[AI Search] LOCUS: 검색 가능한 지역 법령 코퍼스를 만드는 일

Freeing the Law with LOCUS: A Local Ordinance Corpus for the United States

Denis Peskoff et al. (2026)- arXiv

한 줄 요약

LOCUS는 미국의 municipal / county ordinance code를 대규모로 수집해 OCR, 정제, segmentation, metadata, county-level access layer로 묶은 local law corpus다.

AI Search 관점에서 이 논문은 모델 논문이 아니라, 검색 시스템에서 가장 자주 과소평가되는 문제를 다룬다.

좋은 법률 AI는 좋은 법률 코퍼스 없이는 불가능하다.

왜 AI Search에 중요한가

법률 AI라고 하면 보통 case law, statute, contract benchmark를 떠올린다. 그런데 실제 생활에 영향을 주는 많은 규칙은 local ordinance에 있다.

zoning
housing
business licensing
public health
noise
animal control
local enforcement

문제는 이 데이터가 machine-readable corpus로 잘 정리되어 있지 않았다는 점이다. vendor platform은 사람 browsing에는 적합하지만, 연구자나 AI system이 bulk로 접근하기 어렵다.

LOCUS는 이 빈칸을 채우려는 작업이다.

핵심 기여: corpus와 access layer를 분리한다

논문이 보고한 규모는 꽤 크다.

raw corpus: 9,239 city / county code PDF
원본 raw corpus 크기: 약 80GB
released corpus: 2,211,516 text chunks
county-harmonized LOCUS access layer: 3,144개 county 중 가장 큰 2,309개 county coverage
population 기준으로는 미국 인구의 **94%**를 대표하는 county code를 제공한다고 보고한다.

여기서 중요한 설계는 raw corpus와 county-harmonized access layer를 나눈 것이다.

raw corpus는 가능한 많은 local code를 담고, access layer는 county 단위로 비교하고 검색하기 쉽게 만든다.

왜 OCR이 핵심인가

local ordinance는 다양한 형태로 존재한다.

born-digital PDF
scanned document
single-column / double-column layout
page header와 footer
table of contents
section이 page를跨는 경우
vendor-specific formatting

LOCUS는 LightOnOCR-2-1B를 사용해 page image를 Markdown text로 변환한다. 이후 pipeline은 header, footer, page number 같은 artifact를 제거하고, page를跨는 문단과 표를 이어 붙인 뒤, section과 subsection을 법 조항 단위로 segment한다.

AI Search에서는 이 단계가 매우 중요하다. OCR과 segmentation이 깨지면 retrieval model을 아무리 좋아도 잘못된 chunk를 찾게 된다.

annotation: 구조물과 실질 법 조항을 나눈다

수집된 text chunk에는 실제 법 조항뿐 아니라 목차, 헤더, 구조적 텍스트도 섞여 있다. LOCUS는 이를 분리하기 위해 zero-shot LLM annotation과 ModernBERT 기반 classifier를 함께 쓴다.

논문은 OpenAI GPT-5.4 nano를 대규모 annotation의 cost-effective option으로 사용하고, 어려운 5.5% 샘플은 더 비싼 GPT-5.4로 second pass 평가를 한다. 이 second pass에서 64,977 / 108,889 prediction이 일치했다고 보고한다.

최종적으로는 ModernBERT-base classifier와 scorer를 학습해 전체 corpus에 inference한다.

분류 축은 예를 들면 다음과 같다.

substantive law인지 구조적 content인지
function label
topic label
opacity
enforcement discretion
paternalism
problem salience

opacity, enforcement discretion, paternalism, salience 같은 축은 단순 검색어 매칭으로는 잡기 어렵다. corpus를 분석 가능한 legal data로 바꾸는 annotation layer다.

TrueSkill과 scorer

흥미로운 부분은 법 조항의 추상적 속성을 점수화하는 방식이다. 논문은 각 dimension마다 pairwise comparison을 만들고 TrueSkill로 점수를 추정한 뒤, ModernBERT scorer가 이를 예측하도록 학습한다.

보고된 scorer와 TrueSkill 값의 Pearson correlation은 dimension별로 0.82에서 0.94 사이다.

