Maskinlæring

Maskinlæring (machine learning) er et felt i kunstig intelligens og computervidenskaberne, hvor en computer har evnen til at lære og forbedre sin ydeevne ved hjælp af data, uden forudgående at være programmeret til det. Maskinen studerer altså data for at konstruere algoritmer, som kan finde sammenhænge og forudsigelser.

For at lave succesfuld maskinlæring, skal du have store mængder data til rådighed. Hvis du skal lære en maskine at identificere særlige features på et billede (eksempelvis ansigtsgenkendelse), skal maskinen eksponeres for så mange billeder som muligt. Jo færre billeder den har set, desto sværere vil den have ved at identificere fejlene.

Hvad er maskinlæring?

Som ovenfor beskrevet er maskinlæring, når en computer har evnen til at lære ved erfaring i stedet for bare at udføre generiske opgaver, den er programmeret til. Maskinen kan altså levere bedre resultater på sine opgaver ved at samle og bruge erfaringer fra tidligere opgaver.

Hermed får maskinen evnen til at blive mere intelligens som tiden går, og den gennemgår mere data. Maskinlæring er derfor en gren indenfor kunstig intelligens, som bruges i mange forskellige sager.

Maskinlæring og legal tech

Advokatbranchen og den juridiske sektor er allerede begyndt at bruge teknologier, som mimer det menneskelige sind (altså kunstig intelligens) og herunder maskinlæring, der analyserer data og lærer mønstrer i sine egne handlinger. Eksempelvis kan man bruge maskinlæring til at analysere data i kontrakter. Hvis en kunstig intelligens modtager en masse data i form af tidligere kontrakter og desuden lærer, hvordan disse kontrakter effektueres, vil teknologien ved hjælp af maskinlæring  kunne lære at se nogle mønstre i, hvor succesfulde kontrakterne bliver.

Nogle bruger også maskinlæring til at forsøge at forudsige udkommet af tvister. Dermed vil man nemmere kunne tage stilling til, om man skal indgå forlig eller gå i retten. På sigt vil kunstig intelligens og maskinlæring kunne komme til at ændre og automatisere mange af de mere manuelle processor i det juridiske arbejde. De vil have evnen til at scanne og gennemlæse dokumenter hurtigere, og dermed træffe hurtigere beslutninger. Da en maskine lever af det data, den modtager, vil den dog ikke være neutral. Den vil måske være mere konsekvent, men den vil altid foretage vurderinger på baggrund af data, som i sagens natur ikke er neutrale.

Der er desuden en del etiske og juridiske problemstillinger om selve brugen af kunstig intelligens og maskinlæring. Først og fremmest er det uhensigtsmæssigt, hvis maskinen ligger inde med viden, den kan skjule for mennesker. Dernæst er der en masse juridiske spørgsmål angående ansvar, som endnu er uafklarede.

Ikke desto mindre kan advokatbranchen ved digitalisering opnå store effektiviseringer, og få bedre tid til at yde juridisk service og rådgivning til klienterne - altså blive mere klientfokuserede eller client-centric.