Slajdy z prezentacji dr Michała Araszkiewicza i dr Tomasza Żurka przedstawionej na seminarium: Technologie informatyczne w usługach prawnych – szanse i ryzyka.
Warszawa -11.05.2017
1. Your Name
Your Title
Your Organization (Line #1)
Your Organization (Line #2)2005-12-31
Sztuczna inteligencja w
prawie
Michał ARASZKIEWICZ
Uniwersytet Jagielloński
Kraków, Poland
Tomasz ZUREK
Uniwersytet Marii Curie-
Skłodowskiej
Lublin, Poland
Technologie informatyczne w usługach prawnych –
szanse i ryzyka
2. 2
Kilka słów o autorach
Od kilku lat pracujemy wspólnie nad modelowaniem
rozumowań prawniczych przy wykorzystaniu narzędzi AI
(sztucznej inteligencji)
Michał Araszkiewicz – dr nauk prawnych (UJ), radca prawny,
członek Komitetu Wykonawczego International
Association for Artificial Intelligence and Law
Tomasz Żurek - dr nauk technicznych (UMCS), inż.
informatyk, członek International Association for Artificial
Intelligence and Law
3. Cele tej prezentacji
Przedstawienie panoramy zagadnień dotyczących
stosowania metod sztucznej inteligencji celem wsparcia
pracy prawników.
Perspektywa „z lotu ptaka” – nie omawiamy szczegółowo
formalnych modeli ani funkcjonalności poszczególnych
programów komputerowych.
Prezentujemy historię badań z zakresu AI and Law oraz ich
stan aktualny, w tym otwarte problemy.
4. Co właściwie robią prawnicy?
Na użytek tej prezentacji – adwokaci/radcowie prawni (nie
sędziowie, notariusze etc.)
Ochrona prawna interesów klienta!
Czynności merytoryczne
• Ustalanie stanu faktycznego (w tym analiza dokumentów)
• Doradzanie
• Opiniowanie
• Tworzenie dokumentów (umowy, oświadczenia, uchwały…)
• Negocjacje
• Reprezentacja procesowa
Czynności pozamerytoryczne
• Zarządzanie (sprawami, kalendarzem, personelem)
• Finanse
• Business development
5. Czynności merytoryczne
Cztery zasadnicze zadania:
1. Wyszukiwanie informacji
(w tym odkrywanie nowych informacji)
2. Klasyfikacja informacji
3. Ocena stopnia istotności sklasyfikowanej informacji
4. Wyprowadzenie wniosków co do decyzji - na podstawie
(1-3)
6. Czynniki złożoności
●
Obszerność materiałów
●
Częste zmiany
●
Wady materiałów (wieloznaczność, redundancja, błędy
syntaktyczne, błędy merytoryczne)
●
Dostępność materiałów
●
Konieczność posługiwania się wiedzą pozatekstową
(specjalistyczną, zdroworozsądkową)
●
Podejmowanie decyzji w warunkach niepewności
●
Np. przewidywanie działań innych podmiotów: organów,
przeciwnika procesowego
●
Dyskrecjonalność organów
●
Rola ocen i wartościowań
●
Interes Klienta a jego preferencje
7. Typy błędów
1. Przyjęcie twierdzenia, że X, chociaż nie-X.
2. Nie przyjęcie twierdzenia, że X, chociaż X.
Szczególny przypadek: przyjęcie twierdzenia, że nie-X,
chociaż X.
Mają one miejsce na wszystkich szczeblach rozumowań.
Wyszukiwanie: wyszukanie ustawy X jako obowiązującej,
chociaż ona (już, jeszcze) nie obowiązuje.
Klasyfikacja: nie sklasyfikowanie orzeczenia O jako
stosowalnego w sprawie S, chociaż jest ono stosowalne.
Ocena stopnia istotności: przyjęcie, że argument A jest
nieistotny w sprawie S, podczas gdy jest on rozstrzygający.
Podjęcie decyzji: pominięcie decyzji D, chociaż ona najlepiej
chroni interes Klienta.
8. Pojęcie Artificial Intelligence – sztucznej inteligencji
Notoryjnie kontrowersyjne.
Ostatnio często pisze się o super-inteligencji.
Dla poniższych rozważań: wszelkie programy komputerowe,
które są w stanie wyprowadzać wnioski z przedstawionych
im danych wykazujące przynajmniej jedną z poniższych
cech:.
• Możność uczenia się
• Autonomia decyzyjna
• Możność przedstawienia uzasadnienia dla
przeprowadzonego rozumowania
• Intencjonalne odnoszenie się do rzeczywistości
• Przetwarzanie języka naturalnego
9. AI and Law
1. Obliczeniowa teoria rozumowań prawniczych –
symulowanie rozumowań prawniczych w programach
komputerowych.
2. Rozwiązywanie zadań prawniczych przez AI – tworzenie
systemów generujących odpowiedni output, ale nie
symulujących rozumowań prawniczych.
3. Prawo jako materiał ilustracyjny – testowanie narzędzi
ogólnego AI na materiałach prawnych i prawniczych (np.
systemów przetwarzania języka naturalnego).
