Дорогие подписчики, спасибо, что вы со мной, читаете и делитесь постами. С наступающим новым годом, желаю, чтобы все мечты сбывались и всегда была искра!
На январских праздниках дочитал интересную работу по истории: про ментальность западных людей эпохи средневековья.
Этот подход к истории заинтересовал меня своей необычностью (видимо, как и историков сначала в 1920-е, затем в 1960-е).
Я не вижу смысла пересказывать основные идеи и общую канву, скажу лишь, что кроме этих общих идей зацепило меня.
1. Невероятное количество религиозных противоречий, которые умещались в одном сознании:
- христианское единство и национальная самостоятельность;
- языческие или еще более ранние верования и христианство;
- разные "версии" христианства;
Напомнило принципы построения древней китайской бюрократии - как себя ни веди, что-нибудь все равно нарушишь, и это рычаг воздействия на тебя для императора.
2. Фантастическая власть сеньора (феодала) над простыми смертными (несмотря на то, что они все христиане и перед Богом равны). Причем сеньоры любили злоупотреблять именно судебной функцией.
3. Чрезвычайная зависимость от внешних обстоятельств. Войны, голод, эпидемии и звери - случались на порядок чаще, чем сейчас, и далеко не всегда от них можно было откупиться.
4. Интересное обоснование запрета на ростовщичество. У людей того времени и той веры (берем христианство "в общем") считалось, что временем распоряжается только Всевышний. Людям же время не принадлежит. Поэтому ростовщики, зарабатывающие на процентах, зарабатывают на времени и тем самым вторгаются в юрисдикцию Всевышнего. Поэтому христиане такими вещами заниматься не могут.
5. Социальная стратификация такова, что за каждой стратой закреплен свой преобладающий грех: для слуг - притворство, для купцов - обман, для рыцарей - разбой, для монахов - лицемерие, для крестьян - святотатство (что не удивительно с учетом п. 1).
Книга довольно сложная, в метро не почитаешь:)
Этот подход к истории заинтересовал меня своей необычностью (видимо, как и историков сначала в 1920-е, затем в 1960-е).
Я не вижу смысла пересказывать основные идеи и общую канву, скажу лишь, что кроме этих общих идей зацепило меня.
1. Невероятное количество религиозных противоречий, которые умещались в одном сознании:
- христианское единство и национальная самостоятельность;
- языческие или еще более ранние верования и христианство;
- разные "версии" христианства;
Напомнило принципы построения древней китайской бюрократии - как себя ни веди, что-нибудь все равно нарушишь, и это рычаг воздействия на тебя для императора.
2. Фантастическая власть сеньора (феодала) над простыми смертными (несмотря на то, что они все христиане и перед Богом равны). Причем сеньоры любили злоупотреблять именно судебной функцией.
3. Чрезвычайная зависимость от внешних обстоятельств. Войны, голод, эпидемии и звери - случались на порядок чаще, чем сейчас, и далеко не всегда от них можно было откупиться.
4. Интересное обоснование запрета на ростовщичество. У людей того времени и той веры (берем христианство "в общем") считалось, что временем распоряжается только Всевышний. Людям же время не принадлежит. Поэтому ростовщики, зарабатывающие на процентах, зарабатывают на времени и тем самым вторгаются в юрисдикцию Всевышнего. Поэтому христиане такими вещами заниматься не могут.
5. Социальная стратификация такова, что за каждой стратой закреплен свой преобладающий грех: для слуг - притворство, для купцов - обман, для рыцарей - разбой, для монахов - лицемерие, для крестьян - святотатство (что не удивительно с учетом п. 1).
Книга довольно сложная, в метро не почитаешь:)
В продолжение темы об экологических аспектах дата-центров
Появилась новость об опыте США в строительстве таких дата-центров. Местное население активно протестует против их строительства, поскольку они:
- потребляют много воды (хорошо, что у нас этой хозяйственной воды полно)
- взвинчивают цены на электричество
- шумят (об этом я писал в Legal Insight) .
