LawAI法律与人工智能|ai软件与ai人工智能区别
【LawAI法律与人工智能|ai软件与ai人工智能区别】lot物联网小编为你整理了的相关内容，希望能为你解答。
随着世界各地的律师事务所纷纷转向人工智能解决方案，以在数字时代获得竞争优势，德勤2016年的一项题为《培养法律人才:迈入未来律师事务所》的研究预测，2020年将是法律行业的“转折点”，因为人工智能和其他颠覆性力量将加速行业变革。从英国市场来看，该研究指出，自动化已经对行业就业产生了重大影响，减少了数千个秘书职位，同时创造了新的高科技职位。随着自动化转向联系级工作，应该会有更大的变化。德勤预测，到2025年，“由于技术发展的步伐加快，劳动力人口结构的变化，以及为客户提供更物有所值的服务的需要，该行业将发生深刻的变革。”
就法律实践而言，究竟是创新推动效率，还是提高效率的需要推动创新，目前尚不清楚。不管怎样，当我们展望未来时，重要的是要记住，法律界在过去由技术引发的巨变中幸存了下来。同样重要的是，该行业以前对新技术的采用提高了个人从业者和律师事务所的效率。
考虑到该行业之前在新技术方面的经验，你甚至可以说，人工智能解决方案的最终广泛引入可能比从打字机到字处理器的转变(使书面文本能够瞬时修改，而不是编辑、重打或完全废弃)或从书面通信到传真和电子邮件的转变(使实时通信和信息交换成为可能)更加无缝。或者从图书馆研究转向电子数据库和在线搜索引擎(这使得去法院图书馆变得多余)。也就是说，我们正处于法律人工智能的早期阶段，无论律师事务所如何整合这项技术(大多数是授权第三方解决方案，而有些则开发专有系统)，承诺的颠覆都有局限性。
CPDA数据分析师，在本文研究了法律人工智能的现状，重点介绍了当前的应用和未来的潜力以及共同关注的问题
一般来说，“人工智能”这个词没有一个精确的定义，它指的是一个广泛的技术概念。从最基本的形式来看，人工智能是机器执行通常需要人类智力才能完成的任务的能力。计算机可以通过各种旨在模仿或超越人类认知的技术来实现“人工智能”:计算机视觉、自然语言处理和机器学习(下面将讨论)，再加上大数据和现代处理能力。在这方面，人工智能不是单一的技术，而是多种技术的组合，可以在不同程度上实现我们可能认为的“智能行为”(例如，从文本识别到更复杂的预测分析)。
机器学习是人工智能的一个子集技术，CPDA数据分析师课程中同样涉及了很多，可能是人工智能最常见的应用，因为它属于目前法律行业可用的工具。机器学习是指计算机系统通过分析大型数据集和识别模式来“学习”自己的能力，最终允许它得出结论，并做出适用于类似数据的基于概率的预测。
虽然从长远来看，我们预计人工智能将在法律实践中得到无限应用，但目前的应用通常旨在促进合同审查、法律研究和法律结果预测。
合同评审
尽职调查是每一笔并购交易的重要阶段，但它可以说是成本最高、最乏味的阶段，期限很紧。公司律师要花无数个小时在装满目标公司合同的数据室(现在通常是虚拟数据室)中筛选。利用人工智能来促进文件审查过程可能会对尽职调查阶段的成本、人员数量和时间产生重大影响，进而可能会减少整体交易费用和时间框架。
这一领域的人工智能软件(来自解决方案提供商，如Kira Systems、Luminance、eBrevia、Leverton、iManage RAVN和DISCO)已经处于被主要律师事务所广泛采用的阶段。例如，总部位于多伦多的Kira系统公司的旗舰软件Kira已经被加拿大的大型公司广泛采用。Kira能够执行自动合同分析，整体，并且相对快速。一般流程如下:(i)律师将待审阅的文件库上传到安全云;(ii)人工智能系统将文件转换为机器可读的格式(使用光学字符识别);(三)律师根据审查文书的类型和标的物，选择最适合的预设解释模式;(iv)律师选择若干要识别的目标属性(例如，控制权变更条款);(v)人工智能系统自动识别并标记它认为与目标属性匹配的所有字段和子句;(vi)律师审查每个标签以确认准确性并删除误报;以及(vii)人工智能系统将结果格式化为易于阅读的表格格式，然后律师可以导入或添加到尽职调查报告中。
