Wie sich KI und maschinelles Lernen auf die Prozesslandschaft auswirken

Künstliche Intelligenz ist seit langem in unseren Alltagsaktivitäten präsent, von einer einfachen Google-Suche bis hin zur zentrierten Spurhaltung Ihres Autos auf der Autobahn. Die öffentliche Vorstellung von ChatGPT Ende 2022 brachte jedoch die Leistungsfähigkeit der KI näher und machte sie für jeden mit einem Webbrowser zugänglich. Und in der Rechtsbranche beobachten wir, dass der Einsatz von KI und maschinellem Lernen in Rechtsstreitigkeiten zunimmt, insbesondere wenn es um die Vorbereitung und Aussage von Sachverständigen geht.

Die Unterstützung von Sachverständigen erfordert seit jeher modernste Analysetools und datenwissenschaftliche Techniken, und KI und maschinelles Lernen sind immer wichtigere Werkzeuge im Arsenal von Sachverständigen. Die Vorstellung, dass Technologie in der Lage ist, zu „denken“, Entscheidungen zu treffen und Aufgaben schneller und mit besseren Ergebnissen zu erledigen als Menschen, weckt Gedanken an eine „Jetsons-ähnliche“ Welt, die von Robotern regiert wird. Doch im Gegensatz zu den alten Jetsons-Cartoons der 1960er Jahre, in denen fliegende Autos de facto das Fortbewegungsmittel waren und Roboterbegleiter alle Bedürfnisse erfüllten, waren die „futuristischen“ Vorstellungen rund um die Auswirkungen der KI nicht weit von einer sich schnell nähernden Realität entfernt. Tatsächlich hat die Rechtsbranche mit der Weiterentwicklung der älteren, regelbasierten KI zum maschinellen Lernen (ML), bei dem Computer so programmiert werden, dass sie Ergebnisse genau vorhersagen, indem sie aus Mustern in riesigen Datensätzen lernen, herausgefunden, dass KI weit mehr leisten kann, als sich viele vorgestellt haben .

In der Welt der Rechtsstreitigkeiten ist die Leistungsfähigkeit von KI und ML seit Jahren von Anwaltskanzleien sowie Wirtschafts- und Finanzberatungsfirmen erkannt worden. KI eignet sich ideal zur Unterstützung, Qualifizierung und Untermauerung von Expertenarbeit in Rechtsstreitigkeiten, die früher auf einem stark manuellen Prozess beruhte, um die Effizienz oder Qualität der in Zeugenaussagen vorgelegten Daten zu verbessern. Darüber hinaus wurden KI und ML in den letzten Jahren direkt in Sachverständigengutachten sowohl von Klägern als auch von Experten der Verteidigung eingesetzt.

Ironischerweise sind Menschen zumindest teilweise für den verstärkten Einsatz von KI und ML in der Expertenarbeit verantwortlich, da wir ständig wachsende Mengen an benutzergenerierten Inhalten produzieren. Verbraucherbewertungen und Social-Media-Beiträge gewinnen beispielsweise in Regulierungs- und Rechtsstreitangelegenheiten, einschließlich Verbraucherbetrug und Produkthaftungsfällen, zunehmend an Relevanz. Die Menge dieser Inhalte kann überwältigend sein. Ein bekannter Ansatz besteht daher darin, Schlüsselwörter zu nutzen, um eine überschaubarere Teilmenge von Daten für die Überprüfung zu identifizieren. Dies ist jedoch einschränkend, da es häufig zu Ergebnissen führt, die für den Fall irrelevant sind, während relevante Ergebnisse mit neuartiger Sprache weggelassen werden. Im Gegensatz dazu können ML-basierte Ansätze den gesamten Text berücksichtigen und mithilfe von Kontext und Syntax die sprachlichen Elemente identifizieren, die die Relevanz am genauesten anzeigen.

