Come l'intelligenza artificiale e l'apprendimento automatico stanno influenzando il panorama dei contenziosi

L’intelligenza artificiale è presente da tempo nelle nostre attività quotidiane, dalla semplice ricerca su Google al mantenere la tua auto centrata nella sua corsia in autostrada. La presentazione pubblica di ChatGPT alla fine del 2022, tuttavia, ha portato la potenza dell’intelligenza artificiale più vicino a casa, rendendola accessibile a chiunque disponga di un browser web. E nel settore legale, stiamo assistendo a un aumento dell’uso dell’intelligenza artificiale e dell’apprendimento automatico nei contenziosi, soprattutto quando si tratta di preparazione e testimonianza di testimoni esperti.

Il supporto di testimoni esperti ha sempre richiesto strumenti analitici e tecniche di data science all’avanguardia, e l’intelligenza artificiale e l’apprendimento automatico sono strumenti sempre più importanti negli arsenali degli esperti. Il concetto che la tecnologia sia in grado di “pensare” e prendere decisioni, portando a termine compiti più rapidamente e con risultati migliori rispetto agli esseri umani, evoca l’idea di un mondo “tipo Jetsons” gestito da robot. Tuttavia, a differenza dei vecchi cartoni animati dei Jetsons degli anni ’60, dove le auto volanti erano di fatto il mezzo di trasporto e gli assistenti robot rispondevano a ogni esigenza, le idee “futuristiche” sull’impatto dell’intelligenza artificiale non erano poi così lontane da una realtà in rapido avvicinamento. Infatti, man mano che l’intelligenza artificiale più vecchia e basata su regole si è evoluta nell’apprendimento automatico (ML) in cui i computer sono programmati per prevedere con precisione i risultati imparando da modelli trovati in enormi set di dati, il settore legale ha scoperto che l’intelligenza artificiale può fare molto di più di quanto molti immaginassero. .

Nel mondo del contenzioso, la potenza dell’AI e del ML è stata compresa da anni dagli studi legali e dalle società di consulenza economica e finanziaria. L’intelligenza artificiale è ideale per supportare, qualificare e comprovare il lavoro degli esperti in questioni relative ai contenziosi, che in precedenza si basava su un processo fortemente manuale per migliorare l’efficienza o la qualità dei dati presentati nelle testimonianze. Inoltre, negli ultimi anni, l’IA e il ML sono stati utilizzati direttamente nelle testimonianze di esperti sia dell’attore che della difesa.

Per ironia della sorte, gli esseri umani sono almeno in parte responsabili del crescente utilizzo dell’intelligenza artificiale e del machine learning nel lavoro degli esperti, poiché produciamo volumi sempre crescenti di contenuti generati dagli utenti. Le recensioni dei consumatori e i post sui social media, ad esempio, stanno diventando sempre più rilevanti in questioni normative e contenziose, compresi i casi di frode dei consumatori e di responsabilità del prodotto. Il volume di questi contenuti può essere travolgente, quindi un approccio familiare prevede l’utilizzo di parole chiave per identificare un sottoinsieme di dati più gestibile da sottoporre a revisione. Ciò è tuttavia limitante, poiché spesso produce risultati irrilevanti per il caso omettendo risultati rilevanti contenenti un linguaggio nuovo. Al contrario, gli approcci basati sul ML possono considerare l’intero testo, utilizzando il contesto e la sintassi per identificare gli elementi linguistici che indicano più accuratamente la rilevanza.

Per vedere questo approccio in azione, prendi in considerazione il contenzioso che coinvolge presunte false dichiarazioni di marketing o dichiarazioni diffamatorie, che richiedono un esame del contenuto in questione. Le analisi più robuste sono sistematiche e oggettive, il che le rende ideali per l'outsourcing a dati di formazione non controversi e modelli imparziali che sono i tratti distintivi degli approcci all'avanguardia all'intelligenza artificiale e al machine learning.

L'intelligenza artificiale e il machine learning si sono rivelati strumenti preziosi per gli esperti in un ampio spettro di questioni relative alle frodi ai consumatori e alla responsabilità del prodotto. Sebbene alcuni scenari possano essere ovvi, gli esseri umani possiedono la creatività necessaria per adattare una soluzione ad altri casi d’uso. Qui, questi nuovi usi includono:

Analisi del sentiment specifico del dominio – I modelli di sentiment disponibili pubblicamente funzionano bene su molti problemi ma spesso falliscono su compiti che presentano strutture linguistiche specifiche del dominio. Tale fallimento potrebbe verificarsi quando si ha il compito di misurare il sentiment che circonda un’entità in un settore la cui discussione presenta un linguaggio nuovo o controintuitivo. Considera una causa per diffamazione presentata da un influencer del fitness. Termini come “confusione”, “resistenza” e “al fallimento” hanno generalmente connotazioni negative, ma nello spazio del fitness sono spesso usati per descrivere un allenamento di successo. Allo stesso modo, termini gergali come “pistole” e “shredded” significano qualcosa di completamente diverso nel contesto del fitness rispetto all’uso convenzionale. In questi casi, un modello di sentiment generico può caratterizzare in modo errato o trascurare tale linguaggio, mentre l'addestramento di un modello di sentiment specifico per dominio fornirà una valutazione più accurata del sentimento contenuto in dichiarazioni presumibilmente diffamatorie. Questo processo di formazione potrebbe comportare la raccolta di centinaia di migliaia di recensioni generate dagli utenti per prodotti del settore e quindi la gestione di un modello linguistico sensibile al contesto per prevedere il punteggio della recensione dal testo. Questo modello personalizzato quantificherà la polarità della discussione che circonda l'influencer, che potrà quindi essere monitorata nel tempo e attorno a determinati eventi critici.