Доктор Мэтью Террелл из юридической информационной компании Justis
Доступ к правосудию является важной и актуальной темой, которая не может быть решена в одночасье. Например, растущее количество дел в судах первой инстанции, рассматриваемых в Великобритании, создавая большой и растущий cпрос доступа к прецедентному праву не только для общественности, но и для практиков.
Что касается доступа общественности к прецедентному праву, простое предоставление доступа к обширным онлайн-библиотекам, вряд ли даст желаемый результат. Когда общественность не может получить доступ к прецедентному праву, у нее нет возможности узнать точный статус закона, но когда они действительно имеют доступ к закону, понимают ли они, как интерпретировать и понимать нюансы права?
Для практиков, которые понимают, как ориентироваться и толковать закон, всё еще может быть проблема доступа, наряду с интенсивной задачей навигации в сотни лет судебных решений, которая постоянно обновляется.
Однако, как мы знаем, ignorantia jus non excusat (незнание закона не освобождает от ответственности), что касается как общественности, так и практиков. Поэтому в рамках более широкой дискуссии, крайне важно учитывать важность и ценность экспертных знаний при попытке понять правовую точку зрения. Также важно учитывать роль технологии в поддержке лучшего доступа и доступности для практиков и общественности.
Доступ, доступность и искусственный интеллект
Поскольку незнание закона не является оправданием, адвокату по-прежнему нужно тратить много часов, если не дней, на изучение массы прецедентного права, чтобы найти ответы на вопросы своего клиента. Даже тогда возникает вопрос, рассмотрели ли они все соответствующие источники и выявили все соответствующие случаи. Решение? Искусственный интеллект. Точнее, машинное обучение.
Как объясняет Робин Честерман, руководитель отдела продуктов для Justis: «Доступ к любой юридической информации должен быть дополнен инструментами, помогающими людям понять её. Доступ к документу - это не то же самое, что знать, как перемещаться или искать в этом документе важную информацию, или знать, как этот документ связан с другими документами ».
«Вот почему мы используем машинное обучение для кластеризации* и классификации прецедентного права и законодательства, чтобы помочь нашим клиентам ориентироваться в миллионах доступных им дел. Эта ветвь ИИ также позволяет нам выявлять отношения между делами, эффективно отображая сеть ссылок, которые связывают дела, чтобы помочь практикам находить важные прецеденты и дела, для поддержки своих аргументов за долю времени, которое потребуется для чтения всех последующих суждения», - добавляет он.
*Кластеризация (или кластерный анализ) — это задача разбиения множества объектов на группы, называемые кластерами. Внутри каждой группы должны оказаться «похожие» объекты, а объекты разных группы должны быть как можно более отличны.
Когда сопоставляется сеть цитат, становится возможным представлять отношения между делами различными способами, например, посредством создания визуализаций, которые интерпретируют эти отношения.
Protocol.ua є власником авторських прав на інформацію, розміщену на веб - сторінках даного ресурсу, якщо не вказано інше. Під інформацією розуміються тексти, коментарі, статті, фотозображення, малюнки, ящик-шота, скани, відео, аудіо, інші матеріали. При використанні матеріалів, розміщених на веб - сторінках «Протокол» наявність гіперпосилання відкритого для індексації пошуковими системами на protocol.ua обов`язкове. Під використанням розуміється копіювання, адаптація, рерайтинг, модифікація тощо.
Повний текстCopyright © 2014-2024 «Протокол». Всі права захищені.