趋势分析是合同审查的另一个关键部分。对公司律师来说，弄清楚在特定“市场”中谈判交易的哪些条款是当前的趋势是一项共同任务。答案通常来自于经验，能够接触到在特定时间范围内(通常是一年)谈判的大量合同，并付出大量努力来解释合同并将结果制成表格。法律协会不时发布交易点研究报告，为特定司法管辖区(例如，美国、加拿大或欧洲)的关键谈判法律问题和交易类型(例如，私人目标vs.公共目标)提供市场指标。在极少数情况下，大公司可能会投入资源手动进行小规模的内部研究。能够一致地、大量地、快速地分析合同的一个副产品是，能够识别趋势和变化，并收集特定条款使用情况的统计数据。例如，人工智能系统将能够识别特定类型的规定的存在或不存在(例如，控制权的变更;重要性刮削)和选择条款的价值(例如，购买价格;赔偿阈值;适用法律)。能够获得大量交易信息(即合同数据)的律所将能够更容易地进行内部研究，使其律师和客户受益。国家和国际公司将特别受益于这种技术的使用，因为它们通常可以在某一特定时期内掌握一组比较大的交易。
人工智能系统在处理大量标准格式合同方面也特别有效，合同条款之间的可变性相对较低，这使得这种系统吸引了企业使用，以管理大量客户和供应商合同的候选人。考虑到公司内部法律部门的压力，传统上，每年可能不得不手动审查数千份商业合同。现在，考虑一下人工智能系统可以审查大量合同(特别是标准形式的合同)并在几秒钟内将结果制成表格的成本和人力节省。预期的成本节约如此之大，以至于摩根大通开发了自己的人工智能系统COIN(合同情报的缩写)，能够识别大约150个属性条款，以促进处理银行每年超过1.2万份标准化信贷合同。类似地，对付款条件的分析可以帮助组织通过确定哪些合同提供提前付款折扣，哪些合同包含延迟付款惩罚，从而优化合同付款。法律人工智能也可能有利于公司的合规部门，因为通常需要确保公司当前的合同符合特定的监管义务和行业标准。
法律研究
基于人工智能的法律研究工具旨在通过促进用户输入、评估结果的相关性和说服力以及预测用户的研究路径来改进上一代研究资源。人工智能驱动的功能已经被传统的市场参与者(如LexisNexis, Westlaw)和新进入者(如ROSS Intelligence)所接受研究提供者已经转向自然语言处理技术，允许用户使用简单的语言提出研究问题，而不必求助于精确且经常令人沮丧的语法(例如布尔运算符)。研究搜索引擎可以从搜索词中解释更广泛的含义，从而产生相关的搜索结果，如果只搜索特定的“关键字”，则可能不会出现这些结果。还有一个重点是呈现最相关的结果，而不是用大量适用的案例法和二手资料来压倒用户。搜索结果可以从一个案例的上下文中找出最有说服力的文本。此外，人工智能系统能够分析文件，自动更新任何引用的来源，并识别缺失的关键资源。后者在分析对手的弱点时尤其有用。
“预测性人工智能工具可以识别特定案件是否有可能在特定法庭获胜，是否在审判前和解更好，如果确实进入审判，则可以采用推荐的策略。”
结果预测
