Alkalmazási ÚTMUTATÓ

AI Litigation Outcome Prediction

A mesterséges intelligencia per kimenetelének előrejelzése történelmi bírósági feljegyzések alapján becsüli meg, hogyan viselkedett egy bíró, a bíróság vagy az ellenfél, és hogyan alakulhat az ügy.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A mesterséges intelligencia perének jövője, előrejelzés
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

A tipikus intézkedések közé tartozik, hogy milyen gyakran adnak helyt az indítványoknak, mennyi ideig tartanak az ügyek, és a tipikus kártérítés. Ezek a becslések irányadóak a stratégiára, a költségvetésre, az egyezségre és a peres eljárások finanszírozására, de többnyire történelmi alapkamatlábak, nem pedig egyetlen esetre vonatkozó előrejelzések.

Mély merülés

A peres eljárások elemzése jegyzőkönyvekkel kezdődik. A szövetségi esetek a PACER-en keresztül érhetők el, és a szállítók nagy méretben gyűjtik, tisztítják és osztályozzák ezeket a rekordokat. Az állami bírósági lefedettség foltosabb, mivel a bírósági rendszerek és a hozzáférési szabályok eltérőek. Az olyan termékek, mint a Lex Machina, amelyet a LexisNexis 2015-ben vásárolt meg, valamint a Westlaw és a Bloomberg Law elemzői, intézkedésekké változtatják a fix bejegyzéseket. Példák arra, hogy a bíró milyen gyakran hoz rövidített ítéletet, a tárgyalásig eltelt tipikus idő, az adott típusú ügyben megítélt kártérítés, és hogy egy ügyvédi iroda hogyan járt el a bíróság előtt. A legtöbb, amit ezek az eszközök jelentenek, leíró jellegűek: korábbi alapkamat. Az eredmény előrejelzése tovább megy, és ezeket a funkciókat használja egy adott eredmény valószínűségének becslésére. A tudományos munka ígéretet és buktatókat egyaránt mutat. Katz, Bommarito és Blackman 2017-es modellje az esetek 70 százalékában helyesen jósolta meg az Egyesült Államok Legfelsőbb Bíróságának döntéseit sok évtizeden keresztül. Az Emberi Jogok Európai Bíróságának eseteiről szóló, 2016-os, széles körben idézett tanulmány nagy pontosságról számolt be. A kritikusok ugyanakkor megjegyezték, hogy a bíróság saját írásos tényösszefoglalóját használta, amelyet az eredmény megismerése után készítenek. Számos korlát vonatkozik minden előrejelzésre: A kiválasztási hatások nagyok. A legtöbb eset rendeződik, így az eldöntött esetek nem véletlenszerű minták. Ez a pont a Priest-Klein hipotézishez kapcsolódik; A minták gyorsan zsugorodnak. Lehet, hogy egy bíró csak néhány olyan indítványról döntött, mint az öné; Az eredmény kódolása zavaros. Valakinek minősítenie kell a részleges támogatásokat és a vegyes határozatokat; valamint a jog és a személyzet idővel változik. Vannak politikai korlátok is. 2019-ben Franciaország megtiltotta a bírák személyazonossági adatainak felhasználását szakmai gyakorlatuk értékelésére vagy előrejelzésére. Az a tévhit, amelyet el kell kerülni, az, hogy az alapkamat esélyét olvassa el. A 40 százalékos támogatási arány a múltbeli indítványokat írja le, nem az ön erejét.

Valós megvalósítás

Mielőtt egy szabadalmi ügyben elutasító indítványt nyújt be, a védő ellenőrzi, hogy a kirendelt bíró milyen gyakran adott ilyen indítványokat az elmúlt években, és általában mennyi ideig tartott az ítélethozatal.

A peres eljárás finanszírozója úgy szűri ki a bejövő kereskedelmi vitát, hogy összehasonlítja azt az ugyanazon a helyszínen benyújtott hasonló követelések múltbeli kimenetelével és az alperes egyezségi rekordjával.

