A inteligência artificial e o aprendizado de máquina na indústria jurídica

Muitos termos na indústria jurídica geram uma grande expectativa, como a 'Inteligência Artificial' e, mais especificamente, o 'Aprendizado de Máquina'. No entanto, as discussões muitas vezes permanecem em esferas abstratas, mal arranhando a superfície do que o aprendizado de máquina realmente significa para a indústria jurídica, como funciona e - do ponto de vista de um escritório de advocacia ou departamento jurídico - o que é necessário para criar valor substancial para os clientes. Ganho de eficiência, provavelmente o benefício que primeiro vem à mente de muitos de nós, é apenas o começo. O Aprendizado de Máquina leva uma abordagem completamente diferente. Em vez de serem fornecidos com regras predefinidas, os modelos de aprendizado de máquina são dados exemplos de treinamento, cada um consistindo em dados de entrada e saída desejada. Com base nisso, os modelos de aprendizado de máquina são instruídos a prever autonomamente a saída adequada a partir dos dados de entrada. No início da fase de treinamento, um modelo produzirá resultados incorretos, mas aprendendo com esses erros e atualizando seus parâmetros internos, as previsões do modelo se aproximam gradualmente da saída desejada. O exemplo principal dos modelos de aprendizado de máquina são as redes neurais artificiais. O nome deriva do fato de que eles são modelados vagamente com o cérebro humano. A rede de neurônios que compõe um cérebro humano é imitada por nós dispostos em camadas interconectadas. Quanto mais camadas são empilhadas umas sobre as outras, mais poderoso é o modelo. Tais redes neurais profundas podem compreender padrões complexos, mas, devido ao grande número de parâmetros que o modelo deve otimizar, elas exigem grandes quantidades de dados para treinar. Além das redes neurais, uma infinidade de outros modelos poderosos de aprendizado de máquina existem, como máquinas de vetor de suporte, modelos de regressão, campos aleatórios condicionais, algoritmos de clustering e árvores de decisão. Uma grande vantagem desses modelos é que eles geralmente têm muito menos parâmetros do que as redes neurais e, por esse motivo, exigem menos dados de treinamento para aprender uma determinada tarefa. Em aprendizado de máquina, é feita uma distinção entre aprendizado supervisionado e não supervisionado. No aprendizado supervisionado, os dados de treinamento são rotulados (ou seja, os dados de entrada são destacados ou atribuídos a uma determinada categoria). Como isso é feito manualmente, a rotulagem de dados forma o gargalo para a aplicação do aprendizado de máquina. No aprendizado não supervisionado, os dados não possuem rótulos. O aprendizado não supervisionado é usado principalmente para detectar padrões.