Legal Analytics

馃敆Una breve introducci贸n.

La generaci贸n de nuevas tecnolog铆as siempre acarrea un impacto irreversible en cualquier mercado, siendo la innovaci贸n un disruptor permanente que se inserta f谩cilmente en la generalidad de los mercados. Las tecnolog铆as de machine learning, inteligencia artificial y la ciencia de datos son esenciales para mantener una posici贸n de vanguardia, pero el derecho ha elegido ignorarlas deliberadamente por mucho tiempo, hasta la actualidad.

Mucho se debati贸 en 茅pocas recientes sobre los motivos por lo que esto suced铆a, siendo la observaci贸n principal la falta de necesidad de los estudios o firmas de abogados de renovar sus propuestas a la hora de captar nuevos clientes. Desgraciadamente, esta falta de necesidad contribuye a que carezcamos de proyectos que faciliten la tarea profesional de los abogados, siendo evidente la falta de acceso a las nuevas tecnolog铆as que podr铆an dar un impulso muy necesitado en el campo legal.

馃敆驴Datos? Todos los necesitamos.

Legal Analytics est谩 cambiando no s贸lo nuestra manera de abordar la profesi贸n legal, sino tambi茅n de c贸mo interactuamos con otras 谩reas del mercado. Como se帽ala Robert Sancrainte en 鈥淚ntroduction to Legal Analytics鈥, los individuos y organizaciones est谩n cambiando la eficiencia de sus procesos de toma de decisiones mediante la incorporaci贸n y procesamiento de datos.

Este movimiento tecnol贸gico hacia la explotaci贸n de datos afecta todos los niveles del mercado, siendo un potenciador indispensable para mejorar los sistemas y procesos internos de las organizaciones en general.

En el marco del derecho, Legal Analytics trae beneficios a la hora de tomar decisiones en base al procesamiento de datos propios del 谩rea legal, orientando la tarea de los abogados no s贸lo por inferencias gen茅ricas fundadas en su saber t茅cnico, sino con la concreta aplicaci贸n de modelos estad铆sticos que complementen las tareas de an谩lisis, proyecci贸n y toma de decisiones.

La aplicaci贸n de modelos de Machine Learning puede definirse como una rama de los sistemas de Inteligencia Artificial destinada a aprender sin necesidad de programar cuestiones espec铆ficas. Esto no implica que basta con tan s贸lo definir par谩metros y dejar el modelo correr, todo lo contrario, debemos primero recolectar los datos para alimentar y entrenar nuestro modelo, adecuandolo a la b煤squeda y an谩lisis espec铆fico de los campos que queremos potenciar.

馃敆Entrenamiento de Datos.

馃敆Modelando Nuestro Cerebro Virtual.

Para lograr nuestro modelo de machine learning, vamos a necesitar recolectar y seleccionar los datos que vamos a utilizar. Seg煤n la necesidad u objetivos de cada organizaci贸n, los datos requeridos se limitan a aquellos que provengan del 谩rea espec铆fica que se quiere analizar.

A grandes rasgos, una vez recolectados y seleccionados los datos, y entrenado el modelo, este podr谩 comenzar a generalizar, es decir, operar en el an谩lisis de nuevos datos para realizar las proyecciones esperadas sobre los datos que se incorporen a futuro, dejando en manos del sistema el an谩lisis, distribuci贸n y procesamiento de los datos novedosos.

En esta etapa es donde los modelos generalmente presentan sus deficiencias, por lo que un desarrollo 谩gil e iterativo garantiza una manera eficiente de incrementar la complejidad del sistema, minimizando costos y tiempos de entrega, permitiendo un enfoque claro en los aspectos a mejorar. El armado y mejoramiento del 鈥渄ecision tree鈥, a trav茅s de procesos de validaci贸n cruzada (鈥渃ross validation鈥), permite que incrementemos la confiabilidad de nuestros modelos.

馃敆Lex ex machina.

En el campo legal, sabemos que las leyes son creadas por y para individuos, personas de cualquier naturaleza, por lo que tendemos a negar la capacidad de las llamadas 鈥渃iencias duras鈥 de contribuir en un 谩mbito tan entr贸pico como el 谩mbito de lo social.

Desgraciadamente, tendemos a ignorar los preconceptos y prejuicios inherentes a todas las personas, cuesti贸n de la cual no escapan quienes operan en el campo legal. Es en este punto donde el aporte de las tecnolog铆as de machine learning se torna esencial, dado que permite trasponer los preconceptos y analizar datos crudos de modo puro, otorgando una mirada m谩s imparcial u objetiva a cuestiones espec铆ficas.

Machine learning no tiene por qu茅 reemplazar el proceso de toma de decisiones a cargo de los individuos, pero si trae los beneficios de un 鈥渃heck and balance鈥 para contraponer nuestras decisiones con el asesoramiento objetivo de un relevamiento imparcial de datos, no condicionado por nuestros preconceptos.

