TFL Vsebine / TFLGlasnik

1. Uvod

Le redko katera panoga razpolaga, proizvede in analizira takšno količino vsebinsko raznovrstnih podatkov kot pravo. V zadnjem desetletju smo priča pospešeni digitalizaciji različnih pravnih virov. Digitalizacija ni le omogočila in skrajšala dostopnega časa do pravno pomembnih informacij, razširila je tudi krog njenih uporabnikov. Podatkovno modeliranje, kjer s pomočjo računalniške analize povezav v množici pravnih podatkov odkrivamo zakonitosti z namenom rešitve sistemu neznanih primerov, imenujemo strojno učenje (ang. machine learning). Namen različnih metod računalniško podprte podatkovne analize je pridobivanje strukturiranih informacij, potrebnih bodisi za nadaljnjo uporabo bodisi za končno rešitev določenega pravnega problema. Cilj obdelave podatkov je lahko vsebinska rešitev pravnega problema (npr. napovedovanje izida sodnega postopka), lahko pa tudi poenostavitev različnih pravnih postopkov (npr. pridobitev elektronskega zemljiškoknjižnega izpiska na portalu e-Sodstvo). Kljub temu vsaka obdelava in predelava (pravnih) podatkov še ne predstavlja strojnega učenja.

2. Splošno o strojnem učenju

Profesor računalništva in umetne inteligence nizozemskega rodu Peter Flach je strojno učenje definiral kot proces uporabe relevantnih značilnosti v podatkih (atributih), na podlagi katerih temelji pripravljen model strojnega učenja, katerega cilj je izvedba načrtovane naloge. Atributi predstavljajo odločilni kvalitativni oziroma kvantitativni opis podatka. Značilnost podatka je lahko preprosta z nekaj parametri ali kompleksna z večjim številom parametrov. Naloga je abstrakten prikaz problema, ki ga rešuje sistem strojnega učenja (npr. razvrstitev sodnih odločb na področje civilnega in kazenskega prava). Vmesno fazo med urejanjem podatkov in izvedbo naloge strojnega učenja predstavlja priprava modela strojnega učenja. Našteti trije elementi predstavljajo osnovne gradnike strojnega učenja. Njihovo delovanje uravnava računalniški algoritem, ki skrbi, da je strojno učenje izvedeno v skladu z načrtovanim konceptom.[1] Za izvedbo strojnega učenja so najprimernejši kvantitativni (številčni) podatki, zaradi česar predstavlja reševanje pravnih problemov precejšen umski napor in tehnični izziv. Za pravna razmerja je, za razliko od pojavov v naravoslovju, značilno, da jih je precej težje numerično ovrednotiti.

3. Modeli strojnega učenja v pravu

Evolucijsko so se modeli strojnega učenja, ki so v uporabi v pravu, razvili iz ekspertnih sistemov. Za razliko do strojnega učenja, kjer model za reševanje problema pripravi stroj, temelji pri ekspertnih sistemih računalniški algoritem na delu strokovnjaka. Zato tudi ni mogoče, da se z vsako ponovitvijo algoritem izboljšuje in daje boljše rezultate. Slednje pa je značilnost in prednost strojnega učenja. Pri ekspertnem sistemu so namreč izboljšave vezane ne spremembo algoritma s strani strokovnjaka.

Šele v zadnjem obdobju so se v pravu pričeli uporabljati modeli strojnega učenja v pravem pomenu besede, kjer je model pripravljen računalniško. Tak primer je tehnološko podprta analiza pravnih aktov oziroma TAR (za ang. Technology Assisted Review). Njen namen je priklic pravnih aktov oziroma klavzul z željeno vsebino. Avtorji pravnih aktov so različni, zato sta različni struktura pravnih aktov, posledično pa tudi njihova vsebina, kljub temu, da pravni akti in klavzule urejajo zelo podobne pravne situacije. TAR temelji na nadzorovanem strojnem učenju iskanja vzorcev v podatkih pravnih dokumentov, kjer je model pripravljen na učni množici poljubnih pravnih dokumentov iz celotnega korpusa. Dokumenti učne množice so nato ročno označeni z različnimi stopnjami ustreznosti s strani pregledovalcev. Na podlagi učne množice je v naslednji fazi pripravljen ustrezen algoritem, ki tvori model strojnega učenja. Preostali korpus pravnih aktov je nato v obliki vhodnih podatkov obdelan v procesu strojnega učenja, ki razvrsti pravne akte po njihovi pomembnosti glede na cilj naloge strojnega učenja (npr. razvrščanje pogodb glede na pravno tveganje z vidika posameznih pogodbenih določil). Prednost TAR je časovni prihranek, nemalokrat pa tudi večja natančnost rezultatov, zato so nekatere države (npr. Združene države Amerike, Avstralija, Združeno kraljestvo Velike Britanije in Severne Irske) prepoznale njegovo uporabno vrednost v sodnih postopkih.[2] Preko povratne zanke je nato ocenjena ustreznost testne množice pravnih aktov, kar omogoča izboljšanje algoritma modela strojnega učenja ob podpori povratne informacije s strani pravnega strokovnjaka.

Kljub hitremu tehnološkemu razvoju pa strojno učenje v pravu nedvomno še ni razvilo svojega polnega potenciala in bo šele čas pokazal njegovo pravo dodano vrednost.

[1] Peter Flach: Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Prva izdaja. Cambridge University Press. New York 2012, str. 13.

[2] Michael Legg, Felicity Bell: Artificial Intelligence and the Legal Profession: Becoming The AI-Enhanced Lawyer, v: University of Tasmania Law Review, 38 (2019) 2, str. 34–59.