Kunstmatige intelligentie transformeert de traditionele levering van juridische diensten.

In algemene termen, de reeks tools die algemeen "juridische analyse" wordt genoemd, belooft twee dingen te doen:de efficiëntie verhogen van taken die ooit veel tijd en menselijke inspanning vergden, en ontgin massa's gegevens om nieuwe inzichten te ontdekken die voorheen ontoegankelijk waren.

Als rechtsgeleerden, we zijn enthousiast over de belofte om deze tools toe te passen op juridische onderzoeksvragen. In de staat Georgia, we bouwen interdisciplinaire onderzoeksteams met juristen en datawetenschappers die zij aan zij werken. Ook studenten doen mee zodat we de volgende generatie advocaten kunnen opleiden om deze tools in hun eigen praktijk te gebruiken.

Juridische taken transformeren

Stel dat een bedrijf wil voorspellen welke klachten van werknemers tot rechtszaken leiden. historisch, het bedrijf kan een team van analisten en advocaten aanstellen om klachtendossiers te doorzoeken, personeelsdossiers en gerechtelijke documenten, zoeken naar een patroon dat op een procesrisico kan wijzen. Dit moeizame proces kan maanden duren en een leger van mensen vereisen om duizenden pagina's tekst te verwerken.

Door deze taak in plaats daarvan te behandelen als een datawetenschapsprobleem, worden de snelheid en efficiëntie drastisch verbeterd. Een algoritme kan de belangrijkste tekst in bulk extraheren en voor analyse samenstellen. Menselijke tijd en aandacht zou dan alleen op de relevante informatie worden getraind. Het arbeidsintensieve zoekproces zou worden geëlimineerd.

De nieuwe generatie analysetools kan meer dan alleen het aantal arbeidsuren verminderen. Technieken zoals machinaal leren - een soort kunstmatige intelligentie waarbij computers recursief kunnen leren van een reeks voorbeelden zonder dat ze expliciet zijn geprogrammeerd om dit te doen - kunnen de ontdekking van nieuwe patronen mogelijk maken die buiten het bereik van handmatige analyse liggen. Bijvoorbeeld, in het bovenstaande scenario, een algoritme kan misschien voorspellen of een bepaalde klacht van een werknemer zal leiden tot een rechtszaak.

In ons laboratorium, we testen de toepassing van analysetools op een breed scala aan juridische vragen. We hebben alle arbeidsrechtszaken in de Amerikaanse districtsrechtbank voor Noord-Georgië geanalyseerd om te begrijpen welke zaken winnen en verliezen en om kenmerken van zaken te identificeren, zoals rechters, advocaten en moties die de uiteindelijke uitkomst van een zaak kunnen beïnvloeden.

Bijvoorbeeld, we hebben gevonden dat, wanneer een motie door de voorzitter van de districtsrechtbank is doorverwezen naar een magistraat voor een voorlopig rapport en een aanbeveling, de aanbeveling van de magistraat was de sterkste voorspeller van de uiteindelijke beslissing van de rechter. Dit roept interessante vragen op, die we verder onderzoeken, over de rol van besluitvormers bij het oplossen van juridische geschillen.

Big data benutten

Juridische analyse spreekt tot de verbeelding van zowel advocaten als onderzoekers. In een recente wedstrijd in het Verenigd Koninkrijk, 100 advocaten van Londense topfirma's werden geconfronteerd met een kunstmatige-intelligentietool om de uitkomst van honderden eenvoudige financiële geschillen te voorspellen. De robot won met ruime marge, 86,6 procent van de gevallen correct voorspellen, terwijl de mensen slechts 66,3 procent correct voorspelden. De tool was iets aan het 'leren' over de geschillen die de mensen misten, advocaten verslaan in hun eigen voorspellingsspel.

Natuurlijk, niet alle juridische problemen worden netjes teruggebracht tot een reeks variabelen, en menselijk gedrag volgt niet altijd detecteerbare patronen. Predictive tools werken minder goed als de relevante dataset klein is, of wanneer de te analyseren tekst zo gevarieerd en eigenzinnig is dat patronen moeilijk te ontdekken zijn.

Vooruitgang kan ook gevaar opleveren. Historische gegevens over gebeurtenissen in het verleden bevatten vaak vooroordelen en onnauwkeurigheden, wat betekent dat zelfs de meest geavanceerde computercode, wanneer ze afval krijgen, kan in ruil daarvoor alleen afval produceren. Bail-setting algoritmen, bijvoorbeeld, zijn bekritiseerd voor het bestendigen van raciale vooroordelen in het strafrecht.

Als advocaten te veel van onze beslissingen delegeren aan algoritmen, dan zijn we voorbestemd om onze historische patronen en fouten te herhalen. Bijvoorbeeld, algoritmen voor het voorspellen van rechtszaken die zijn getraind op zaken van gepensioneerde rechters of verouderde jurisprudentie, kunnen nieuwe ontwikkelingen missen en een onnodig conservatieve handelwijze aanbevelen.

Uiteindelijk, een robotadvocaat is een slechte vervanger voor een menselijke advocaat. Het menselijk oordeel zal een cruciaal ingrediënt blijven in de rechtspraktijk. Wat zal veranderen, is wanneer het wordt gebruikt om informatie uit andere systemen te vergroten.

Wat nieuwe advocaten moeten weten

Als de rechtspraktijk verandert, dan betekent dat dat onderdelen van het juridisch onderwijs moeten veranderen, te.

Sommige toekomstige advocaten zullen afstuderen als computerprogrammeur, in staat om de code te schrijven die ten grondslag ligt aan juridische analysetools. Anderen zullen deskundige consumenten worden van de resultaten die door deze tools worden geproduceerd, de output kritisch kunnen beoordelen. Onze instelling ontwikkelt een duale graad in analyse en recht, evenals concentraties binnen de J.D. en LL.M. programma's.

Wij zijn van mening dat alle rechtsscholen moeten worstelen met hoe ze de studenten van vandaag kunnen opleiden voor een toekomstige praktijk. Hoe transformerend, uiteindelijk, juridische analyse is een hulpmiddel. De advocaten van morgen moeten bereid zijn de voordelen ervan te benutten, terwijl ze ook begrijpen waar die voordelen eindigen en menselijk oordeel begint.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.