Это приводит к тому, что за 2025 в США было отменено строительство 25 дата-центров. Я считаю, что это не так уж и много (около 12%, если учитывать, что всего в США стоится 200шт.) для масштабов страны. Но если учитывать, что каждая такая отмена потребовала активности местных жителей, то 25 отмен - это не так уж и мало.
В любом случае, повсеместное строительство дата-центров - это данность, в которой все будут жить (или уже живут), поэтому я убежден, что ближайшие несколько лет нас ждет скачок строительных технологий в области энерго-, водопотребления, и уж тем более шумоизоляции.
Появилась новость об опыте США в строительстве таких дата-центров. Местное население активно протестует против их строительства, поскольку они:
- потребляют много воды (хорошо, что у нас этой хозяйственной воды полно)
- взвинчивают цены на электричество
- шумят (об этом я писал в Legal Insight) .
Это приводит к тому, что за 2025 в США было отменено строительство 25 дата-центров. Я считаю, что это не так уж и много (около 12%, если учитывать, что всего в США стоится 200шт.) для масштабов страны. Но если учитывать, что каждая такая отмена потребовала активности местных жителей, то 25 отмен - это не так уж и мало.
В любом случае, повсеместное строительство дата-центров - это данность, в которой все будут жить (или уже живут), поэтому я убежден, что ближайшие несколько лет нас ждет скачок строительных технологий в области энерго-, водопотребления, и уж тем более шумоизоляции.
Время интеллекта
Протесты американцев похоронили 25 проектов дата-центров за год | Время интеллекта
Инвесторы готовы направить более 500 млрд долларов на строительство дата-центров в США в этом году. Такую оценку дал Goldman Sachs. Однако владельцы ЦОД...
#обзор_продукта
Название: JudgeAI
Описание продукта: ИИ-судья сам все анализирует и выносит решение по делу. Не продукт, а песня. Предполагается, что пользователь загружает в систему иск и возражения на него, иные документы и на выходе получает полный анализ дела и проект решения. Потенциальные пользователи – судьи, консультанты, корпорации: все они хотят разбор своего спора и прогноз решения. Продукт получил финансирование от Microsoft (!). Дальше – слово основателю:
Думаю, если бы наш законодатель и судьи вслед за ним руководствовались равновесием Нэша, мы бы жили в другом мире. Прочитать больше умных слов, да еще и красивое демо-видео посмотреть можно тут.
Мое мнение о продукте: я думаю, что проект сильно опередил свое время (был основан в 2024 г., с августа 2024 о нем ничего не слышно) и поэтому не получил достаточно внимания.
1) Применительно к государственным судам я верю, что через 6-8 лет подобные продукты найдут свою нишу для специфических судебных задач, если развитие российских LLM внезапно не встанет колом. Существует сфера судебной деятельности, где отсутствует спор о праве или имеется существенное упрощение процессуальной формы: судебные приказы, индексация присужденных денежных сумм, а может быть даже и взыскание судебных расходов. В таких категориях споров, где существенно меньше предмет доказывания, малая цена и усеченный предмет доказывания, который легче проверить по чек-листу – такие продукты могут проявить себя вполне хорошо. Разумеется, речь не идет о том, что судья-человек будет выключен из процесса целиком.
Пока же продукт выглядит утопически, я не удивлен, что он не взлетел. Правосудие нельзя автоматизировать в части познания, оценки и принятия решения. Можно лишь принять наиболее вероятное, а не законное и обоснованное решение. В категориях споров, перечисленных выше, последствия такой игры в кости будут наименьшими. И тогда их надо соотносить с а) конституционными ценностями, включая пересмотр понимания правосудия и деятельности суда в целом и с б) затратами на аппарат суда. Не исключаю, что через 6-8 лет такое сравнение может быть в пользу ИИ.
2) Корпорациям и консультантам продукт также может быть интересен: либо до начала работы над делом загрузить туда все, посмотреть на результат и наметить план работы, либо после работы над делом «сверить» часы.
