Gastón Andres Navarro - Prueba Digital

Un antecedente de las empresas de “legal analytics” sería Lex Machina (1) (ahora propiedad de LexisNexis) que permite a las empresas y a sus abogados estimar sus chances de ganar un caso tan pronto como son notificadas de la demanda. Para realizar estos cálculos, usan diversa información como cuántas veces el abogado de la otra parte presentó ciertos tipos de casos, en qué tribunal, con qué tasa de éxito, a quiénes representaron y a qué abogados se enfrentaron. Una vez que un juez ha sido asignado al caso, las compañías de legal analytics proporcionan estadísticas sobre su desempeño. Lex Machina, surgió en la Facultad de Derecho de Stanford, empezó con litigios de propiedad intelectual. Una vez que tuvo acceso a la gran base de datos de LexisNexis, se expandió a otras áreas de la ley de alto volumen de casos como empleo, impuestos, negligencia médica, seguros y quiebras.

Muchos abogados comerciales de Estados Unidos establecieron alertas en el sistema electrónico de registros judiciales, que como Pacer (2), les avisa cuando se presenta una nueva demanda contra una empresa de su área. Pocos minutos después de que aparece el alerta, el equipo legal de la empresa demandada empieza a recibir llamadas de abogados que se ofrecen para defender a la compañía.

A medida que se extienden los casos de uso del legal analytics, también surgen más empresas para satisfacer la demanda. Entre ellas se encuentra Premonition (3) con sede en Nueva York, que provee datos sobre el historial de litigios de jueces, abogados y bufetes de abogados, incluidas las tasas de victorias / derrotas para juicios en comparación con los competidores, las tasas de éxito de diferentes tipos de demanda en tribunales individuales y una base de datos de quien demanda y quien es demandado con mayor frecuencia.

Law Litigation Analytics (4) y Gavelytics (5) ofrecen un servicio similar. Empresas como Casetex (6) y Judicata (7) ofrecen un análisis en profundidad de los documentos legales más relevantes para el caso en que un abogado está trabajando, como casos similares presentados por otras firmas, el historial de casos relevantes y las citas de los jueces.

En la Argentina se desarrolló Sherlock-Legal, el programa de inteligencia artificial de Albrematica SA, empresa editora de elDial.com, que analiza a través del procesamiento con lenguaje natural fallos de tribunales argentinos en general en base a preguntas formuladas por sus clientes el software produce una lista de casos más procedentes, citas relevantes y una evaluación en términos porcentuales de las probabilidades de ganar o perder del cliente manifestando, a criterio del programa que, a su vez, se basa en algoritmos desarrollados en base a los datos de jurisprudencia, si le pregunta del solicitante es positiva o negativa. A través de una interfaz gráfica dinámica, intuitiva y muy sencilla de utilizar se efectúan las preguntas por parte del usuario, las que mediante algoritmos diversos se analizan sintáctica, gramática y pragmáticamente y se interpretan con el fin de encontrar en primer lugar, dentro de los sumarios de los fallos de la base, aquellos fragmentos relacionados que considera más relevantes.

Sherlock despliega un grupo de las distintas respuestas que considera pertinentes, generándose gráficos que indican los porcentajes de aceptación o rechazo y dando, finalmente, su opinión en forma automática sobre la probabilidad que ésta sea afirmativa o negativa con relación a la consulta efectuada. Por último, al desear consultar cada uno de los resultados, se despliegan los fragmentos más relevantes y la opción de visualizar el texto completo del sumario y el fallo completo, siendo posible calificar tanto si la respuesta se considera pertinente y si el algoritmo clasificó correctamente el precedente judicial mostrado. De esa forma Sherlock va aprendiendo de los errores y aciertos que comete, completando el entrenamiento de la herramienta para la obtención de mejores respuestas. El programa cuenta con un historial de preguntas realizadas para poder reiterar alguna consulta anterior y un tutorial para guiar al usuario en la obtención de la respuesta correcta. Desde el punto de vista técnico, el problema a resolver por el equipo de desarrollo consistió principalmente en generar una herramienta que responda relacionando preguntas realizadas en lenguaje natural con parte de los textos jurídicos de la base de datos, razón por lo que se optó por un modelo de Question Answering (QA) para un dominio cerrado. La respuesta “larga” serían los textos relacionados dentro del sumario y la respuesta “corta” -en el caso de las preguntas fácticas- es ésta era “si” o “no, según el caso, teniendo presente que, en el caso en análisis, una diferencia fundamental con el modelo de QA es que en el ámbito jurídico a una pregunta dada puede haber más de una respuesta, tanto sea en el caso de la “larga” como de la “corta”.

El programa, se resume a dos módulos, buscando hallar sumarios pertinentes con la pregunta realizada (problema de la pertinencia) y luego hallar el/los párrafos dentro de los sumarios pertinentes que directa o indirectamente mejor respondan se busca dar una respuesta a la pregunta realizada, analizando si ésta es por “si” o por “no”. En el primer Módulo, con relación al problema de la pertinencia que realiza en primer lugar un análisis sintáctico de la pregunta realizada y luego el programa se queda con los lemas y entidades. Posteriormente se obtienen las raíces de la palabras, se quitan los stopwords y se busca en la base de fallos utilizando un modelo de Bag of words (Bag of N-grams words) o sea vectores de ocurrencia de las palabras/N-gramas de dimensión n que forman matrices para todos los sumarios y TF-IDF (Term frequency – Inverse document frequency), técnica de recuperación de información que pesa la frecuencia de un término (TF) y su frecuencia de documento inversa (IDF). Cada palabra o término tiene su respectivo puntaje TF e IDF y el producto de los puntajes TF e IDF de un término se lo considera el peso TF * IDF de ese término. En un paso siguiente se utilizan criterios de similitud para encontrar documentos similares como el criterio del coseno (utilizando los vectores creados para los documentos se aplica el teorema del coseno resultando una nueva matriz) y se generan distintos escenarios para la pregunta, verificándose los resultados contra un modelo entrenado por Naive Bayes si la lista de documentos resultante es la más pertinente. En el segundo Módulo, con respecto al problema de la respuesta se recibe en primer lugar la pregunta junto con los ids de los documentos que fueron previamente pre-procesados, se analizan los documentos, buscando el/los fragmento/s que más se acerquen a la respuesta, se analiza, en el caso de preguntas fácticas si el/los fragmentos seleccionados responden por “si” o por “no” y para una aproximación sintáctica (resolver oraciones en voz pasiva y oraciones subordinadas) se pre procesa el texto y se lo divide en párrafos (que permite resolución de anáforas) para luego dividirlo en sentencias y finalmente se construyó una representación sintáctica en forma de árbol y se consideran las respuestas todas por “si” y se busca la negación para las respuestas por “no”. Sherlock-Legal se presenta también como una función adicional del buscador tradicional de elDial.com que permite al usuario la posibilidad de conseguir antecedentes judiciales similares al elegido como más pertinente, ampliando así la búsqueda en forma automática a casos que, aplicando inteligencia artificial, considera más relevantes. El sistema es aplicable a jurisprudencia o cualquier base de datos sea de índole legislativa o documental en general. (8)