人工智能有潜力帮助经济的所有领域。然而，在通过分析模糊数据进行培训的行业中，这是一个挑战，这些数据可能会继续被人为地偏向。几年前，我在一篇关于针对刑事惯犯的机器学习(ML)的文章中描述了这个有偏见的问题。随着时间的推移，处理偏见的方式发生了变化，值得重新审视这个行业。一种方法是专注于法律职业中不那么有偏见的领域。

与许多刑法相比，税法有更明确的规定。机器学习在人力资源系统的应用出现了很多问题(亚马逊取消了人力资源系统)，而就业法是国家和国家做出明确规定的另一个领域。选择正确法律领域的关键。根据在Blue J Legal与人的对话，似乎重点是规则严格的领域，而不是标准。前者为工程能力提供了清晰的特征，而后者不具备训练精确模型的特异性。"

Blue J Legal是多伦多大学的一门课程，由该校创始人创立，结合了法律和计算机科学技能，试图预测案件。一如既往，挑战在于如何正确分析问题所需的详细信息，以了解数据集的功能。如前所述，税制的选择是第一要务。税法有很多可以设计的规则。然后，您可以适当地标记数据。他们早年从事税务工作后，就开始工作了。

该产品面向正在评估案件的律师。目的是为律师提供每个案件利弊的统计分析。

工程挑战。

需要注意的是，“就业”是一种法律问题。每个问题都必须单独查看，每个问题都有自己的功能。例如，在当今的兼职经济中，“工人是承包商还是雇员？”是个问题。蓝J法律团队提到，他们为每个解决的问题找到了20到70个特征。

这清楚地表明，与ML系统的训练相比，特征工程是一个更大的挑战。这个已经被很多人提到了，但是还是有很多人关注推理引擎，因为它很酷。将数据转化为信息是ML挑战中更关键的部分。

一旦系统经过培训，下一个挑战是让律师提供正确的信息来分析他们当前的案件。他们必须进去.)关于待分析特征的每种情况的信息。

从技术上讲，他们的模型使用决策树。他们确实尝试了其他领域感兴趣的随机森林模型，但发现它们的准确性下降了。

Blue J Legal声称其早期版本可以提供80-90%的准确率。

消除偏差：加号和减号。

通过删除可能导致偏见的变量(例如，男性对女性)，他们可以训练更通用的系统。从纯粹法律的角度来看，这是很好的，但与上述假释制度不同的是，这可能会导致律师对问题的分析出现问题。例如，如果少数族裔候选人在法律系统中受到不良待遇，律师应该知道这一点。Blue J Legal团队表示，他们确实对加拿大和美国的法律数据存在偏见，但指出他们试图解决的两个领域不存在会严重改变结果的偏见。

出于上述同样的原因，他们也忽略了一个偏见的领域。我相信这也是因为营销原因而被忽视的。当他们走向法规更少、标准更高的法律领域时，我可以看到律师的价值是巨大的，因为他们知道分配给案件的法官是根据案件的特点还是原告的特点而有强烈的偏见。然而，如果他们分析法官，我可能会看到其他偏见有所增加，因为法官可能对使用该系统的律师有偏见。这是一个有趣的问题，必须在未来解决。

律师应该如何使用该系统？

抛开偏见，律师面临着明显的道德挑战。比如系统返回告诉律师类似案件70%是针对原告的，律师是否应该受理？法律是一个不稳定的行业，很多情况相似但不尽相同。律师如何确定特定客户是70%还是30%？系统如何提供信息，帮助律师决定接受概率较低的案件还是拒绝概率较高的案件？和其他职业一样，希望律师认真评估结果。但是，就像所有行业一样，忙碌的人走捷径，太多人采用了GIGO的旧缩写，不再是“垃圾进来，垃圾出去”，而是“垃圾进来，福音出去”。

一种帮助的方式是提供法律备忘录。蓝J法律系统提供了律师提供的答案列表，用于：

及每个答案的类似案例。不是律师，我不能说这做得如何，但这是系统的关键部分。就像太多的开发人员专注于引擎而不是功能工程一样，他们专注于引擎，同时最大限度地减少了解释引擎的需求。在应用了机器学习的所有领域，特别是在专业领域，黑匣子系统都不可信赖。必须支持分析，以便律师理解和评估通用决定如何影响其具体案件。

法律是测试AI与人之间融合的有趣途径。自动化不会很快取代律师，但是随着AI的发展，自动化将能够越来越多地为行业内的人们提供帮助，使他们对选择权有更多的了解，并更有效地利用他们的时间。值得关注的是两者之间的平衡。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：