Но из-за особенностей работы LLM применяться такой инструмент может только типовым спорам, да еще и с минимальным доверием к результатам. В совокупности с тем, что запускать такой инструмент надо на собственном железе, иначе будут проблемы с конфиденциальностью, он становится неприлично дорогим и при этом без очевидного эффекта. Поэтому до применения LLM для полноценного анализа дела и подготовки проекта решения мы дойдем еще не скоро, пока будут набирать обороты решения, которые позволяют выполнить изолированные задачи - поиск судебной практики, построение таймлайнов и т.п.
Как думаете, сможет ли в будущем ИИ анализировать факты, доводы сторон и выносить на их основе решение, которому можно доверять хотя бы с вероятностью 90%?:)
Название: JudgeAI
Описание продукта: ИИ-судья сам все анализирует и выносит решение по делу. Не продукт, а песня. Предполагается, что пользователь загружает в систему иск и возражения на него, иные документы и на выходе получает полный анализ дела и проект решения. Потенциальные пользователи – судьи, консультанты, корпорации: все они хотят разбор своего спора и прогноз решения. Продукт получил финансирование от Microsoft (!). Дальше – слово основателю:
«… система анализирует все представленные доказательства, строит хронологию юридически значимых действий сторон и формирует "идеальный нарратив" поведения сторон на основе общих принципов права и условий контракта.
После формирования идеальной модели, JudgeAI переходит к процедуре принятия решений. Этот этап критически важен, так как на нём анализируются отклонения от идеальной модели поведения сторон. Система оценивает, могут ли эти отклонения быть оправданы в контексте равновесия Нэша, которое предполагает выбор альтернативных стратегий без ущерба для другой стороны.»
Думаю, если бы наш законодатель и судьи вслед за ним руководствовались равновесием Нэша, мы бы жили в другом мире. Прочитать больше умных слов, да еще и красивое демо-видео посмотреть можно тут.
Мое мнение о продукте: я думаю, что проект сильно опередил свое время (был основан в 2024 г., с августа 2024 о нем ничего не слышно) и поэтому не получил достаточно внимания.
1) Применительно к государственным судам я верю, что через 6-8 лет подобные продукты найдут свою нишу для специфических судебных задач, если развитие российских LLM внезапно не встанет колом. Существует сфера судебной деятельности, где отсутствует спор о праве или имеется существенное упрощение процессуальной формы: судебные приказы, индексация присужденных денежных сумм, а может быть даже и взыскание судебных расходов. В таких категориях споров, где существенно меньше предмет доказывания, малая цена и усеченный предмет доказывания, который легче проверить по чек-листу – такие продукты могут проявить себя вполне хорошо. Разумеется, речь не идет о том, что судья-человек будет выключен из процесса целиком.
Пока же продукт выглядит утопически, я не удивлен, что он не взлетел. Правосудие нельзя автоматизировать в части познания, оценки и принятия решения. Можно лишь принять наиболее вероятное, а не законное и обоснованное решение. В категориях споров, перечисленных выше, последствия такой игры в кости будут наименьшими. И тогда их надо соотносить с а) конституционными ценностями, включая пересмотр понимания правосудия и деятельности суда в целом и с б) затратами на аппарат суда. Не исключаю, что через 6-8 лет такое сравнение может быть в пользу ИИ.
2) Корпорациям и консультантам продукт также может быть интересен: либо до начала работы над делом загрузить туда все, посмотреть на результат и наметить план работы, либо после работы над делом «сверить» часы.
Но из-за особенностей работы LLM применяться такой инструмент может только типовым спорам, да еще и с минимальным доверием к результатам. В совокупности с тем, что запускать такой инструмент надо на собственном железе, иначе будут проблемы с конфиденциальностью, он становится неприлично дорогим и при этом без очевидного эффекта. Поэтому до применения LLM для полноценного анализа дела и подготовки проекта решения мы дойдем еще не скоро, пока будут набирать обороты решения, которые позволяют выполнить изолированные задачи - поиск судебной практики, построение таймлайнов и т.п.
