Kézi és gépi tanulás alapú kategorizálás összehasonlítása a jogi informatikában
Ez a cikk több mint egy éve került publikálásra. A cikkben szereplő információk a megjelenéskor pontosak voltak, de mára elavultak lehetnek.
A kutatásban azt vizsgálták, hogy milyen előnyei vannak az anonimizált bírósági határozatok gépi tanulás alapú kategorizálásának.
Az utóbbi években számos különböző machine learning, azaz gépi tanulás alapú megoldás jelent meg a szakmai adatbázisok területén is. Ezek az alkalmazások képesek lehetnek a különböző adatbáziskezelési feladatok munkaintenzitását csökkenteni, és a vállalati adatállomány strukturáltságát és értékét növelni. A programok célja az is, hogy megszabadítsák a munkatársakat a monoton munkavégzést igénylő feladataiktól azért, hogy a sokkal kreatívabb, nagyobb hozzáadott értékkel rendelkező szakértői munkával tudjanak foglalkozni. A mesterséges intelligencia alapú megoldások bevezetése egy szervezet munkafolyamatai közé azonban sok esetben költséges és nagy időráfordítású lehet, ezért érdemes tisztában lenni azok pontos előnyeivel.
A Wolters Kluwer Hungary és a MONTANA Tudásmenedzsment Kft. ezért egy közös kutatásban azt vizsgálta, hogy milyen előnyei vannak a publikusan elérhető, anonimizált bírósági határozatok gépi tanulás alapú kategorizálásának. A kutatás során egy SVM (Support Vector Machine) alapú bináris klasszifikáló, valamint a Jogtár szerkesztőinek, más jogászoknak, illetve jogi végzettséggel nem rendelkező embereknek a dokumentumkategorizáló hatékonyságát hasonlítottuk össze. A feladat az volt, hogy a gép is és az emberek is minden olyan címkét rárakjanak a bírósági határozatokra, amelyek illenek rájuk. A kategorizálásokat a címkézés gyorsasága, pontossága és hatékonysága, valamint a különböző címkézők közötti egyetértés függvényében értékeltük ki.
A kutatásból készült tanulmány megállapításai magyarul holnap induló cikksorozatunkban lesznek olvashatók. Kövesse Ön is keddenként LegalTech témájú cikkeinket A jövő jogásza rovatban!
