Гарвард оцифровал 6,4 млн судебных дел для обучения ИИ

Школа права Гарвардского университета завершила проект Caselaw Access Project, цель которого - сбор открытых данных о судебных делах, проходивших на территории США. Об этом сообщает MIT Technology Review.

Процесс заключался в сканировании более 40 миллионов страниц документов, начиная с XVII века: всего в базу данных попали примерно 6,4 миллиона судебных дел. Эти данные помогут эффективнее обучать компьютерные алгоритмы, которые могут быть использованы в юриспруденции. 

Современный анализ данных позволяет применять методы машинного обучения практически к любым сферам. Разумеется, для эффективного его использования нужно очень большое количество данных. К примеру, для того, чтобы научить нейросеть распознавать пневмонию, понадобилось более миллиона рентгеновских снимков грудной клетки. 

Что касается задач, включающих обработку естественного языка, то здесь данных для эффективной работы должно быть использовано еще больше. В особенности, когда дело касается принятия важных решений. Разработка алгоритмов, которые могли бы принимать решения и облегчать процесс в суде, — одна из таких задач.

Облегчить ее выполнение решили исследователи из Школы права Гарвардского университета, которые в течение нескольких лет сканировали и анализировали открытые материалы, принадлежащие библиотеке университета. Материалы включали в себя судебные заключения и стенографии: в них содержатся полные доступные материалы по каждому судебному делу. Первые документы датируются 1658 годом, а последние — 2018. Всего для создания базы данных исследователи оцифровали около 40 миллионов страниц, а общее количество дел превышает 6,4 миллиона.

Пригодиться база данных может не только разработчикам, но и юристам. Для получения доступа к ней необходимо зарегистрироваться на сайте проекта. Кроме того, пока что действует ограничение на скачивание: разработчики позволяют получать только 500 документов в день. Это ограничение введено партнерами проекта — технологическим стартапом Ravel Law — и будет действовать примерно до марта 2024 года, после чего доступ ко всем документам должен стать свободным. Базовые данные (названия дел, дата и суд) доступны полностью уже сейчас.

Стоит отметить, что искусственный интеллект уже применяется в юриспруденции. К примеру, в прошлом году ученым удалось научить распознавать обман подсудимых по голосу и выражению лица эффективнее, чем это делают люди.