Как думаете, сможет ли в будущем ИИ анализировать факты, доводы сторон и выносить на их основе решение, которому можно доверять хотя бы с вероятностью 90%?:)
Forwarded from РУЛЬФЫ, ИЛЬФЫ И ИНХАУСЫ
В AAA – ICDR создали и запустили ИИ-арбитра
Американская арбитражная ассоциация – Международный центр по разрешению споров (AAA-ICDR) запустила новый инструмент, основанный на искусственном интеллекте – ИИ-арбитра (the AI Arbitrator), который, как сообщается, будет выносить быстрые, эффективные и заслуживающие доверия решения по строительным спорам, в которых участвуют только две стороны и которые рассматриваются только на основе документов.
Эндрю Бартон, вице-президент AAA-ICDR, который курирует разработку и внедрение ИИ-арбитра, сказал представителям американской юридической фирмы Akin Gump Strauss Hauer & Feld, что: “[AAA-ICDR] рассматривает ИИ-арбитра как платформу, а не как одноразовый инструмент. Этот первоначальный релиз [ИИ-арбитра] устанавливает основные возможности и механизмы и позволяет [AAA-ICDR] ответственно расширяться по мере появления дополнительных вариантов использования и усложнений”.
ИИ - арбитр - это концепция, разработанная AAA-ICDR в сотрудничестве с компанией QuantumBlack, AI от McKinsey (McKinsey & Company приобрела лондонскую компанию QuantumBlack в 2015 году). Он был обучен работе с более чем 1500 решениями строительного арбитража, опираясь на реальные позиции арбитров из практики AAA-ICDR в области строительства. ИИ-арбитр был дополнительно доработан с помощью примеров, отобранных экспертами, и с помощью арбитра-человека. Инструмент был протестирован многократно, с постоянной обратной связью со строительными юристами и обученными арбитрами из Строительной комиссии AAA-ICDR.
Чтобы использовать арбитра с искусственным интеллектом, обе стороны должны согласиться передать свой спор на его рассмотрение ИИ-арбитром, соблюдая принцип согласия, который является одним из основных принципов арбитража. Если соглашение не достигнуто, дело рассматривается как традиционный арбитраж AAA с участием арбитра-человека. Возможность передачи споров на рассмотрение ИИ-арбитра в настоящее время доступна только для споров с низкой стоимостью, в рассмотрении которых используются только документы и в которых не участвуют свидетели и которые не затрагивают сложные фактические или юридические вопросы. В этом году AAA-ICDR планирует расширить предложение услуг ИИ-арбитра на другие отрасли и на более дорогостоящие споры.
ИИ-арбитр работает на платформе кейс-менеджмента AAA-ICDR (AAA-ICDR’s Case Management Platform) через запросно-ориентированный интерфейс (prompt-driven interface). Инструмент способен обобщать претензии, материалы и загружаемую информацию, при этом сторонам арбитража предоставляется возможность просматривать результаты его работы и комментировать их. Затем ИИ-арбитр интеллектом анализирует доказательства, оценивает суть претензий, применяет соответствующее право и использует юридические аргументы для выработки рекомендаций.
Затем ИИ-арбитр приступает к подготовке предлагаемого решения.
После этого арбитр-человек рассматривает подготовленный ИИ-арбитром проект арбитражного решения, вносит все необходимые изменения и выносит окончательное, имеющее обязательную силу решение. На протяжении всего процесса задействован арбитр-человек, поскольку AAA-ICDR утверждает, что каждый вывод ИИ-арбитра проверяется на логичность, справедливость и юридическую обоснованность опытным арбитром-человеком, прошедшим подготовку по надзору за ИИ-арбитром.
AAA-ICDR в настоящее время прогнозирует, что для рассмотрения типичного дела с низкой стоимостью и использованием только документов (которое обычно занимает от 60 до 75 дней до вынесения решения) потребуется всего около 30-45 дней, если дело будет рассматривать ИИ-арбитр.
Подробнее об ИИ-арбитре от AAA-ICDR написали юристы Akin Gump.
Рульфы, ильфы и инхаусы в VK
Американская арбитражная ассоциация – Международный центр по разрешению споров (AAA-ICDR) запустила новый инструмент, основанный на искусственном интеллекте – ИИ-арбитра (the AI Arbitrator), который, как сообщается, будет выносить быстрые, эффективные и заслуживающие доверия решения по строительным спорам, в которых участвуют только две стороны и которые рассматриваются только на основе документов.