Um diesen Ansatz in der Praxis zu sehen, ziehen Sie einen Rechtsstreit in Betracht, bei dem es um angebliche Marketingfalschdarstellungen oder verleumderische Aussagen geht, die eine Prüfung des strittigen Inhalts erfordern. Die robustesten Analysen sind systematisch und objektiv und eignen sich daher ideal für die Auslagerung auf unumstrittene Trainingsdaten und unparteiische Modelle, die das Markenzeichen modernster KI- und ML-Ansätze sind.

KI und ML haben sich auch für Experten in einem breiten Spektrum von Verbraucherbetrugs- und Produkthaftungsangelegenheiten als wertvolle Werkzeuge erwiesen. Während einige Szenarien offensichtlich sein mögen, verfügen Menschen über die Kreativität, eine Lösung an andere Anwendungsfälle anzupassen. Zu diesen neuartigen Verwendungen gehören hier:

Domainspezifische Sentimentanalyse – Öffentlich verfügbare Stimmungsmodelle funktionieren bei vielen Problemen gut, scheitern jedoch oft bei Aufgaben, die domänenspezifische Sprachstrukturen aufweisen. Ein solches Versagen kann auftreten, wenn man die Aufgabe hat, die Stimmung um ein Unternehmen in einer Branche zu messen, dessen Diskussion eine neuartige oder kontraintuitive Sprache enthält. Stellen Sie sich eine Klage wegen Verleumdung vor, die von einem Fitness-Influencer eingereicht wurde. Begriffe wie „Verwirrung“, „Widerstand“ und „gegen Misserfolg“ haben im Allgemeinen eine negative Konnotation, werden im Fitnessbereich jedoch häufig zur Beschreibung eines erfolgreichen Trainings verwendet. Ebenso bedeuten umgangssprachliche Begriffe wie „guns“ und „shredded“ im Fitnesskontext etwas völlig anderes als im herkömmlichen Gebrauch. In diesen Fällen kann ein allgemeines Stimmungsmodell eine solche Sprache falsch charakterisieren oder übersehen, während das Training eines domänenspezifischen Stimmungsmodells eine genauere Einschätzung der Stimmung in vermeintlich diffamierenden Aussagen ermöglicht. Dieser Trainingsprozess könnte das Sammeln Hunderttausender benutzergenerierter Bewertungen für Branchenprodukte und die anschließende Steuerung eines kontextsensitiven Sprachmodells umfassen, um die Bewertungsbewertung anhand des Textes vorherzusagen. Dieses benutzerdefinierte Modell quantifiziert die Polarität der Diskussion um den Influencer, die dann über die Zeit und um bestimmte kritische Ereignisse herum verfolgt werden kann.

Bewertung des Marketingeinflusses auf soziale Medien – Um Vorwürfe zu beurteilen, dass ein Unternehmen eine Online-Diskussion durch Social-Media-Marketing gesteuert hat, können KI und ML die Beiträge des Unternehmens mit denen vergleichen, die von nicht verbundenen Benutzern generiert wurden (Earned Media). Dies kann mithilfe von Sprachmodellen und Textähnlichkeitsmetriken erfolgen, die quantitativ und objektiv bewerten, ob die unmittelbar auf die Posts des Unternehmens folgenden Earned Media den Posts des Unternehmens ähnlicher waren als die Earned Media, die den Posts vorangingen oder zufällig ausgewählt wurden.

Erkennung von Bildobjekten– Um die Häufigkeit des Erscheinens von Kundenlogos und -produkten auf in sozialen Medien geposteten Bildern zu beurteilen, kann ein benutzerdefiniertes Objekterkennungsmodell trainiert und auf eine Zufallsstichprobe von Millionen von Social-Media-Bildern angewendet werden.

Modellierung öffentlicher Pressethemen – Um das Ausmaß und den Zeitpunkt der öffentlichen Bekanntheit einer fraglichen Marketingaussage zu quantifizieren, können KI und ML auf in Medien veröffentlichten Artikeln angewendet werden. Dieser Ansatz hilft dabei, das betreffende Thema von anderen eng verwandten, aber unterschiedlichen Themen zu isolieren. Solche Unterscheidungen können dann eine Analyse erleichtern, die enger auf den jeweiligen Anspruch ausgerichtet ist.