Un ejemplo de las aplicaciones de modelos de machine learning resulta ser su aplicaci贸n para predecir sentencias o fallos judiciales. El conocido programa FantasySCOTUS, de los Estados Unidos, consiste en un concurso donde varios operadores del campo legal modelan sus sistemas de machine learning para lograr el mayor porcentaje de predicci贸n de resultados sobre sentencias de la Corte Suprema de Justicia en ese pa铆s.

Utilizando el m茅todo 鈥淩andom Forest Classifiers鈥, se ha logrado implementar modelos predictivos con un porcentaje del 70.2% de certeza sobre el resultado de las decisiones, asimilable a predecir correctamente 7 de cada 10 casos ingresados (en base a un an谩lisis hist贸rico de precedentes).

Lentamente, el campo legal va absorbiendo los beneficios y desaf铆os de las nuevas tecnolog铆as, posicionando su mira en la b煤squeda de aplicaciones pr谩cticas para tareas que actualmente requieren de grandes equipos para abordar grandes vol煤menes de trabajo (v.gr. tareas de due diligence, modelos predictivos, etc.).

馃敆Destrucci贸n Creativa.

Mientras los preconceptos sobre lo que es posible y lo que no en el campo del derecho son lentamente desbaratados, las nuevas tecnolog铆as traen un cambio de paradigma sobre nuestra manera de abordar y trabajar el derecho, adem谩s de repensar el modo en que realizamos tareas y abordamos problemas que, hasta el momento, s贸lo confiaban en la mirada humana, con los errores que esta acarrea.

La tecnolog铆a no busca reemplazarlos, sino ayudarnos a potenciar nuestra capacidad de abordar problemas y encontrar soluciones innovadoras, elementos esenciales en el mercado actual, regido por la innovaci贸n y competencia en sus distintos niveles.

Como observ贸 Schumpeter en su momento, las pr谩cticas obsoletas ser谩n desmanteladas por la propia creaci贸n destructiva de sistema capitalista, en tanto este exige el impulso permanente hacia nuevas formas de generar progreso e innovaci贸n, dada la propia voracidad y competencia inmanente a nuestros modelos econ贸micos. En definitiva, incorporar nuevas tecnolog铆as a nuestros sistemas legales no es m谩s una cuesti贸n de contribuir al desarrollo de nuevas ciencias, sino que es un requerimiento para mantenernos competitivos en un mercado que, inobjetablemente, se halla sumido en lo que algunos entienden como una nueva revoluci贸n industrial.

El campo legal no es la excepci贸n a estos cambios, quienes decidan ajenarse a la innovaci贸n quedar谩n, como todo eventualmente, obsoletos.

鈥淪peaking of a new world order, the future has already arrived for us lawyers too; it鈥檚 just not evenly distributed yet.鈥 - William Gibson.

馃敆Bibliograf铆a

Sancrainte, Rovert, INTRODUCTION TO LEGAL ANALYTICS, PART 1, art铆culo distribuido por LexPredict, Elevate Business, 30 de Agosto del 2018. Link:https://www.lexpredict.com/2016/09/intro-part-1-legal-analytics/.

Sancrainte, Rovert, INTRODUCTION TO LEGAL ANALYTICS, PART 3: MACHINE LEARNING, art铆culo distribuido por LexPredict, Elevate Business, 10 de Octubre del 2016. Link: https://www.lexpredict.com/2016/10/intro-legal-analytics-part-3-machine-learning/.

Sancrainte, Rovert, INTRODUCTION TO LEGAL ANALYTICS, PART 4: GROWING OUR (DECISION) TREE, art铆culo distribuido por LexPredict, Elevate Business, 16 de Octubre del 2016. Link:https://www.lexpredict.com/2016/10/intro-legal-analytics-part-4-decision-tree/

Sancrainte, Rovert, INTRODUCTION TO LEGAL ANALYTICS, PART 5: DECISION-MAKING MADE EASIER, art铆culo distribuido por LexPredict, Elevate Business, 24 de Octubre del 2016. Link:https://www.lexpredict.com/2016/10/intro-legal-analytics-part-5-decision-making/

Katz, Daniel Martin and Bommarito, Michael James and Blackman, Josh, A General Approach for Predicting the Behavior of the Supreme Court of the United States (January 16, 2017). Available at SSRN: https://ssrn.com/abstract=2463244 or http://dx.doi.org/10.2139/ssrn.2463244

Michael Luca, Jon Kleinberg and Sendhil Mullainathan, 鈥淎lgorithms Need Managers, Too.鈥, Harvard Business Review, Reprint R1601H, originally January-February 2016.

Schumpeter, Joseph A., 鈥淐reative Destruction: From Capitalism, Socialism and Democracy鈥. Harper, New York, 1975, orig. pub. 1942.

Sande, Tomas. 鈥淪chumpeter鈥檚 Creative Destruction鈥. Medium. Link: https://medium.com/@tomassande96/https-medium-com-schumpeters-creative-destruction-a9aad6c8a3df

Otras publicaciones