이건 법률 검색에서 꽤 큰 의미가 있다. 단순히 “noise ordinance”를 찾는 것을 넘어, 다음 같은 query가 가능해진다.

enforcement discretion이 높은 조항
opacity가 높은 조항
paternalistic한 조항
salience가 큰 local rule

AI Search stack에서의 위치

LOCUS는 retrieval model 이전의 ingestion / corpus layer다.

vendor PDFs / scanned codes
  ↓
OCR
  ↓
post-processing
  ↓
section segmentation
  ↓
classification / scoring
  ↓
county-harmonized index
  ↓
legal search / analytics / AI agent

법률 AI에서 이 레이어가 없으면 모델은 “법을 안다”고 말하지만 실제 local law에는 접근하지 못한다.

실무적으로 생각해볼 점

1. corpus coverage metadata가 중요하다

법률 검색에서 “못 찾았다”는 답은 위험하다. 실제로 법이 없는 것인지, corpus coverage가 없는 것인지 구분해야 한다.

LOCUS가 coverage metadata를 강조하는 이유도 여기에 있다.

제품에서는 다음을 명시해야 한다.

이 지역 code가 포함되어 있는가
city code인지 county code인지
최신성은 어떤가
OCR 품질은 어떤가
coverage gap이 있는가

2. chunking은 법률 단위와 맞아야 한다

일반 RAG처럼 일정 token 길이로 자르면 법 조항의 section structure가 깨질 수 있다. LOCUS는 section과 subsection header를 식별해 법 조항 단위로 segment한다.

법률 검색에서는 chunk가 곧 legal citation unit이기 때문에, segmentation이 답변 품질과 citation 품질을 동시에 결정한다.

3. annotation은 검색 가능성을 확장한다

opacity, paternalism, enforcement discretion 같은 score는 단순 keyword search로는 어렵다. 하지만 이런 metadata가 있으면 법률 AI는 단순 QA를 넘어 비교 분석을 할 수 있다.

예를 들어:

주별로 opaque ordinance가 많은 영역은 어디인가?
curfew 관련 조항은 어느 지역에 집중되는가?
enforcement discretion이 높은 조항은 어떤 topic에 많은가?

한계와 조심할 점

OCR 기반 corpus이므로 OCR error와 layout error가 남을 수 있다.
LLM-as-a-judge annotation은 비용 효율적이지만 법률 전문가의 직접 평가를 대체하지는 못한다. 논문도 lawyer와 judge evaluation이 필요하다고 말한다.
local ordinance는 업데이트가 잦다. corpus는 snapshot이므로 freshness 관리가 필요하다.
county-harmonized access layer는 비교 가능성을 높이지만, city와 county의 법적 권한 차이를 단순화할 위험이 있다.
미국 local law corpus이므로 다른 국가의 법 체계에 바로 적용되지는 않는다.

제 해석

LOCUS의 가치는 “법률 QA benchmark 하나 추가”가 아니다. 법률 AI에서 가장 어려운 부분 중 하나는 법률 텍스트를 실제로 검색 가능한 형태로 해방하는 일이다.

검색 모델을 바꾸기 전에, 법이 어디에 있고, 어떤 단위로 쪼개야 하며, 어떤 coverage gap이 있고, 어떤 metadata가 필요한지 정리해야 한다.

AI Search stack에서 LOCUS는 하단부의 데이터 인프라 논문이다. 그리고 보통 이런 논문이 제품 품질을 가장 크게 좌우한다.

정리

LOCUS는 local ordinance를 AI와 연구자가 다룰 수 있는 corpus로 바꾸는 작업이다. OCR, segmentation, annotation, coverage metadata, county-level access layer가 결합되어야 법률 검색과 legal analytics가 가능해진다.

이번 다섯 편을 관통하는 흐름도 비슷하다. 검색은 더 이상 “벡터로 찾아서 요약”이 아니다. world simulation, small verifier, provenance, scene decomposition, corpus construction까지 모두 검색 시스템의 일부가 되고 있다.

참고 자료

arXiv: Freeing the Law with LOCUS
Dataset: LocalLaws/LOCUS-v1