Jogtár újdonság: gépi tanuláson alapuló hierarchikus címkéző algoritmust fejlesztett közösen a WK Hungary és a Montana szakértői csapata, melynek eredményei e cikksorozat keretében ismerhetőek meg, a Jogtár felhasználók pedig már a felületen is használhatják az újfajta pertárgy keresőt.
Mi köze az anonimizált bírósági határozatoknak a kék nyakkendős emberekhez? Hogyan tanul az algoritmus, és milyen módszereket használt a Döntvénytár fejlesztői csapata a legújabb keresési lehetőség bevezetéséhez? Most beláthatnak a kulisszák mögé az olvasók: így készült a Jogtár legfrissebb fejlesztése.
A Döntvénytáron már a felhasználók is kipróbálhatják a Jogtár legújabb, gépi tanuláson alapuló pertárgy keresőjét. A cikksorozatban bemutatásra kerülnek a fejlesztés részletei és főbb kihívásai.
Az új típusú, kezdetben a baseballban használt elemző alkalmazások nemcsak a labdajátékokban, hanem a jog területén is hatékonyabb stratégiai döntések meghozatalát segíthetik – legyen szó egy ügyvédi perstratégia összeállításáról, a megfelelő érvelés megfogalmazásáról, egy új munkavállaló felvételéről vagy más döntések támogatásáról.
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.