A biztosító kárrendezési csapata modellt képez saját zárt aktáira, hogy megbecsülje az új telephelyi felelősségi kárigények elszámolási tartományát.

Egy védelmi csapat összehasonlítja a két szövetségi körzetben az üzleti titokban hozott ítéletekben megítélt kártérítéseket, miközben eldönti, hogy kérjen-e átruházást.

A mesterséges intelligencia perének jövője, előrejelzés

A lefedettségnek növekednie kell, ahogy egyre több állami bíróság digitalizálja iratait, és a nyelvi modellek strukturált eseményeket vonnak ki a dokumentumszövegekből. Több olyan eszközre számítson, amely párosítja a statisztikákat a mögöttes végzésekkel, így az ügyvédek elolvashatják az árfolyam mögött meghozott döntéseket. A szabályozás is számít. Az EU AI-törvénye bizonyos, igazságügyi hatóságok által használt mesterséges intelligencia-rendszereket magas kockázatúnak tekint, és az őszinteségre és a hozzáértésre vonatkozó szakmai szabályok vonatkoznak arra, hogy az ügyvédek hogyan használják fel az előrejelzéseket. Az előrejelzések valószínűleg a költségvetés-tervezés, az elszámolási tartományok és a döntések szempontjából maradnak a leghasznosabbak sok olyan esetben, ahol a hibák átlagosak. Ők maradnak a legkevésbé megbízhatóak egyetlen regényvita során.

A gyakorlatba ültetés

Miért számít

  • Építési lehetőségek. Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
  • Csapat és munkafolyamat. A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
  • Kockázat és biztonság. A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.

Vigyázz

  • Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
  • A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
  • A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.

Következő lépések

  1. Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
  2. Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
  3. Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
  4. Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI Litigation Outcome Prediction quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az AI-per kimenetelének előrejelzése?

A mesterséges intelligencia per kimenetelének előrejelzése történelmi bírósági feljegyzések alapján becsüli meg, hogyan viselkedett egy bíró, a bíróság vagy az ellenfél, és hogyan alakulhat az ügy. A tipikus intézkedések közé tartozik, hogy milyen gyakran adnak helyt az indítványoknak, mennyi ideig tartanak az ügyek, és a tipikus kártérítés. Ezek a becslések irányadóak a stratégiára, a költségvetésre, az egyezségre és a peres eljárások finanszírozására, de többnyire történelmi alapkamatlábak, nem pedig egyetlen esetre vonatkozó előrejelzések.

Az útmutató szerint miről számol be a legtöbb peres elemző eszköz?

A legtöbb kimenet a múltat ​​írja le, például a támogatási arányokat, a tárgyalásig eltelt időt és a károk mértékét. Az eredmény előrejelzése egy további lépés, amely ezekre az arányokra épül.

Miért kérdőjelezték meg a kritikusok az Emberi Jogok Európai Bíróságának 2016-os tanulmányának nagy pontosságát?

Ha a bevitt szöveget a bíróság úgy írta, hogy az eredmény már ismert, az felfedheti az eredményt. Ez megkönnyíti az előrejelzést, mint a bejelentéskor.

Hogyan korlátozza a Priest-Klein hipotézishez kapcsolódó szelekciós hatás az eredmény előrejelzését?

Azok az ügyek jutnak döntésre, amelyek nem rendeződtek, így azok kimenetele nem feltétlenül tükrözi az összes ilyen típusú vitát.

Mit tiltott Franciaország 2019-ben?

A francia szabály az egyes bírákat profilozó elemzéseket célozza meg, nem pedig általában a döntésekhez való hozzáférést.

Ha egy modellnek csak néhány korábbi ítélete van egy adott bíróra és indítványtípusra vonatkozóan, mit javasol az útmutató a nyers arány jelentése helyett?

Ha a becslést egy tágabb átlag felé húzzuk, akkor elkerülhető a zajos szélsőségek bejelentése, mint például a 100 százalékos támogatási arány két döntés alapján.