Николай Петров
Перспективы использования нейронных сетей в экспертизе законопроектов
Данная научная работа была включена в сборник международной конференции — «XXVII International Multidisciplinary Conference «Recent Scientific Investigation» USA», секция «Юридические науки» под названием — «Prospects for the use of neural networks in the examination of draft laws».
Аннотация: Нейронным сетям удалось привлечь значительное внимание общественности своей способностью распознавать сложные закономерности и принимать обоснованные решения. Анализ сложных правовых рамок, прецедентов и законодательных документов является сложной задачей для юристов. Новые методы, такие как нейронные сети, имеют шанс повысить эффективность и точность задач, связанных с законотворчеством. Учитывая сложный и развивающийся характер законодательства, внедрение таких передовых технологий, как нейронные сети, может помочь государственным органам, юристам и исследователям всесторонне анализировать и оценивать предлагаемые законопроекты. В данной научной статье рассматриваются перспективы, потенциальные преимущества и основные проблемы использования нейронных сетей для анализа законодательства, что может стать важным этапом законодательного процесса.
Нейронная сеть — это метод искусственного интеллекта, вдохновленный структурой и функциями человеческого мозга. Она представляет собой разновидность процесса машинного обучения, называемого глубоким обучением, в котором используются взаимосвязанные узлы или нейроны в виде слоистой структуры, напоминающей человеческий мозг [1]. Эти модели предназначены для обработки сложных закономерностей и взаимосвязей в данных, что позволяет компьютерам обучаться на примерах входных данных и делать прогнозы или принимать решения. Нейронная сеть обычно состоит из следующих слоев взаимосвязанных искусственных нейронов. Входной слой (Input Layer), который обрабатывает данные, анализирует или классифицирует их и передает на следующий слой. Скрытые слои (Hidden Layer), получающие входные данные от входного слоя или других скрытых слоев. Каждый скрытый слой анализирует выходные данные предыдущего слоя, обрабатывает их и передает следующему слою. И выходной слой (Output Layer), который выдает конечный результат обработки всех данных искусственной нейронной сетью [1].
Нейронные сети могут использоваться для решения различных задач, таких как распознавание изображений и речи, обработка естественного языка, обнаружение аномалий и многих других задач, где важно уловить сложные закономерности и взаимосвязи в данных. Их способность к автоматическому обучению и адаптации позволяет решать задачи, которые трудно или невозможно решить с помощью традиционных подходов. Нейронные сети способны произвести революцию во многих отраслях, в том числе и в юридической сфере.
Изображение 1: Архитектура нейронной сети [2].
Несмотря на это, эксперты юридического сообщества единодушно считают, что профессия юриста наиболее архаично организована и наименее восприимчива к достижениям современных технологий. Тем не менее, искусственный интеллект (ИИ) уже давно и эффективно используется в юридической профессии. Например, нейронные сети используются для прогнозирования исхода дел, оценки договорных рисков и даже принятия судебных решений. В Китае судьи обязаны обращаться за консультациями к искусственному интеллекту, причем ИИ ежедневно рассматривает более 100 тыс. дел и предоставляет суду нормы права для вынесения решений, а прокуратура этой восточной страны использует "умный" суд для предъявления обвинений [3]. Университетский колледж Лондона (UCL) совместно с университетами Шеффилда и Пенсильвании смогли создать комплекс искусственного интеллекта. ИИ научили различать "нарушение" и "отсутствие нарушения" в делах, которые рассматривал Европейский суд по правам человека. Искусственный интеллект правильно предсказал исход 584 дел. Показатель точности составил 79 % [4].
Законопроекты — основа любой законодательной системы, они могут разрабатываться как будущий проект отдельного нового закона или с целью внесения изменений и дополнений в уже существующий закон. Экспертиза законопроектов — трудоемкий, длительный и важный процесс, в котором часто участвуют люди-эксперты. Способность эффективно обобщать законопроекты крайне важна для политиков, юристов и граждан. Традиционные методы экспертизы законопроектов опираются на человеческую экспертизу, которая может занимать много времени, быть субъективной и предвзятой. Использование нейронных сетей для автоматизированного анализа законопроектов, на мой взгляд, может произвести революцию в этой области, обеспечив такие существенные преимущества, как скорость, точность, масштабируемость и экономическая эффективность. Нейронные сети могут быть обучены генерировать краткие резюме, извлекая важную информацию из текста. Такие методы, как рекуррентные нейронные сети и сети долговременной кратковременной памяти, показали многообещающие результаты в задачах реферирования документов. Юридические исследования требуют обширного анализа литературы и изучения конкретных примеров, что позволяет обучать нейронные сети обрабатывать огромные объемы юридических текстов, извлекать из них значимую информацию и более эффективно выявлять юридические прецеденты. Уже сейчас частная компания Luminance разработала систему, использующую уникальную комбинацию контролируемого и неконтролируемого машинного обучения для поиска ключевой информации в тысячах документов [5].