Como a IA e o aprendizado de máquina estão impactando o cenário de litígios

A inteligência artificial está presente há muito tempo em nossas atividades cotidianas, desde uma simples pesquisa no Google até manter o carro centralizado na faixa da rodovia. A inauguração pública do ChatGPT no final de 2022, no entanto, trouxe o poder da IA ​​para mais perto de casa, tornando-o acessível a qualquer pessoa com um navegador da web. E no setor jurídico, estamos vendo o uso da IA ​​e do aprendizado de máquina aumentar em litígios, especialmente quando se trata de preparação de testemunhas especializadas e depoimentos.

O apoio de testemunhas especializadas sempre exigiu ferramentas analíticas e técnicas de ciência de dados de ponta, e a IA e a aprendizagem automática são ferramentas cada vez mais importantes nos arsenais dos especialistas. O conceito de que a tecnologia é capaz de “pensar” e tomar decisões, realizando tarefas mais rapidamente e com melhores resultados do que os humanos, evoca pensamentos de um mundo “semelhante aos Jetsons” dirigido por robôs. No entanto, ao contrário dos antigos desenhos animados dos Jetsons da década de 1960, onde os carros voadores eram o meio de transporte de facto e os robôs atendentes atendiam a todas as necessidades, as ideias “futuristas” em torno do impacto da IA ​​não estavam muito longe de uma realidade que se aproximava rapidamente. Na verdade, à medida que a IA mais antiga baseada em regras evoluiu para o aprendizado de máquina (ML), onde os computadores são programados para prever resultados com precisão, aprendendo a partir de padrões encontrados em enormes conjuntos de dados, a indústria jurídica descobriu que a IA pode fazer muito mais do que muitos imaginavam. .

No mundo do contencioso, o poder da IA ​​e do ML tem sido compreendido há anos por escritórios de advocacia e empresas de consultoria económica e financeira. A IA é ideal para apoiar, qualificar e fundamentar o trabalho de especialistas em questões contenciosas, que anteriormente dependiam de um processo fortemente manual para melhorar a eficiência ou a qualidade dos dados apresentados nos depoimentos. Além disso, ao longo dos últimos anos, a IA e o BC têm sido utilizados diretamente em depoimentos de peritos, tanto por peritos do demandante como de defesa.

Ironicamente, os humanos são, pelo menos parcialmente, responsáveis ​​por impulsionar o aumento do uso de IA e ML no trabalho especializado, à medida que produzimos volumes cada vez maiores de conteúdo gerado pelo usuário. As avaliações dos consumidores e as publicações nas redes sociais, por exemplo, estão a tornar-se cada vez mais relevantes em questões regulamentares e de litígio, incluindo casos de fraude ao consumidor e de responsabilidade do produto. O volume desse conteúdo pode ser esmagador, portanto, uma abordagem familiar envolve o aproveitamento de palavras-chave para identificar um subconjunto de dados mais gerenciável para revisão. Isto é limitante, no entanto, uma vez que muitas vezes produz resultados que são irrelevantes para o caso, ao mesmo tempo que omite resultados relevantes contendo linguagem nova. Por outro lado, as abordagens baseadas em ML podem considerar o texto inteiro, usando contexto e sintaxe para identificar os elementos linguísticos que indicam relevância com mais precisão.

Para ver esta abordagem em ação, considere litígios envolvendo alegadas declarações falsas de marketing ou declarações difamatórias, que exigem um exame do conteúdo em questão. As análises mais robustas são sistemáticas e objetivas, tornando-as ideais para terceirização de dados de treinamento não controversos e modelos imparciais que são marcas registradas das abordagens de IA e ML de última geração.

A IA e o ML também provaram ser ferramentas valiosas para especialistas em um amplo espectro de questões de fraude ao consumidor e responsabilidade do produto. Embora alguns cenários possam ser óbvios, os humanos possuem criatividade para adaptar uma solução a outros casos de uso. Aqui, esses novos usos incluem:

Análise de sentimento específica de domínio – Os modelos de sentimento disponíveis publicamente funcionam bem em muitos problemas, mas muitas vezes falham em tarefas que apresentam estruturas linguísticas específicas de domínio. Tal falha pode surgir quando se tem a tarefa de medir o sentimento em torno de uma entidade numa indústria cuja discussão apresenta uma linguagem nova ou contra-intuitiva. Considere um processo por difamação movido por um influenciador de fitness. Termos como “confusão”, “resistência” e “até o fracasso” geralmente têm conotações negativas, mas no espaço de fitness são frequentemente usados ​​para descrever um treino bem-sucedido. Da mesma forma, termos de gíria como “armas” e “retalhado” significam algo totalmente diferente no contexto do fitness do que no uso convencional. Nestes casos, um modelo de sentimento de uso geral pode descaracterizar ou ignorar tal linguagem, enquanto o treinamento de um modelo de sentimento específico de domínio fornecerá uma avaliação mais precisa do sentimento contido em declarações supostamente difamatórias. Esse processo de treinamento pode envolver a coleta de centenas de milhares de avaliações geradas por usuários sobre produtos da indústria e, em seguida, direcionar um modelo de linguagem sensível ao contexto para prever a pontuação da avaliação a partir do texto. Este modelo personalizado quantificará a polaridade da discussão em torno do influenciador, que poderá então ser rastreada ao longo do tempo e em torno de determinados eventos críticos.