Multimediale Charakterisierung – Wenn es Vorwürfe wegen falscher Produktdarstellung oder unsachgemäßer Vermarktung gibt, können KI und ML die Art der Social-Media-Präsenz eines Unternehmens charakterisieren. Ein Modell, das auf Text- und Bildinhalte unabhängiger, aber thematisch relevanter Marken trainiert wird, kann lernen, Inhalte anhand allgemeiner Markenidentitäten zu unterscheiden (z. B. gesund vs. ungesund, umweltfreundlich vs. klimaschädlich). Durch die Anwendung eines solchen Modells auf die jeweiligen Social-Media-Inhalte kann quantifiziert werden, ob sie jedes dieser Markenmerkmale vermitteln.

Die Art angeblich diffamierender Äußerungen – Selbst bei eindeutig negativen Aussagen ist es bekanntermaßen schwierig, eine Verleumdung nachzuweisen. Beklagte können behaupten, dass die Aussagen nicht als Tatsachen, sondern als Meinung, Möglichkeit, Unterhaltung oder Satire geäußert wurden. Durch die Nutzung von Datensätzen und Modellen, die den Grad der Sicherheit in Beispielen natürlicher Sprache ermitteln, können Experten objektiv messen, inwieweit vernünftige Verbraucher die Informationen als Tatsachen interpretieren können.

Produkthaftung – Ein wachsender Forschungsbereich betrifft die Quantifizierung und Isolierung spezifischer Einheiten, auf die in einem breiteren Text Bezug genommen wird. Bei Produkthaftungsfällen können beispielsweise benutzergenerierte Produktbewertungen untersucht werden, um die Bedeutung und Stimmung der betreffenden Produktmerkmale zu ermitteln. Anstatt die Rezension als Ganzes zu bewerten, konzentriert sich die aspektbasierte Stimmungsanalyse nur auf die betreffenden Merkmale und ermöglicht so die Extraktion starker Indikatoren aus differenzierten oder gemischten Rezensionen.

Klassenzertifizierung – Eine erfolgreiche Anfechtung der Klassenzertifizierung wird zeigen, dass die Umstände der mutmaßlichen Gruppenmitglieder ausreichend unterschiedlich waren, um eine individuelle Behandlung zu erfordern. Alle oben diskutierten Methoden können zusammengenommen werden, um die Heterogenität der betreffenden Materialien zu quantifizieren. Beispielsweise kann in einem Fall, bei dem es um Marketing-Falschdarstellungen geht, ein Klassifikator trainiert werden, um relevante Marketinginhalte von nicht fraglichen Inhalten zu unterscheiden, die angesprochenen Themen in mehreren unterschiedlichen Marketingkampagnen zu modellieren und Bilder zusammenzufassen, um unterschiedliche Anziehungskraft für verschiedene Verbraucher zu verdeutlichen.

Seit Jahrhunderten unterscheidet die Fähigkeit des Menschen, die verfügbaren Ressourcen an seine Bedürfnisse anzupassen, ihn von weniger entwickelten Arten. Wir sehen es in allen Lebensbereichen, und die oben genannten Beispiele zeigen es in unserem kleinen Winkel der Welt. Und wir werden dies auch weiterhin beobachten, da die Verfügbarkeit umfangreicher sozialer Medien und anderer benutzergenerierter Daten immer weiter zunimmt und komplexer wird. Vereinfacht ausgedrückt sind KI und ML von entscheidender Bedeutung, wenn es darum geht, den „Heuhaufen“ effizient zu durchsuchen und die „Nadel“ zu finden. Wer versucht, die Nadel per Hand zu finden, wird unweigerlich auf der Strecke bleiben.

Dieser Artikel wurde ursprünglich im März 2023 von Law.com veröffentlicht.

Die hier geäußerten Ansichten sind ausschließlich die der Autoren und spiegeln nicht unbedingt die Ansichten von Cornerstone Research wider.

Mike DeCesaris

Vizepräsident, Data Science Center

Sachin Sancheti

Vizepräsident