Эндрю Бартон, вице-президент AAA-ICDR, который курирует разработку и внедрение ИИ-арбитра, сказал представителям американской юридической фирмы Akin Gump Strauss Hauer & Feld, что: “[AAA-ICDR] рассматривает ИИ-арбитра как платформу, а не как одноразовый инструмент. Этот первоначальный релиз [ИИ-арбитра] устанавливает основные возможности и механизмы и позволяет [AAA-ICDR] ответственно расширяться по мере появления дополнительных вариантов использования и усложнений”.
ИИ - арбитр - это концепция, разработанная AAA-ICDR в сотрудничестве с компанией QuantumBlack, AI от McKinsey (McKinsey & Company приобрела лондонскую компанию QuantumBlack в 2015 году). Он был обучен работе с более чем 1500 решениями строительного арбитража, опираясь на реальные позиции арбитров из практики AAA-ICDR в области строительства. ИИ-арбитр был дополнительно доработан с помощью примеров, отобранных экспертами, и с помощью арбитра-человека. Инструмент был протестирован многократно, с постоянной обратной связью со строительными юристами и обученными арбитрами из Строительной комиссии AAA-ICDR.
Чтобы использовать арбитра с искусственным интеллектом, обе стороны должны согласиться передать свой спор на его рассмотрение ИИ-арбитром, соблюдая принцип согласия, который является одним из основных принципов арбитража. Если соглашение не достигнуто, дело рассматривается как традиционный арбитраж AAA с участием арбитра-человека. Возможность передачи споров на рассмотрение ИИ-арбитра в настоящее время доступна только для споров с низкой стоимостью, в рассмотрении которых используются только документы и в которых не участвуют свидетели и которые не затрагивают сложные фактические или юридические вопросы. В этом году AAA-ICDR планирует расширить предложение услуг ИИ-арбитра на другие отрасли и на более дорогостоящие споры.
ИИ-арбитр работает на платформе кейс-менеджмента AAA-ICDR (AAA-ICDR’s Case Management Platform) через запросно-ориентированный интерфейс (prompt-driven interface). Инструмент способен обобщать претензии, материалы и загружаемую информацию, при этом сторонам арбитража предоставляется возможность просматривать результаты его работы и комментировать их. Затем ИИ-арбитр интеллектом анализирует доказательства, оценивает суть претензий, применяет соответствующее право и использует юридические аргументы для выработки рекомендаций.
Затем ИИ-арбитр приступает к подготовке предлагаемого решения.
После этого арбитр-человек рассматривает подготовленный ИИ-арбитром проект арбитражного решения, вносит все необходимые изменения и выносит окончательное, имеющее обязательную силу решение. На протяжении всего процесса задействован арбитр-человек, поскольку AAA-ICDR утверждает, что каждый вывод ИИ-арбитра проверяется на логичность, справедливость и юридическую обоснованность опытным арбитром-человеком, прошедшим подготовку по надзору за ИИ-арбитром.
AAA-ICDR в настоящее время прогнозирует, что для рассмотрения типичного дела с низкой стоимостью и использованием только документов (которое обычно занимает от 60 до 75 дней до вынесения решения) потребуется всего около 30-45 дней, если дело будет рассматривать ИИ-арбитр.
Подробнее об ИИ-арбитре от AAA-ICDR написали юристы Akin Gump.
Рульфы, ильфы и инхаусы в VK
Об ограничениях ИИ в судопроизводстве
В Известиях вышел материал о планы ограничит ИИ в судопроизводстве и иных сферах с высокой ценой ошибок.
Раз такой материал появился в федеральном СМИ, кто-то всерьез полагает, что судопроизводство ближайшее время может быть делегировано ИИ. Это может привести к критическим ошибкам судей, значит надо срочно его ограничивать. Думаю, для абсолютного большинства очевидно, что это не так (об этом я писал здесь).
С внедрением ИИ в правосудие действительно не надо спешить – пока ИИ еще не на таком уровне, чтобы принимать какие-либо решения за судью (и ближайшие лет 10 еще таким и останется). Он галлюцинирует, исходит из ложных посылок и т.п.
