Cómo la IA y el aprendizaje automático están impactando el panorama de los litigios

La inteligencia artificial lleva mucho tiempo presente en nuestras actividades cotidianas, desde una simple búsqueda en Google hasta mantener el coche centrado en su carril en la autopista. Sin embargo, la presentación pública de ChatGPT a finales de 2022 acercó el poder de la IA a nuestro hogar, haciéndola accesible para cualquier persona con un navegador web. Y en la industria legal, estamos viendo cómo el uso de la inteligencia artificial y el aprendizaje automático aumenta en los litigios, especialmente cuando se trata de preparación y testimonio de peritos.

El apoyo de testigos expertos siempre ha requerido herramientas analíticas y técnicas de ciencia de datos de vanguardia, y la IA y el aprendizaje automático son herramientas cada vez más importantes en los arsenales de los expertos. El concepto de que la tecnología sea capaz de “pensar” y tomar decisiones, realizando tareas más rápidamente y con mejores resultados que los humanos, evoca pensamientos de un mundo “parecido a los Supersónicos” dirigido por robots. Sin embargo, a diferencia de las viejas caricaturas de Los Supersónicos de la década de 1960, donde los autos voladores eran el modo de transporte de facto y los asistentes robóticos atendían todas las necesidades, las ideas “futuristas” sobre el impacto de la IA no estaban tan lejos de una realidad que se acercaba rápidamente. De hecho, a medida que la IA más antigua, basada en reglas, ha evolucionado hacia el aprendizaje automático (ML), donde las computadoras se programan para predecir con precisión los resultados aprendiendo de patrones encontrados en conjuntos de datos masivos, la industria legal ha descubierto que la IA puede hacer mucho más de lo que muchos imaginaban. .

En el mundo de los litigios, los despachos de abogados y las consultoras económicas y financieras conocen desde hace años el poder de la IA y el ML. La IA es ideal para respaldar, calificar y fundamentar el trabajo de expertos en asuntos de litigios, que anteriormente dependían de un proceso fuertemente manual para mejorar la eficiencia o la calidad de los datos presentados en los testimonios. Además, en los últimos años, tanto el demandante como los expertos de la defensa han utilizado directamente la IA y el ML en el testimonio de expertos.

Irónicamente, los humanos somos, al menos parcialmente, responsables de impulsar el mayor uso de la IA y el aprendizaje automático en el trabajo de expertos a medida que producimos volúmenes cada vez mayores de contenido generado por los usuarios. Las reseñas de los consumidores y las publicaciones en las redes sociales, por ejemplo, se están volviendo cada vez más relevantes en asuntos regulatorios y litigios, incluidos los casos de fraude al consumidor y responsabilidad del producto. El volumen de este contenido puede ser abrumador, por lo que un enfoque familiar implica aprovechar las palabras clave para identificar un subconjunto de datos más manejable para su revisión. Sin embargo, esto es limitante, ya que a menudo produce resultados que son irrelevantes para el caso y al mismo tiempo omite resultados relevantes que contienen un lenguaje novedoso. Por el contrario, los enfoques basados ​​en ML pueden considerar el texto completo, utilizando el contexto y la sintaxis para identificar los elementos lingüísticos que indican relevancia con mayor precisión.

Para ver este enfoque en acción, considere los litigios que involucran supuestas tergiversaciones de marketing o declaraciones difamatorias, que requieren un examen del contenido en cuestión. Los análisis más sólidos son sistemáticos y objetivos, lo que los hace ideales para subcontratar datos de capacitación no controvertidos y modelos imparciales que son el sello distintivo de los enfoques de IA y ML de última generación.

La IA y el ML también han demostrado ser herramientas valiosas para los expertos en un amplio espectro de cuestiones de fraude al consumidor y responsabilidad de productos. Si bien algunos escenarios pueden parecer obvios, los humanos poseen la creatividad para adaptar una solución a otros casos de uso. Aquí, estos usos novedosos incluyen:

Análisis de sentimiento específico del dominio – Los modelos de sentimiento disponibles públicamente funcionan bien en muchos problemas, pero a menudo fallan en tareas que presentan estructuras lingüísticas específicas de un dominio. Tal fracaso podría surgir cuando se le asigna la tarea de medir el sentimiento que rodea a una entidad en una industria cuya discusión presenta un lenguaje novedoso o contrario a la intuición. Considere una demanda por difamación presentada por un influencer del fitness. Términos como "confusión", "resistencia" y "hasta el fracaso" generalmente tienen connotaciones negativas, pero en el ámbito del fitness se utilizan a menudo para describir un entrenamiento exitoso. Del mismo modo, términos de jerga como "pistolas" y "triturado" significan algo completamente diferente en el contexto del fitness que en el uso convencional. En estos casos, un modelo de sentimiento de propósito general puede caracterizar erróneamente o pasar por alto dicho lenguaje, mientras que entrenar un modelo de sentimiento de dominio específico proporcionará una evaluación más precisa del sentimiento contenido en declaraciones supuestamente difamatorias. Este proceso de capacitación podría implicar recopilar cientos de miles de reseñas generadas por usuarios sobre productos de la industria y luego dirigir un modelo de lenguaje consciente del contexto para predecir la puntuación de la reseña a partir del texto. Este modelo personalizado cuantificará la polaridad de la discusión en torno al influencer, que luego se podrá rastrear a lo largo del tiempo y en torno a ciertos eventos críticos.

