Թարմացվել է 2026-ի համար
Ռեդակտավորման ձախողման երկու ձև
Իրավաբանական թիմերը բախվում են ձախողման երկու ձևի: Երկուսն էլ ենթակա են իրական պատասխանատվության:
Ցածր ռեդակտավորումը ի հայտ է բերում արտոնյալ տվյալներ կամ անձնական տեղեկություններ, որոնք պետք է թաքնված մնան: Կողմը բացահայտում է նյութ, որն ուներ հիմք — և հաճախ պարտականություն — պաշտպանելու:
Գեր-ռեդակտավորումը թաքցնում է փաստեր, որ հակառակ կողմի փաստաբանն իրավունք ունի տեսնելու: Դատարանները սա մեկնաբանում են որպես խոչընդոտ: Դա հայտնաբերման խախտում է, որը ենթակա է պատժամիջոցի:
AI-գործիքներ, որոնք հիշողությունն ավելի շատ են գնահատում քան ճշտությունը, երկրորդ խնդիրն ստեղծում են ծրագրային կերպով: Մի AI-շարժիչ, որ փաստաթղթի 80%-ը ծածկում է, ոչինչ բաց չի թողնում: Բայց արդյունքն անօգտագործելի է: Կարող է նաև դատական պատժամիջոցների ենթարկվել:
Երկու ձախողումներն էլ հանգեցնում են նույն տեղ. դատավոր, բացատրություն, ծախսեր:
Schnitzer Steel-ի գործը (2024)
2024-ի Athletics Investment Group v. Schnitzer Steel գործը ցույց է տալիս, թե ինչպես են դատարաններն անհամապատասխան փաստաթղթերի արգելափակման հետ վարվում:
Մի կողմ ունեցավ ռեդակտավորված փաստաթղթեր լայն նշումներով: Հակառակ կողմի փաստաբանն առարկություն ներկայացրեց: Դատարանն ուսումնասիրեց նյութերը: Պարզ եղավ, որ նշումները գերազանցում էին օրենքի թույլ տվածը:
Արդյունքը. պատժամիջոցներ Դաշնային քաղաքացիական դատավարության կանոնի 37-րդ հոդվածի համաձայն: Ապացուցող կողմը վճարեց թերի գործընթացի համար:
Այդպիսի պատժամիջոցներ նոր չեն: Դատարաններն ի վեր վաղ են կիրառում դրանք: Ի՞նչն է առանձնացնում այս գործը. ժամանակաշրջանը: AI-ի ինտեգրած ուսումնասիրությունն այժմ ընդհանուր ծրագիր է դատավարությունում: Գործը բարձրացնում է առանցքային հարց. ստուգե՞լ են արդյոք իրավաբանական թիմերը AI-գործիքների ճշտությունը մինչ արտադրությունում կիրառելը:
Պատասխանն ունի նշանակություն: Ցածր ճշտությամբ գործիքը կնշի չափից ավելի: Դրան հիմնվող փաստաբանն առանց ստուգման ռիսկ է կրում:
Գործի ամբողջական վերլուծության համար տե՛ս E-Discovery LLC-ի վերլուծությունը՝ ըստ relևանտության արգելափակման:
22,7%-անոց ճշտության խնդիր
Presidio-ն Microsoft-ի կողմից կառուցված բաց կոդ PII-հայտնաբերման շարժիչ է: Այն լայնորեն կիրառվում է փաստաթղթի ուսումնասիրության գործիքներում: Դատական փաստաթղթերի և պայմանագրերի վրա կատարված թեստերն այն տալիս են 22,7% ճշտության ցուցանիշ:
Ճշտությունը չափում է, թե որքան հաճախ է դրական նշումը ճիշտ: 22,7%-ի դեպքում 100 նշումից մոտ 77-ը կեղծ-դրական են: Այդ տարրերն ի կիրառելի ստանդարտով զգայուն չեն:
E-discovery-ի համար մաթեմատիկան ուղղակի է: 10,000 փաստաթղթ մշակելիս այս ցուցանիշով կունենանք հազարավոր անհիմն նշումներ: Ապացուցող կողմն այն նույն ռիսկն է կրում, ինչ Schnitzer Steel-ի ամբաստանյալը. կասկածարկված ապացուցում, դատական ուսումնասիրություն, հնարավոր պատժամիջոցներ:
Այս ցուցանիշը Presidio-ի կանխադրված կարգավորման համար է՝ իրավաբանական ֆիրմայի բովանդակության վրա: Ոչ բոլոր AI-գործիքներն այդ մակարդակում են աշխատում: Բայց այս շարժիչն ոլորտում ամենաշատ կիրառվող բաց կոդ տարբերակն է:
