़ता और लिखता है। Quick Sight उसी डेटाबेस तक VPC कनेक्शन से पहुँचता है। AWS खोजपरक धारा-खोज टूल के लिए Bedrock एम्बेडिंग और भाषा मॉडल रखता है; आधिकारिक पूरी जाँच नियतात्मक रहती है।

प्रकाशित उदाहरण में कृत्रिम 50,000-लीज़ कॉर्पस, संस्करणबद्ध नियम-पुस्तिका और स्वीकृति स्क्रिप्ट है। AWS के अनुसार यह तैनात स्टैक पर 28 जाँच चलाती है। रिपॉज़िटरी स्पष्ट चेतावनी देती है कि कोड उत्पादन उपयोग के लिए तैयार नहीं, कानूनी सामग्री गढ़ी हुई है और वास्तविक किरायेदार डेटा के लिए आगे सुरक्षा परीक्षण तथा स्वतंत्र कानूनी सत्यापन चाहिए। हमने दस्तावेज़ और रिपॉज़िटरी का विवरण देखा; इस लेख के लिए स्टैक तैनात नहीं किया, वे जाँच नहीं चलाईं और चैट एजेंट की टूल-रूटिंग नहीं परखी।

इसे अपनाने से पहले प्रामाणिक रिकॉर्ड इन्वेंटरी और सदस्यता का सटीक नियम तय करें। फिर तय करें कि कौन-से फ़ील्ड भरोसेमंद ढंग से निकाले जा सकते हैं, कौन-सी नियम-तुलनाएँ सचमुच यांत्रिक हैं और नियम के हर संस्करण को कौन मंज़ूर करेगा। मूल पाठ, निष्कर्षण स्थिति, नियम संस्करण, संचालक, तुलना किए गए मान, तारीख और निष्कर्ष ID सुरक्षित रखें, ताकि समीक्षक नतीजा दोबारा बना सके। चैट जवाब से बाहर रसीद का इन्वेंटरी से मिलान करें। ये डिज़ाइन जाँचें नमूने में बताए गए आश्वासनों और सीमाओं पर आधारित हैं; हमने इन्हें आज़माया नहीं है।

AWS के अनुसार, Cognito का क्लाइंट-क्रेडेंशियल टोकन Quick ऐप्लिकेशन की पहचान बताता है, चैट में सवाल पूछने वाले व्यक्ति की नहीं। उपयोगकर्ता की पहचान जानने के लिए नमूना जाँच ID और समय को Quick की ऑडिट परत से जोड़ने पर निर्भर करता है; यदि अनुपालन स्टोर में ही उपयोगकर्ता की पहचान दर्ज करनी हो, तो AWS अंतिम उपयोगकर्ता ID भेजने और सहेजने का सुझाव देता है। जिस टीम को हर निष्कर्ष अपने-आप में ऑडिट रिकॉर्ड चाहिए, उसे तैनाती से पहले यह डिज़ाइन तय करना चाहिए।

पहुँच, सीमाएँ और लागत

AWS का निर्देशित सेटअप AWS खाते, कॉन्फ़िगर किए AWS CLI v2 क्रेडेंशियल, CDK के लिए Python और Node 24, us-east-1, तथा MCP कनेक्टर और Quick Sight वाले Amazon Quick परिवेश की अपेक्षा करता है। पोस्ट में Python 3.12 कहा गया है; लिंक की README में Python 3.9 या नया लिखा है। स्थानीय परिवेश चुनने से पहले रिपॉज़िटरी की मौजूदा ज़रूरतें जाँचें। नमूने के निर्देश CDK CLI 2.261.0 को पिन करते हैं; यह नमूने की निर्भरता है, AWS की सामान्य आवश्यकता नहीं।

मौजूदा Quick MCP गाइड हर कार्रवाई के लिए 60 सेकंड की तय समय-सीमा रखती है, सर्वर कनेक्शन पर अधिकतम 100 टूल की अनुमति देती है और कस्टम HTTP हेडर नहीं भेजती। बड़े स्कैन के लिए इस समय-सीमा पर कार्यभार का परीक्षण करें; सही ढंग से चलने वाला लंबा डेटाबेस काम भी समकालिक Quick कार्रवाई के रूप में पूरा नहीं हो सकता, यदि वह कनेक्टर की सीमा से अधिक चले। गाइड कहती है कि कस्टम कनेक्टर की टूल सूची Sync करके अपडेट की जा सकती है। इसके विपरीत, AWS ब्लॉग और नमूना README टूल बदलने पर इंटीग्रेशन हटाकर दोबारा बनाने को कहते हैं। मौजूदा कनेक्टर और अपने परिवेश में पंजीकृत टूल सूची तथा रूटिंग की पुष्टि करने के लिए लाइव Quick दस्तावेज़ का पालन करें।

