Условия для успеха ИИ: дисциплина, данные и терпение.

Этим летом на AALL и ILTA я присутствовал на сессиях, на которых Брайан Кун из IBM говорил о преобразовании бизнеса в области права с помощью предложения IBM Watson . Брайан предложил убедительное видение будущего, и когда он говорил о Уотсоне, хотя он упомянул три варианта использования Уотсона на легальном рынке, мне было любопытно, как много внимания было уделено успехам Уотсона в области медицины. Учитывая степень шумихи вокруг ИИ в настоящее время на легальных рынках, я счел уместным рассмотреть это немного подробнее. На ум пришли два конкретных вопроса:

Каков опыт применения ИИ в медицине?

Какие уроки из этого имеют значение при рассмотрении потенциального влияния ИИ на легальный рынок?
Несмотря на высокую степень иррационального изобилия (перефразируя Алана Гринспена и Роберта Шиллера) вокруг искусственного интеллекта, реальность такова, что применение ИИ для решения сложных проблем, в лучшем случае, является нюансом, и, как правило, влечет за собой больше инвестиций, чем можно подумать. Один широко разрекламированный пример можно найти в соглашении IBM с онкологическим центром им. В 2013 году доктор медицинских наук Андерсон, широко известный как одно из ведущих в мире учреждений по лечению рака, объявил, что будет сотрудничать с Watson в рамках «самогона», направленного на искоренение рака. Несмотря на то, что проект был запущен со значительным оптимизмом и публичностью, он столкнулся с множеством проблем и был остановлен через три года с затратами в размере около 68 млн. Долл. США (не считая незначительных затрат, затраченных медиками, ИТ-специалистами, и административный персонал, а также инвестиции в технологическую инфраструктуру). Несмотря на ажиотаж,Уотсону не удалось диагностировать даже одного пациента в клинических условиях .

В другом примере IBM заключила партнерское соглашение со Слоаном Кеттерингом по созданию Watson for Oncology, пообещав, что система будет принимать медицинские данные и статьи, чтобы в конечном итоге определить «новые подходы» к лечению рака. В этом случае Watson использовался врачами клинически, но недавний доклад STAT показывает, что фактическая производительность далеко не соответствует высоким маркетинговым заявлениям. Я нашел комментарий одного специалиста по раку особенно пугающим. Он заявил: «Уотсон для онкологии находится на начальной стадии развития, и мы должны ждать и активно заниматься, надеясь помочь им выздороветь». Это после шести лет и неизвестных (но очень больших) затрат времени и финансовых ресурсов.

Хотя может показаться заманчивым избивать IBM (и Уотсона) на основе этих примеров, я думаю, что более поучительно спросить, что мы можем извлечь из каждого из них. Наличие ресурсов и возможностей (как предметной, так и технологической экспертизы) явно не было проблемой в любом случае. Мне кажется, что сами проекты могли быть обречены с самого начала, потому что не было необходимых условий для успеха. С моей точки зрения, есть три таких необходимых условия для применения технологии искусственного интеллекта к любой профессии знания.

1. Жесткий, четко определенный вариант использования.

Термин « вариант использования» начинает выходить в область «технологий», но для целей этого обсуждения мы можем рассматривать вариант использования как проблему, которая имеет определенную отправную точку и ожидаемый результат. Если можно легко описать как начальную точку, так и ожидаемый результат, этот вариант использования считается «трудным» и его гораздо легче как построить, так и проверить. Если взять пример с легальных рынков, то проверка документов как часть должной осмотрительности в сделке M & A могла бы стать таким примером использования: адвокат хочет идентифицировать контракты, если существуют определенные условия (например, контракты с поставщиками, которые не могут быть переуступлены при смене владельца) , Поставщик технологии может легко рассмотреть этот вариант использования и определить результаты, которые представляют успех.

С другой стороны, возьмите пример пересмотра контракта как часть составления проекта и переговоров: адвокат хочет пересмотреть предложенную формулировку и изменить условия, чтобы улучшить результат клиента и снизить профиль риска. Это гораздо более тонкая и субъективная задача, и у поставщика технологий возникнут трудности с определением результатов, представляющих успех.

В целом, лучшая практика в это время — держаться подальше (далеко-далеко) от широких, слабо определенных вариантов использования.

2. Убедитесь, что у вас достаточно последовательных данных.

Поскольку алгоритмы могут обрабатывать гораздо больше данных намного, намного быстрее, чем люди, данные, естественно, лежат в основе приложений, работающих на ИИ. Чтобы обучить машину идентифицировать определенные условия, необходимо иметь достаточный набор данных для использования в процессе обучения. Определение «достаточного» зависит от сложности проблемы (например, обучение программе по определению Применимого закона, вероятно, проще, чем обучение по определению условий Положения о возмещении), но сотни фрагментов данных будут поддерживать жесткую вариант использования — и значительно больше требуется для широкого, свободного случая использования.

Как мы уже говорили ранее , эти данные также должны быть согласованными. Если кто-то обучит алгоритм распознавания терминов в соглашении о покупке акций в США, а затем попытается применить этот же алгоритм к британским соглашениям, алгоритм не будет работать хорошо.

Прежде чем приступить к проекту ИИ, важно задать себе несколько вопросов.

• Достаточно ли у вас (и правильных) данных?
• В каком формате эти данные?
• Требуют ли данные дополнительной обработки, чтобы быть полезными для алгоритма?
• Каков уровень усилий (с точки зрения затрат, времени и ресурсов), чтобы получить данные к правильной отправной точке для обработки ИИ?

3. Убедитесь, что у вас достаточно ресурсов для МСП

Наконец, даже если у вас ограниченный сценарий использования и достаточно данных, вам понадобится доступ к экспертам по предметным вопросам (МСП) для обучения алгоритму. Сам алгоритм, конечно, ничего не знает о предмете под рукой — будь то закон, медицина или любая другая дисциплина. По моему опыту, это требование, которое потенциальные исполнители ИИ чаще всего недооценивают. Принимая во внимание приведенные выше примеры, в обоих случаях решения потребовали значительного времени врача, прежде чем обеспечить возврат инвестиций. Если кто-то проецирует те же требования на рынок юридических фирм, это может означать умозрительное выделение иным образом оплачиваемых ресурсов.

Вы заметите, что из трех неизменных условий, упомянутых выше, ни одно не относится к технологии. Хотя наличие надлежащей технологии ИИ действительно имеет решающее значение для успеха, мы, к счастью, достигли точки, когда несколько поставщиков (включая IBM) предоставляют доступ к алгоритмам, способным поддерживать решения ИИ для легального рынка. Дифференциация заключается в том, как применять эту технологию и устанавливать условия для успеха, что, в свою очередь, определяет, какие решения способны подняться выше обмана.