由于人工智能具有吸收和分析大量数据的能力，它可以“学习”识别法律案件结果中的模式，并提供关键的分析信息，以优化诉讼策略。诉讼分析服务提供商(如Lex Machina, Westlaw Edge)收集和处理公共法庭和案件摘要数据。根据案件类型、地点、法官和涉及的一般法律问题，预测性人工智能工具可以识别特定案件是否有可能在特定法院获胜，是否在审判前和解更好，如果确实进入审判，在法庭和主审法官面前执行的建议策略，以及案件的预期时间表。这些信息在管理客户期望时非常有用。
好处、顾虑和限制
如上所述，从长远来看，基于足够的训练数据，人工智能系统可能会降低成本，产生相对一致和准确的结果，并且在比以往任何时候都要短得多的时间内做到这一点。它们还减轻了一些人力资源的限制。人工智能系统不受收益递减定律(例如，疲劳)的影响，这使它们成为处理大量文档的重复任务的理想选择。他们还能够审查几乎任何数量的合同，从而消除了优先考虑高价值合同的需要，从而损害了无法充分服务公司的其他合同。
当然，还有一些问题需要解决。以下担忧是人工智能普遍扩散的常见问题，但它们值得就法律人工智能进行特别讨论。
与采用任何技术一样，实现成本可能很高。对于那些选择在内部开发自己的人工智能系统的公司来说，至少有一家是在客户的支持下这样做的，这是节省成本计划的一部分，从长远来看，这将使双方都受益。使用第三方合同审查服务的大公司很可能是通过分层谈判合同来完成的，通常取决于上传/处理的文件数量或标记的合同条款数量。虽然费用并非微不足道，但考虑到平均而言，需要部署的律师资源将更少，而且时间将更短，仍然可以节省相当多的费用。中小型企业可能会发现，与实施和培训基于人工智能的合同审查系统相关的成本令人望而却步。此外，随着交易规模的扩大，成本节约通常会增加，这对较小的公司不太适用。如今，法律研究服务一般按用户或公司收取固定费用。对于经常依赖案例法研究和二手资源的实践，这些服务通常被认为是具有成本效益的。
许多人担心人工智能技术将取代人力资本。虽然对于那些我们依赖人力劳动的平凡和重复的任务来说，这可能是真的(例如，基本的尽职调查;合同审查)，对于更复杂的任务，我们依赖人类的判断(例如，说服和策略)，情况就不那么好了。此外，法律AI需要专业资源进行培训、监督和AI工作产品的修订。在这方面，法律人工智能应被视为促进法律实践的有力工具，使法律专业人员能够专注于更有刺激性的活动。
合法的人工智能要有效，就必须让人们对其结果的可靠性产生信任。众所周知，有偏见的数据会导致有偏见的人工智能。法律行业应该尽早采取系统的方法来解决偏见问题，特别是在训练人工智能系统时。在可行的情况下，算法决策过程需要透明度，以便专业人员能够评估和挑战偏见的实例。随着法律人工智能在司法系统中的应用越来越多，对这种透明度的需求将变得越来越明显(例如，保释决定中的预测性风险评估;论坛和陪审团选择中的情感分析)。
至于预期，合法的人工智能技术存在一些明显的局限性。随着时间的推移，机器学习人工智能系统将凭借经验带来更准确的结果。但有一些原因可以说明情况并非如此。
首先，与机器学习人工智能系统一样，该系统的准确性通常取决于它是否接受了大量数据的训练，以及随后的人类对结果的验证。目前的合同审查软件可以预先培训某些类型的合同(例如，公司;房地产;金融服务)，并允许公司根据自己的合同档案对软件进行培训。为了准确起见，这种培训一般由专业专家监督。虽然用大量材料训练软件以提高条款识别的准确性似乎是有利的，但公司往往不愿意为此投入律师资源。此外，增加训练带来的准确性的边际提高似乎相对较快地趋于稳定(基于我们与基于人工智能的合同审查软件程序员的讨论)。