Но аргументы для грозящих ограничений - не столько об этом, сколько о юристах, которые используют ИИ во вред себе и правосудию:
Для меня странно, что судьи вообще верят каким-либо общим и абстрактными прогнозам. Судьи не всегда готовы оценивать практику по аналогичным спорам, а тут на них якобы «давят» прогнозами, построенными на основании тысяч дел (которые непонятно как отбирались). Такая проблема, если и существует, то относится к этике судебного представительства, но никак не к тому, что ИИ следует ограничивать.
Второй аргумент в том, что:
Я поддерживаю осторожный подход к использованию ИИ в судопроизводстве, но в публикации спутаны действующие лица и средства. Буду следить, к чему в итоге придут Минцифры и Минюст.
В Известиях вышел материал о планы ограничит ИИ в судопроизводстве и иных сферах с высокой ценой ошибок.
Раз такой материал появился в федеральном СМИ, кто-то всерьез полагает, что судопроизводство ближайшее время может быть делегировано ИИ. Это может привести к критическим ошибкам судей, значит надо срочно его ограничивать. Думаю, для абсолютного большинства очевидно, что это не так (об этом я писал здесь).
С внедрением ИИ в правосудие действительно не надо спешить – пока ИИ еще не на таком уровне, чтобы принимать какие-либо решения за судью (и ближайшие лет 10 еще таким и останется). Он галлюцинирует, исходит из ложных посылок и т.п.
Но аргументы для грозящих ограничений - не столько об этом, сколько о юристах, которые используют ИИ во вред себе и правосудию:
«В юриспруденции вызывают споры так называемые предиктивные технологии, когда сторона загружает материалы и фабулу дела в программу и просит представить прогноз о том, каким образом суд должен разрешить настоящий спор. В дальнейшем такой анализ иногда используется для психологического давления на судью. … Когда участник процесса прибегает к подобным методам и представляет прогноз, подготовленный ИИ, это может влиять на личное восприятие судьи, формирующего решение на основе собственного опыта и знаний».
Для меня странно, что судьи вообще верят каким-либо общим и абстрактными прогнозам. Судьи не всегда готовы оценивать практику по аналогичным спорам, а тут на них якобы «давят» прогнозами, построенными на основании тысяч дел (которые непонятно как отбирались). Такая проблема, если и существует, то относится к этике судебного представительства, но никак не к тому, что ИИ следует ограничивать.
Второй аргумент в том, что:
«Нередко представители сторон используют нейросети для подготовки процессуальных позиций, не проверяя достоверность ссылок на нормы права и судебную практику, которые порой оказываются вымышленными».Как и в первом случае, ИИ здесь ни при чем. Клиент, оппонент, общеизвестные источники дают гигантские объемы информации, которую надо оценивать критически, а не копировать ее бездумно в процессуальные документы. Сейчас к этому добавился ИИ, но это не повод его ограничивать.
Я поддерживаю осторожный подход к использованию ИИ в судопроизводстве, но в публикации спутаны действующие лица и средства. Буду следить, к чему в итоге придут Минцифры и Минюст.
Известия
Шах ИИ мат: нейросети ограничат в принятии решений в социально значимых сферах
Каким будет закон об их регулировании и почему решающий голос должен остаться за человеком
Интересная попытка поверить алгеброй гармонию
Прежде я писал про стартапы в области предсказаний судебных актов и свои мысли на этот счет. Сейчас предлагаю обсудить технический аспект – оценка моделями доказательств и установление ими юридических фактов.
Первым делом, как это положено, сделали свой датасет. Сделали круто.
В рамках исследования китайские коллеги создали датасет по 10 категориям гражданских споров на основании 650 судебных актов, где отразили требования истца, возражения ответчика, доказательства с обеих сторон, доказанные юридические факты, а также результат рассмотрения дела.
Причем сначала юристы собрали по 100 решений для каждой категории, прочитали их и отсеяли те, где описание доказательств неточным. Осталось 657 судебных актов.