4. Nowoczesna informatyka prawnicza – wsparcie działań
nie związanych bezpośrednio z pracą merytoryczną
prawników (głównie wyszukiwanie i klasyfikacja
informacji).
10. 10
Historia
Systemy ekspertowe we wspomaganiu ekspertyz
prawniczych:
Początki w latach 70-tych XX-go wieku (L. Thorne McCarty: TAXMAN)
Rozwój lat 80-tych (H. Yoshino: LES, M. Sergot i inni: “British
Nationality Act as logic program” i inne)
Krytyka z końca lat 80tych i początku 90tych: bardzo wąski zakres
zastosowań, nierealistyczny obraz wiedzy I wnioskowań prawniczych.
Systemy Case-based Reasoning z przełomu lat 80tych i 90tych (K.
Ashley: HYPO, K. Ashley, V. Aleven: CATO)
Rewizja podejścia do modelowania wnioskowań prawniczych:
modelowanie argumentacji, modele reprezentacji wiedzy prawniczej
Systemy data retrieval i NLP: wyszukiwanie referencji, klasyfikacja
dokumentów, itp.)
11. 11
Obszary badawcze (przykłady)
●
Modelowanie wnioskowań prawniczych i argumentacji
(modele deskryptywne i normatywne)
●
Modelowanie aktów prawnych
●
Wnioskowanie dowodowe i probabilistyka
●
Systemy dialogowe i negocjacyjne
●
Modelowanie działań autonomicznych agentów w
regulowanym środowisku
●
Argumentation mining
●
Analiza i wyszukiwanie precedensów
●
Wyszukiwanie odwołań i relacji między aktami prawnymi
●
Wykrywanie nadużyć
12. 12
Potencjalne kierunki rozwoju: szanse i pułapki
Systemy oparte na wiedzy vs Machine Learning
Problemy systemów opartych na wiedzy:
Zawodne mechanizmy wnioskowania
Argumentacja
Wiedza zdroworozsądkowa.
Gwałtowny rozwój technik opartych na machine learning i
NLP (IBM Debater, LUIMA)
Problem źródła
Problem wiarygodności
Problem uzasadnień
Problem ogólności
13. 13
Potencjalne kierunki rozwoju: szanse i pułapki
Autonomiczny agent w środowisku prawnym (autonomiczne
samochody, autonomiczne elementy Internet of Things)
Niedeterministyczne środowisko pracy
Trudności w nauczeniu się właściwych zachowań w
ekstremalnych sytuacjach
Czy i kiedy można łamać prawo?
14. 14
Potencjalne kierunki rozwoju: szanse i pułapki
Inteligentne wyszukiwanie
●
Argumentation mining
●
Bazy orzeczeń
●
Pomoc w argumentacji
Trudności
●
NLP
●
Wyszukiwanie na wielu poziomach ogólności
15. 15
Potencjalne kierunki rozwoju: szanse i pułapki
Umowy i inne dokumenty merytoryczne
●
Smart contracts
●
Automatyczne generowanie projektów umów, oświadczeń,
instrukcji, uchwał, polityk…
●
Automatyczne generowanie projektów pism procesowych
Trudności
●
Wykrywanie sprzeczności w dokumentach
●
Uzasadnienia
16. 16
Przyszłość
Integracja systemów NLP i Machine Learning z formalnymi
modelami argumentacji i wnioskowania
Argumentation Mining – zwykle proste rozróżnienie na
argumenty „za” i „przeciw”
W prawie mamy do czynienia z różnymi i wyrafinowanymi
mechanizmami rozumowań, interpretacji, ataków,
podważeń itp.
Skuteczna analiza orzeczeń i dokumentów wymaga
rozpoznania tych wszystkich elementów argumentacji.
17. Sztuczna inteligencja a praktyka prawnicza
●
„Zatrudnianie” robotów w kancelariach prawnych jako
chwytliwe hasło.
●
Poszukiwanie przewagi konkurencyjnej.
●
Wyszukiwanie argumentów – lepsza konstrukcja pism
przedprocesowych i procesowych.
●
Wyszukiwanie sprzeczności i innych niespójności w
materiałach przeciwnika.
●
Semi-automatyzacja tworzenia niektórych pism
●
zła wiadomość dla asystentów prawnych.
●
Linkowanie posiadanych danych (w taki sposób, do jakiego
nie mają dostępu inne kancelarie).
●
Ocena wielkoskalowych trendów, np. w orzecznictwie.
Wizualizacje.
18. 19
Czasopisma i konferencje
Czasopisma
●
Artificial Intelliegnce and Law
●
Artificial Intelligence
●
International Journal of Approximate Reasoning
●
Expert Systems with Applications
●
…
Konferencje
●
International Conference of Artificial Intelligence and Law
●
JURIX
●
COMMA
●
...
19. Your Name
Your Title
Your Organization (Line #1)
Your Organization (Line #2)
20
Dziękujemy
zurek@kft.umcs.lublin.pl
michal.araszkiewicz@uj.edu.pl
Technologie informatyczne w usługach
prawnych – szanse i ryzyka