Comment l’IA et l’apprentissage automatique affectent le paysage des litiges

L'intelligence artificielle est présente depuis longtemps dans nos activités quotidiennes, depuis une simple recherche Google jusqu'au maintien de votre voiture centrée sur sa voie sur l'autoroute. Le dévoilement public de ChatGPT fin 2022 a cependant rapproché la puissance de l’IA de chez nous, la rendant accessible à toute personne disposant d’un navigateur Web. Et dans le secteur juridique, nous constatons une montée en puissance de l’utilisation de l’IA et de l’apprentissage automatique dans les litiges, en particulier lorsqu’il s’agit de la préparation et du témoignage des témoins experts.

Le soutien de témoins experts a toujours nécessité des outils analytiques et des techniques de science des données de pointe, et l'IA et l'apprentissage automatique sont des outils de plus en plus importants dans l'arsenal des experts. Le concept selon lequel la technologie est capable de « penser » et de prendre des décisions, d’accomplir des tâches plus rapidement et avec de meilleurs résultats que les humains, évoque l’idée d’un monde « à la Jetsons » dirigé par des robots. Cependant, contrairement aux vieux dessins animés Jetsons des années 1960, où les voitures volantes étaient de facto le mode de transport et où les robots répondaient à tous les besoins, les idées « futuristes » autour de l’impact de l’IA n’étaient pas si éloignées d’une réalité qui se rapprochait rapidement. En fait, alors que l’IA plus ancienne, basée sur des règles, a évolué vers l’apprentissage automatique (ML) où les ordinateurs sont programmés pour prédire avec précision les résultats en apprenant des modèles trouvés dans des ensembles de données massifs, le secteur juridique a découvert que l’IA peut faire bien plus que ce que beaucoup imaginaient. .

Dans le monde du contentieux, la puissance de l’IA et du ML est comprise depuis des années par les cabinets d’avocats et les cabinets de conseil économique et financier. L’IA est parfaitement adaptée pour soutenir, qualifier et étayer le travail d’experts en matière contentieuse, qui reposait auparavant sur un processus fortement manuel pour améliorer l’efficacité ou la qualité des données présentées dans les témoignages. De plus, au cours des dernières années, l’IA et le ML ont été utilisés directement dans les témoignages d’experts par les experts du plaignant et de la défense.

Ironiquement, les humains sont au moins en partie responsables de l’utilisation accrue de l’IA et du ML dans le travail d’experts, alors que nous produisons des volumes toujours croissants de contenu généré par les utilisateurs. Les avis des consommateurs et les publications sur les réseaux sociaux, par exemple, deviennent de plus en plus pertinents en matière de réglementation et de litiges, notamment dans les affaires de fraude à la consommation et de responsabilité du fait des produits. Le volume de ce contenu peut être écrasant, c'est pourquoi une approche familière consiste à exploiter des mots-clés pour identifier un sous-ensemble de données plus gérable à examiner. Ceci est toutefois limitant, car cela produit souvent des résultats qui ne sont pas pertinents pour le cas tout en omettant les résultats pertinents contenant un langage nouveau. En revanche, les approches basées sur le ML peuvent considérer l’intégralité du texte, en utilisant le contexte et la syntaxe pour identifier les éléments linguistiques qui indiquent le plus précisément la pertinence.

Pour voir cette approche en action, considérons les litiges impliquant des allégations de fausses déclarations commerciales ou de déclarations diffamatoires, qui nécessitent un examen du contenu en cause. Les analyses les plus robustes sont systématiques et objectives, ce qui les rend idéales pour l'externalisation vers des données de formation non controversées et des modèles impartiaux qui caractérisent les approches de pointe en matière d'IA et de ML.

L’IA et le ML se sont également révélés être des outils précieux pour les experts dans un large éventail de questions de fraude à la consommation et de responsabilité du fait des produits. Même si certains scénarios peuvent paraître évidents, les humains possèdent la créativité nécessaire pour adapter une solution à d’autres cas d’utilisation. Ici, ces nouvelles utilisations incluent :

Analyse des sentiments spécifiques au domaine – Les modèles de sentiments accessibles au public fonctionnent bien sur de nombreux problèmes, mais échouent souvent sur des tâches comportant des structures linguistiques spécifiques à un domaine. Un tel échec peut survenir lorsqu’il est chargé de mesurer le sentiment entourant une entité dans un secteur dont la discussion comporte un langage nouveau ou contre-intuitif. Prenons l’exemple d’une poursuite en diffamation intentée par un influenceur du fitness. Des termes comme « confusion », « résistance » et « à l’échec » ont généralement des connotations négatives, mais dans le domaine du fitness, ils sont souvent utilisés pour décrire un entraînement réussi. De même, des termes d’argot comme « armes » et « déchiqueté » signifient quelque chose de complètement différent dans le contexte du fitness que dans un usage conventionnel. Dans ces cas, un modèle de sentiments à usage général peut dénaturer ou ignorer un tel langage, tandis que la formation d'un modèle de sentiments spécifique à un domaine fournira une évaluation plus précise du sentiment contenu dans des déclarations prétendument diffamatoires. Ce processus de formation pourrait impliquer de rassembler des centaines de milliers d'avis générés par les utilisateurs pour des produits industriels, puis de diriger un modèle linguistique contextuel pour prédire le score des avis à partir du texte. Ce modèle personnalisé quantifiera la polarité de la discussion autour de l'influenceur, qui pourra ensuite être suivie dans le temps et autour de certains événements critiques.