Как искусственный интеллект и машинное обучение влияют на судебную ситуацию

Искусственный интеллект уже давно присутствует в нашей повседневной деятельности: от простого поиска в Google до удержания автомобиля в центре полосы движения на шоссе. Однако публичное представление ChatGPT в конце 2022 года приблизило возможности искусственного интеллекта к дому, сделав его доступным для любого, у кого есть веб-браузер. А в юридической отрасли мы наблюдаем рост использования искусственного интеллекта и машинного обучения в судебных процессах, особенно когда речь идет о подготовке свидетелей-экспертов и даче показаний.

Поддержка свидетелей-экспертов всегда требовала передовых аналитических инструментов и методов обработки данных, а искусственный интеллект и машинное обучение становятся все более важными инструментами в арсеналах экспертов. Концепция технологий, способных «думать» и принимать решения, выполняя задачи быстрее и с лучшими результатами, чем люди, вызывает мысли о мире, подобном «Джетсонам», которым управляют роботы. Однако, в отличие от старых мультфильмов Джетсонов 1960-х годов, где летающие автомобили были фактическим видом транспорта, а роботы-ассистенты удовлетворяли все потребности, «футуристические» идеи о влиянии ИИ были не так уж далеки от быстро приближающейся реальности. Фактически, по мере того, как старый ИИ, основанный на правилах, превратился в машинное обучение (ML), где компьютеры запрограммированы на точное прогнозирование результатов, изучая закономерности, обнаруженные в огромных наборах данных, юридическая отрасль обнаружила, что ИИ может сделать гораздо больше, чем многие себе представляли. .

В мире судебных разбирательств силу искусственного интеллекта и машинного обучения уже много лет осознают юридические фирмы, а также экономические и финансовые консалтинговые фирмы. ИИ идеально подходит для поддержки, квалификации и обоснования экспертной работы по судебным вопросам, которая раньше основывалась на сильно ручном процессе для повышения эффективности или качества данных, представленных в свидетельских показаниях. Более того, за последние несколько лет ИИ и МО использовались непосредственно в экспертных показаниях как истцами, так и экспертами защиты.

По иронии судьбы, люди, по крайней мере частично, несут ответственность за более широкое использование искусственного интеллекта и машинного обучения в экспертной работе, поскольку мы производим постоянно растущие объемы пользовательского контента. Например, отзывы потребителей и публикации в социальных сетях становятся все более актуальными в вопросах регулирования и судебных разбирательств, включая дела о мошенничестве потребителей и ответственности за качество продукции. Объем этого контента может быть огромным, поэтому один из знакомых подходов предполагает использование ключевых слов для определения более управляемого подмножества данных для просмотра. Однако это имеет ограничения, поскольку часто приводит к результатам, которые не имеют отношения к делу, но при этом игнорируются релевантные результаты, содержащие новый язык. Напротив, подходы на основе машинного обучения могут рассматривать весь текст, используя контекст и синтаксис для определения лингвистических элементов, которые наиболее точно указывают на релевантность.

Чтобы увидеть этот подход в действии, рассмотрите судебный процесс, связанный с предполагаемыми маркетинговыми искажениями или клеветническими заявлениями, которые требуют изучения спорного контента. Самый надежный анализ является систематическим и объективным, что делает его идеальным для аутсорсинга непротиворечивых данных обучения и беспристрастных моделей, которые являются отличительными чертами современных подходов к искусственному интеллекту и машинному обучению.

Искусственный интеллект и машинное обучение также оказались ценными инструментами для экспертов по широкому спектру вопросов мошенничества с потребителями и ответственности за качество продукции. Хотя некоторые сценарии могут быть очевидными, люди обладают творческим потенциалом, чтобы адаптировать решение к другим вариантам использования. Здесь эти новые применения включают в себя:

Анализ настроений по конкретной предметной области – Общедоступные модели настроений хорошо справляются со многими задачами, но часто не справляются с задачами, в которых используются лингвистические структуры, специфичные для предметной области. Подобная неудача может возникнуть, если поставить задачу измерить настроения вокруг субъекта отрасли, обсуждение которого использует новый или нелогичный язык. Рассмотрим иск о клевете, поданный влиятельным лицом в сфере фитнеса. Такие термины, как «замешательство», «сопротивление» и «до отказа», как правило, имеют негативный оттенок, но в сфере фитнеса они часто используются для описания успешной тренировки. Точно так же жаргонные термины, такие как «пушки» и «измельченный», в контексте фитнеса означают нечто совершенно иное, чем в обычном использовании. В этих случаях модель настроений общего назначения может неправильно охарактеризовать или пропустить такой язык, в то время как обучение модели настроений, специфичной для конкретной предметной области, обеспечит более точную оценку настроений, содержащихся в предположительно клеветнических заявлениях. Этот процесс обучения может включать сбор сотен тысяч отзывов пользователей об отраслевых продуктах, а затем использование контекстно-зависимой языковой модели для прогнозирования оценки отзывов на основе текста. Эта пользовательская модель позволит количественно оценить полярность дискуссии вокруг влиятельного лица, которую затем можно будет отслеживать во времени и вокруг определенных критических событий.