Պատճառն կառուցվածքային է: NLP-համակարգերն ուսուցանվում են ընդհանուր տեքստով: Դատական լեզուն տարբեր է: Այն արհեստ-հատուկ ոճ, մեջբերման ձևաչափ ու կազմման կանոններ ունի, որոնք շեղվում են ուսուցման տվյալներից: Բժշկական գրառումների վրա լավ աշխատող գործիքն ավանդանախ կատարի ավելի վատ կենսագրույթ-ուսումնասիրությամբ:
AI-ի կիրառման տվյալները ի՞նչ ցույց են տալիս
Այստեղ կա երկրորդ տվյալ. AI-chatbot-ի բովանդակության 27,4%-ը զգայուն է՝ ըստ ձեռնարկությունների AI-կիրառման անկախ վերլուծության:
Սա նկարագրում է, թե ինչ են աշխատողներն ուղարկում սովորական առաջադրանքների ժամանակ: Ոչ թե տվյալ, որ ուզեցին կիսել — բովանդակություն, որ ներառված էր սովորությամբ կամ պատահմամբ: Contract-ուսումնասիրության, կամ ամփոփի AI-ի կողմից ուղարկող փաստաբաններն AI-սերվերներ են ուղարկում զգայուն բովանդակություն՝ որպես սովորական աշխատանքի կողնթ:
Տասից երեք փոխազդեցությունը ներառում է հաճախորդի տվյալ, արտոնյալ տեղեկություն կամ դեպքի ռազմավարություն: Այդ բովանդակությունն AI-մատակարարի սերվերներ է հասնում կիրառելի ձևով, եթե վերահսկողություն չկա:
Ֆiрmanеру ռiск ստուգողի համար 27,4%-ն աննշան հարց չէ: Դա հիմնական ցուցանիշն է: Ֆiрmայի AI-կիրառման մոտ մի երրորդն ունի բովանդակություն, որ կարիք ունի պաշտպանության:
Պատասխանատվության շղթան
Գեր-արգելափակումն ու AI-տվյալ-արտահոսքն ստեղծում են առանձին, բայց կապված ռiск-ուղիներ: Երկուսն էլ սկսվում են նույն որոշումից. AI-գործիք կիրառել առանց պատշաճ գնահատման:
Հայտնաբերման ուղi: AI-ն լայն ծածկամ է կիրառում → փաստաbانն ուголы հերif-ն ստուգumn-ն ստուգelue → apat-ն ununast nshum-ner uner → hakarakordkn ark-arr → dataranen → patasanmiJnocner:
Տvял-artahostqi uga: Փastabanն AI-ն kira'arel k darpavor ashkhadanqi hamar → AI-n stvum e artonyeal haraber → AI-matakararn unes e xaxтum → hach'ordi tvyaler i bayc en → k'alaqatshutyun-barbarum-ner hетevum en:
Erkusum iravichaki sksnapunkte mikay e: Firmanerё kira'arum en AI-gorciqner aranc gytel, te inch en irastenin anum: Voranq el verahusum chveракnder gorcuneutyan hamara:
Ап-ращ ñшкалայностi ùñ ràдakтavorgum
Դaтarannern ner-nkum en neluzhak harc, yerb varicакvum en kartavarkel nmushner: aranc artonyalutyan, gaxтniyutyan kanoni kам dataranic kaргadrутyan: Datarannern chhen karцnum, te arтadranits gorciqe orguel e haravarner:
Араranc patshach hayтnaber-el discovery i xaxтum e: Kapshmeyн, te manav e mard kам AI-n karavelуtyan e: Ùñùñbà harc arancan nshum-nshume:
Е iravabannery sа nshanakum e, vor AI-verchaberkqner karelik e shtman linel chшkаtutyan vra — чнshum-nerin chartqakum en charentavorapem arтonayakan: Oras ovch stujumы: Mek gorciq lav khaxт-i hasanutyam, vor hasvum e 90% chnshutyan 22,7% chshkutyan vra, avelk snkum e zayuneliyin: Bayc du varqagumner e bazmapatch нkhannel chnshum-nerи: Yerb ayd verchaberkq char e linumyan, lchich gerendanyutyan e hetevum:
Чyuraqanchhur ardyunqum mek patron e dataranutyam: Dasner e kel. Schnitzer Steel-i yterois, aydt patonabanakutyune yimaq e mnal etqosteniq:
Tes mer uzecheqi hamara AI-ñ chashnortkan uxekedrel iravabanalogi fastagtarik hamara: Ates verchaberkqayin матyatn u AI-gorciqneri mashm tesa mer patricklakan-hachordakan artonyutyun u AI: