A jogi szöveg önmagában egy olyan különleges nyelv, amire kihívás a gépi tanulás módszereit alkalmazni – de egyáltalán nem lehetetlen. A cikksorozat záró részében megmutatjuk milyen további eredményeket értünk el, és milyen megállapításokat tettünk az anonimizált bírósági határozatok kategorizálásával kapcsolatban.
Hogyan teljesített a címkéző algoritmus a bírósági határozatok esetében? Milyen eredményeket ért el adat augmentálással a jogászokból és fejlesztő szakértőkből álló csapat? A cikkből további érdekességek derülnek ki a gépi tanulás jogi szövegre történő adaptálásáról.
Mindössze két hónap állt rendelkezésére a fejlesztőknek és a jogász szakértőknek a projekt során arra, hogy egy jól működő címkéző algoritmust hozzanak létre.
Mi a felügyelt és nem-felügyelt gépi tanulás, és melyiket kellett alkalmazni az anonimizált bírósági határozatokon? Mit lehet kezdeni 28.000 pertárgy megnevezéssel, ha megfelelően akarjuk csoportosítani? Cikkünkben mélyebben is bemutatjuk a machine learning gyakorlati oldalát.
A jog területén is utat tört magának a mesterséges intelligencia: egy ún. multi-label klasszifikáló módszerrel tanították az algoritmust nagy mennyiségű joganyagokon.
Összegezzük a kutatás megállapításait, és megmutatjuk, milyen módon lehetett mérni, hogy mekkora volt az egyetértés az egyes résztvevők kategorizálása során.
Jogászok és gépi tanulás: a bírósági határozatok klasszifikálása algoritmus segítségével.
Legyőzte-e az emberi csapat a gépet? El lehet-e fedni a jogászok és laikusok közötti kompetenciabeli különbséget a jogi kategorizálás során? Az előzetesen felrakott címkékkel vagy azok nélkül gyorsabb a címkézés folyamata? Legaltech cikksorozatunk folytatódik.
Jogászok, szerkesztő jogászok és laikusok: a kutatásban eltérő hátterű emberi csoportok mérték össze a tudásukat az algoritmus dokumentumkategorizáló hatékonyságával, teljesítményével szemben.
LegalTech kutatás a gyakorlatban: a bírósági határozatok kereshetősége és klasszifikálása a gépi tanulás segítségével.