यह कई सेवाओं का सेटअप है, इसलिए प्रकाशित सामग्री से कोई भरोसेमंद एकल “हर स्कैन की कीमत” नहीं निकाली जा सकती। AWS का Quick मूल्य पृष्ठ सदस्यता और एजेंट-घंटे की अलग शर्तें बताता है और कुछ सुविधाओं के लिए अतिरिक्त Quick Sight शुल्क सूचीबद्ध करता है। Aurora की कीमत क्षमता, स्टोरेज और I/O कॉन्फ़िगरेशन पर निर्भर करती है; नमूने में न्यूनतम 0.5 ACU सक्रिय रहता है, शून्य पर रुकता नहीं। API Gateway, Lambda और खोजपरक Bedrock कॉल के लिए भी कार्यभार का अनुमान चाहिए। मूल्यांकन के बाद जारी शुल्क से बचने के लिए रिपॉज़िटरी स्टैक हटाने का सुझाव देती है। इस लेख के लिए कोई AWS संसाधन नहीं बनाए गए।

निर्णय लेने की जाँच-सूची

इस तरीके को तभी अपनाएँ जब टीम अपने डेटा और नियंत्रणों के आधार पर इन सवालों के जवाब दे सके:

  • क्या आप समीक्षा किए गए स्थिर नियम से पूरी आबादी गिन सकते हैं और प्रामाणिक इन्वेंटरी से उसका मिलान कर सकते हैं?
  • क्या नियम मंज़ूर संस्करणों, लागू तारीखों और उद्धरणों वाली यांत्रिक तुलनाएँ हैं? किन मामलों को मानवीय समीक्षा के लिए अस्पष्ट ही रहना चाहिए?
  • क्या निष्कर्षण की विफलताओं और न पढ़े जा सकने वाले दस्तावेज़ों को चुपचाप हटाने के बजाय गिना जा सकता है?
  • क्या हर निष्कर्ष में मूल धारा, तुलना किए मान और नियम संस्करण सुरक्षित हैं, और क्या पूरा साक्ष्य-समूह चैट के बाहर पाया जा सकता है?
  • क्या जाँच Quick की कार्रवाई समय-सीमा के भीतर पूरी हो सकती है, और नतीजे को अनुरोध करने वाले व्यक्ति से कैसे जोड़ा जाएगा?
  • क्या टीम ने अपेक्षित मात्रा के लिए सदस्यता, डेटाबेस और सेवा शुल्क का अनुमान लगाया है, फिर अनुमत डेटा पर प्रदर्शन और नतीजों की गुणवत्ता परखी है?

यदि काम में कानूनी व्याख्या या खुले मानक पर निर्णय चाहिए, तो नियतात्मक सही/गलत लेबल वही निर्णय छिपा सकता है जिसमें इंसान की समीक्षा ज़रूरी है। यदि टीम को प्रतिनिधि उदाहरण चाहिए, तो अर्थगत खोज सरल है। यदि जवाबदेह उपयोगकर्ताओं के लिए पहले से समीक्षित नियम इंजन और डैशबोर्ड उपलब्ध हैं, तो संवाद परत वैकल्पिक है। ये विकल्प AWS पोस्ट की अपनी “कब न चुनें” चर्चा और कृत्रिम नमूने की सीमाओं से निकलते हैं।

स्रोत और आगे पढ़ें

  • AWS Machine Learning Blog, “Sweep thousands of leases for compliance using Amazon Quick and the Adjudicated Query pattern” (2 अक्टूबर 2026)। विक्रेता द्वारा बताई संरचना, कार्रवाइयों का अर्थ, नमूने का विवरण और घोषित विफलता-सीमाएँ। उदाहरण आँकड़े और व्यवहार AWS के विवरण हैं, स्वतंत्र माप नहीं।
  • AWS नमूना रिपॉज़िटरी. README, फ़ाइल-सूची, सेटअप की धारणाएँ और कृत्रिम डेटा, गढ़े कानून तथा उत्पादन तत्परता की स्पष्ट चेतावनियाँ। इस लेख के लिए कोड तैनात या परखा नहीं गया।
  • Amazon Quick MCP इंटीग्रेशन गाइड. मौजूदा कनेक्टर सेटअप, Sync व्यवहार और कार्रवाई की सीमाएँ। इसमें टूल अपडेट करने का तरीका पोस्ट और README से अलग है।
  • Amazon Quick मूल्य निर्धारण और Amazon Aurora मूल्य निर्धारण. वास्तविक कार्यभार का अनुमान लगाने के लिए मौजूदा मूल्य संरचना और लागत के कारक; इनमें से कोई भी इस नमूने की पूरी कीमत नहीं बताता।