การใช้ LLM ในงานตัดสินความรับผิด (เช่น คดีความทางกฎหมายหรือข้อพิพาทบริการรถรับส่ง) มักเจอปัญหาทักษะในระบบล้าสมัยหรือคำอธิบายทักษะที่กว้างเกินไปจน AI ทำงานผิดพลาด KDASO (Knowledge-Data Dual-Driven Automated Skill Optimization) จึงถูกสร้างขึ้นเพื่อพัฒนาคลังทักษะ (Skill Library) ให้ทันสมัยและสอดคล้องกับตรรกะของผู้เชี่ยวชาญ
ระบบนี้ใช้เทคนิค 3 อย่าง: การสร้างทักษะใหม่จากข้อมูลตัดสินล่าสุด (Neighborhood-conditioned induction), การปรับปรุงทักษะตามการวิเคราะห์เส้นทางการทำงานของ LLM (Execution-aligned refinement) และการเลือกใช้ทักษะที่ประหยัดพื้นที่บริบท (Context-budgeted routing) ผลการทดสอบพบว่า KDASO ให้ประสิทธิภาพสูงกว่าระบบพื้นฐานทั่วไป และยังสามารถถ่ายโอนทักษะ (Transfer) ไปยังสถานการณ์ที่ใกล้เคียงกันได้ดีขึ้น 8.96% ซึ่งแสดงถึงความเสถียรและความเป็นสากลของทักษะที่ถูกสร้างขึ้น