其次，法律数据的隔离性质和所有者的占有性质阻碍了法律AI的发展。由于许多原因，包括公司的保密义务，工作成果很少在公司或其客户以外的地方共享，大多数情况下是在执行客户委托所需的有限范围内共享。法律数据的专有性质直接限制了人工智能产品从其训练的汇总数据中学习的能力。人工智能系统通常是在逐个公司的基础上实现的，而不是能够充分利用所有人工智能提供商客户之间的合同池。当一项技术在基于云的软件即服务模式下运行时，任何上传到训练人工智能系统的公司数据通常都存储在隔离的人工智能云中，仅为公司及其客户提供服务，而不是其他。即使数据要匿名化和共享，常用合同的类型、规范其解释的法律、标准做法，甚至文件语言也可能因司法管辖区而异。因此，人工智能系统执行的任何自我学习功能很可能都必须包含在特定的管辖范围内。
第三，基于人工智能的系统本身并不是合同审查过程的灵丹妙药。在实践中，仍然需要大量的人力监督来准备处理的材料，审查和解释结果，并清理产生的报告。例如，人工智能系统通常依赖专业人员来验证标记条款的适用性。虽然人工智能系统在识别大量文件中相关语言的效率最高，但尽职调查文件通常包括非标准化合同。在这种情况下，人工智能合同审查系统会受到误报率的影响，即脱离上下文的关键字会导致不相关条款的错误标记。根据与基于人工智能的合同审查软件用户的讨论，针对使用标准关键词的简单合同条款(例如，终止)的审查，与可能采取多种形式的更复杂条款(例如，最惠国条款)的审查，准确性似乎更高。
第四，一旦人工智能辅助技术变得无处不在，其结果可能会被纳入所有参与者的法律策略。例如，如果普遍使用的诉讼分析工具确定解决正在进行的案件会更好，对方律师可能会在掌握这些知识的情况下进入和解谈判，并可能使用这些知识来获得更有利的和解。同样，决策者(如法官)也可以获得分析性和战略性信息，这就提出了法院应该在多大程度上能够使用此类信息的问题(对此类问题的探讨超出了本文的范围，但我们鼓励其他人更深入地研究可能随之而来的道德和程序问题)。
最后，法律不是一成不变的。它随着法院理论和新立法的演变而变化。同样，商定交易条款的市场标准每年都不一样。因此，基于过时的法律和趋势的人工智能驱动的见解可能会产生不准确的结果和建议。缓和过时法律影响的方法是，让人工智能系统更重视最近的决定和趋势，让主题专家定期监控人工智能算法和结果的准确性，并最终让人工智能系统根据新的法理学和市场标准进行自我更新。(识别坏法的能力在一定程度上已经存在，在法律研究特征中，可以识别由于依赖于被推翻或以其他方式无效的案例而被暗中削弱的判例法。)
那么，我们将何去何从?
多年来，法律技术一直具有图像识别功能(例如OCR)，而最近的人工智能标记技术增加了此类技术的功能和价值。但目前的应用程序主要集中在以有效的方式查找和过滤信息。
一旦基础AI技术证明了自己，用户界面(UI)和用户体验(UX)将会有改进。例如，我们希望看到语音识别与增强的自然语言处理算法相结合的实现，无论是以现有软件的输入法还是语音助手的形式。这样的助手或聊天机器人可以帮助律师和律师助理了解法律程序和搜索结果。
再进一步，通过结合图像识别、语音识别、自然语言处理技术、机器人技术和各种法律应用，机器人法律助理的实现变得非常有可能。
绝大多数从业者还没有使用最新一代的法律人工智能工具。随着律师事务所考虑如何将法律人工智能集成到现有的IT基础设施中，提供商将需要时间来部署全面的、具有成本效益的解决方案，充分利用这项技术的潜力，并让法律专业人员接受它们。但一旦达到临界点，客户很可能会期待这些技术带来的相关好处，从而推动合法人工智能的广泛采用。
与此同时，正如德勤的研究建议的那样，律师事务所“如果想要保持竞争力，并确保吸引最优秀的人才来支持他们的业务，就必须有一个明确的策略来应对这些变化。”
以上内容为【LawAI法律与人工智能|ai软件与ai人工智能区别】的相关内容，更多相关内容关注lot物联网。
