AI와 머신러닝이 소송 환경에 미치는 영향

인공 지능은 간단한 Google 검색부터 고속도로 차선 중앙에 자동차를 유지하는 것까지 우리의 일상 활동에 오랫동안 존재해 왔습니다. 그러나 2022년 말 ChatGPT가 공개되면서 AI의 성능이 집에 더 가까워졌고 웹 브라우저를 사용하는 누구나 AI에 액세스할 수 있게 되었습니다. 그리고 법률 업계에서는 특히 전문가 증인 준비 및 증언과 관련하여 소송에서 AI와 머신러닝의 사용이 증가하는 것을 목격하고 있습니다.

전문가 증인의 지원을 위해서는 항상 최첨단 분석 도구와 데이터 과학 기술이 필요했으며, AI와 기계 학습은 전문가의 무기고에서 점점 더 중요한 도구가 되었습니다. 기술이 인간보다 "생각"하고 의사 결정을 내릴 수 있으며, 작업을 더 빠르고 더 나은 결과로 수행할 수 있다는 개념은 로봇이 운영하는 "젯슨과 같은" 세상을 연상시킵니다. 그러나 날아다니는 자동차가 사실상 운송 수단이고 로봇 승무원이 모든 필요를 해결했던 1960년대의 오래된 Jetsons 만화와는 달리, AI의 영향에 대한 "미래지향적" 아이디어는 빠르게 다가오는 현실과 크게 다르지 않았습니다. 실제로 오래된 규칙 기반 AI가 대규모 데이터 세트에서 발견된 패턴을 학습하여 결과를 정확하게 예측하도록 컴퓨터를 프로그래밍하는 기계 학습(ML)으로 발전함에 따라 법률 업계에서는 AI가 많은 사람들이 상상하는 것보다 훨씬 더 많은 일을 할 수 있다는 사실을 발견했습니다. .

소송의 세계에서 AI와 ML의 힘은 로펌, 경제 및 금융 컨설팅 회사에서 수년 동안 이해되어 왔습니다. AI는 이전에 증언에 제시된 데이터의 효율성이나 품질을 개선하기 위해 고도로 수동 프로세스에 의존했던 소송 문제에 대한 전문가 작업을 지원하고, 자격을 부여하고, 입증하는 데 이상적으로 적합합니다. 더욱이 지난 몇 년 동안 AI와 ML은 원고와 변호인 측 전문가 모두의 전문가 증언에 직접 사용되었습니다.

다소 아이러니하게도 인간이 점점 더 많은 양의 사용자 생성 콘텐츠를 생산함에 따라 전문 작업에서 AI 및 ML의 사용 증가를 주도하는 데 적어도 부분적으로 책임이 있습니다. 예를 들어, 소비자 리뷰와 소셜 미디어 게시물은 소비자 사기 및 제조물 책임 사건을 포함한 규제 및 소송 문제와 점점 더 관련성이 높아지고 있습니다. 이러한 콘텐츠의 양은 엄청날 수 있으므로 익숙한 접근 방식 중 하나는 키워드를 활용하여 검토할 데이터의 보다 관리하기 쉬운 하위 집합을 식별하는 것입니다. 그러나 이는 사건과 무관한 결과를 낳고, 새로운 언어가 포함된 관련 결과를 생략하는 경우가 많아 제한적이다. 이와 대조적으로 ML 기반 접근 방식은 관련성을 가장 정확하게 나타내는 언어적 요소를 식별하기 위해 컨텍스트와 구문을 사용하여 전체 텍스트를 고려할 수 있습니다.

이러한 접근 방식이 실제로 실행되는 모습을 보려면 문제의 콘텐츠를 조사해야 하는 마케팅 허위 진술 또는 명예 훼손 진술과 관련된 소송을 고려하십시오. 가장 강력한 분석은 체계적이고 객관적이므로 최첨단 AI 및 ML 접근 방식의 특징인 논란의 여지가 없는 교육 데이터와 공정한 모델을 아웃소싱하는 데 이상적입니다.

AI와 ML은 또한 광범위한 소비자 사기 및 제조물 책임 문제 전반에 걸쳐 전문가를 위한 귀중한 도구임이 입증되었습니다. 일부 시나리오는 명백할 수 있지만 인간은 다른 사용 사례에 솔루션을 적용할 수 있는 창의성을 가지고 있습니다. 여기에서 이러한 새로운 용도는 다음과 같습니다.

도메인별 감정 분석 – 공개적으로 사용 가능한 감정 모델은 많은 문제에서 잘 수행되지만 도메인별 언어 구조를 특징으로 하는 작업에서는 실패하는 경우가 많습니다. 이러한 실패는 참신하거나 직관에 반하는 언어를 사용하는 논의가 있는 업계에서 기업을 둘러싼 정서를 측정하는 작업을 맡을 때 발생할 수 있습니다. 피트니스 인플루언서가 제기한 명예훼손 소송을 생각해 보세요. "혼란", "저항", "실패에 대한"과 같은 용어는 일반적으로 부정적인 의미를 갖지만 피트니스 분야에서는 성공적인 운동을 설명하는 데 자주 사용됩니다. 마찬가지로, "총" 및 "파쇄된"과 같은 속어는 피트니스 상황에서 기존 사용과 완전히 다른 의미를 갖습니다. 이러한 경우 범용 정서 모델은 해당 언어를 잘못 특성화하거나 간과할 수 있지만, 영역별 정서 모델을 훈련하면 명예훼손 진술에 포함된 정서를 보다 정확하게 평가할 수 있습니다. 이 교육 프로세스에는 업계 제품에 대한 수십만 개의 사용자 생성 리뷰를 수집한 다음 상황 인식 언어 모델에 지시하여 텍스트에서 리뷰 점수를 예측하는 작업이 포함될 수 있습니다. 이 사용자 정의 모델은 인플루언서를 둘러싼 토론의 극성을 정량화한 후 시간 경과에 따라 특정 중요한 이벤트를 중심으로 추적할 수 있습니다.