Evaluación de la influencia del marketing en las redes sociales. – Para evaluar las acusaciones de que una empresa dirigió una discusión en línea a través del marketing en redes sociales, AI y ML pueden comparar las publicaciones de la empresa con las generadas por usuarios no afiliados (medios ganados). Esto se puede hacer utilizando modelos de lenguaje y métricas de similitud de texto que evalúan cuantitativa y objetivamente si los medios obtenidos inmediatamente después de las publicaciones de la empresa se parecían más a las publicaciones de la empresa que los medios obtenidos antes de las publicaciones o seleccionados al azar.

Detección de objetos de imagen– Para evaluar las incidencias de logotipos y productos de clientes que aparecen en imágenes publicadas en las redes sociales, se puede entrenar y aplicar un modelo de detección de objetos personalizado a una muestra aleatoria de millones de imágenes de redes sociales.

Modelado de temas de prensa pública – Para cuantificar el alcance y el momento de la conciencia pública sobre un reclamo de marketing en cuestión, se pueden aplicar IA y ML a artículos publicados en medios de comunicación. Este enfoque ayuda a aislar el tema en cuestión de otros temas estrechamente relacionados pero distintos. Estas distinciones pueden entonces facilitar un análisis que se centre más estrechamente en la reclamación en cuestión.

Caracterización multimedia – Cuando hay acusaciones de tergiversación de productos o marketing inadecuado, la IA y el ML pueden caracterizar la naturaleza de la presencia de una empresa en las redes sociales. Un modelo entrenado en contenido de texto e imágenes de marcas no afiliadas pero relevantes por tema puede aprender a distinguir el contenido según identidades de marca amplias (por ejemplo, saludable versus no saludable, ecológico versus dañino para el clima). La aplicación de un modelo de este tipo al contenido de las redes sociales en cuestión puede cuantificar si transmite cada una de estas características de marca.

La naturaleza de las declaraciones supuestamente difamatorias – Incluso en presencia de declaraciones claramente negativas, la difamación es notoriamente difícil de probar. Los demandados pueden alegar que las declaraciones no fueron expresadas como un hecho sino como una opinión, una posibilidad, un entretenimiento o una sátira. Al aprovechar conjuntos de datos y modelos que identifican el grado de certeza presente en ejemplos de lenguaje natural, los expertos pueden medir objetivamente el grado en que los consumidores razonables pueden interpretar la información como un hecho.

Responsabilidad del producto – Un área de investigación en crecimiento se refiere a la cuantificación y el aislamiento de entidades específicas a las que se hace referencia en un texto más amplio. Los casos de responsabilidad del producto, por ejemplo, pueden examinar reseñas de productos generadas por los usuarios para identificar la importancia y el sentimiento en torno a las características del producto en cuestión. En lugar de evaluar la revisión en su conjunto, el análisis de sentimiento basado en aspectos se centra únicamente en las características en cuestión, lo que permite extraer indicadores sólidos de revisiones matizadas o mixtas.

Certificación de clase – Una impugnación exitosa de la certificación del grupo demostrará que las circunstancias de los miembros putativos del grupo fueron lo suficientemente variadas como para requerir un tratamiento individual. Cualquiera de los métodos discutidos anteriormente se puede tomar en conjunto para cuantificar la heterogeneidad de los materiales en cuestión. Por ejemplo, un caso relacionado con tergiversaciones de marketing puede entrenar a un clasificador para distinguir el contenido de marketing en cuestión del contenido que no está en cuestión, modelar los temas abordados a lo largo de múltiples campañas de marketing distintas y resumir imágenes para demostrar diferentes atractivos para diferentes consumidores.

Durante siglos, la capacidad de los humanos para moldear los recursos disponibles para satisfacer sus necesidades los ha separado de las especies menos evolucionadas. Lo vemos en todos los ámbitos de la vida y los ejemplos anteriores lo demuestran en nuestro pequeño rincón del mundo. Y seguiremos viéndolo a medida que la disponibilidad de voluminosas redes sociales y otros datos generados por los usuarios continúe expandiéndose y volviéndose más compleja. En sus términos más simples, la IA y el aprendizaje automático son fundamentales para ayudarnos a buscar de manera eficiente en el "pajar" para encontrar la "aguja". Quienes intenten encontrar la aguja a mano inevitablemente se quedarán atrás.

Este artículo fue publicado originalmente por Law.com en marzo de 2023.

Las opiniones expresadas en este documento son exclusivas de los autores y no necesariamente representan las opiniones de Cornerstone Research.

Mike De Cesaris

Vicepresidente, Centro de ciencia de datos

Sachin Sancheti

vicepresidente