Затем с помощью регулярных выражений и GPT-4o из этих решений извлекли доказательства и установленные юридические факты. Регулярные выражения используются для вычленения типовых блоков (на российские реалии, например – резолютивная часть судебного акта идет после слов «решил / постановил»).
Пишут, что итоговый результат извлечения юристы тоже посмотрели и отметили верное / частично верное / полностью неверное извлечение. Это позволяет свести проблему к задаче классификации. Для технической составляющей это крайне важно, т.к. дает понятные числовые метрики, которые позволяют оценить качество той или иной модели.
После всех этих итераций из датасета убрали результат рассмотрения дела и дали юристам, чтобы они на основании извлеченных доказательств и юридических фактов предсказали результат рассмотрения дела. Люди-юристы верно предсказали результат рассмотрения 87% дел. Из этого ученые делают вывод о том, что извлечение доказательств и установленных юридических фактов прошло весьма хорошо.
Учитывая культуру подготовки судебных актов по российским спорам представляю, с какими трудностями столкнулись бы российские исследователи.
Прежде я писал про стартапы в области предсказаний судебных актов и свои мысли на этот счет. Сейчас предлагаю обсудить технический аспект – оценка моделями доказательств и установление ими юридических фактов.
Первым делом, как это положено, сделали свой датасет. Сделали круто.
В рамках исследования китайские коллеги создали датасет по 10 категориям гражданских споров на основании 650 судебных актов, где отразили требования истца, возражения ответчика, доказательства с обеих сторон, доказанные юридические факты, а также результат рассмотрения дела.
Причем сначала юристы собрали по 100 решений для каждой категории, прочитали их и отсеяли те, где описание доказательств неточным. Осталось 657 судебных актов.
Затем с помощью регулярных выражений и GPT-4o из этих решений извлекли доказательства и установленные юридические факты. Регулярные выражения используются для вычленения типовых блоков (на российские реалии, например – резолютивная часть судебного акта идет после слов «решил / постановил»).
Пишут, что итоговый результат извлечения юристы тоже посмотрели и отметили верное / частично верное / полностью неверное извлечение. Это позволяет свести проблему к задаче классификации. Для технической составляющей это крайне важно, т.к. дает понятные числовые метрики, которые позволяют оценить качество той или иной модели.
После всех этих итераций из датасета убрали результат рассмотрения дела и дали юристам, чтобы они на основании извлеченных доказательств и юридических фактов предсказали результат рассмотрения дела. Люди-юристы верно предсказали результат рассмотрения 87% дел. Из этого ученые делают вывод о том, что извлечение доказательств и установленных юридических фактов прошло весьма хорошо.
Учитывая культуру подготовки судебных актов по российским спорам представляю, с какими трудностями столкнулись бы российские исследователи.
Следующим шагом на датасете протестировали LLM
Среди протестированных: GPT-4o, Claude3.5, Qwen2.5-14B, Llama3.1-Chinese-8B, Law-Llama3.1-8B, LawJustice-Llama3.1-8B. К выбору моделей у меня большие вопросы, статья готовилась в конце 2025 года, а модели использовались 2-летней давности. Кроме того, модели с параметрами 8 млрд на фоне GPT-4o и Claude3.5 (где параметров 50+ млрд) выглядят как счеты на фоне калькулятора.
По своему опыту знаю, что для научных исследований используются более простые модели из-за ограниченности ресурсов (финансовых, вычислительных и т.п.).
После тестов LLM на собранном датасете исследователи пришли к неутешительным выводам:
1. Лучший результат моделей – 59% верных ответов, худший – 26%. Это означает, что подбрасывание монетки при оценке доказательства дает примерно тот же результат, а иногда - лучше.
2. Дообученные на юридических текстах LLM дали результат хуже, чем общие модели. Я убежден, что этот вывод обусловлен исключительно количеством параметров специализированных моделей (8-14 млрд), и общих моделей (50+ млрд). Уверен, современные специализированные модели показали бы себя лучше.
3. Модели хорошо предсказывают кейсы, где требования истца удовлетворили полностью, а вот проигрышные и или с частичным удовлетворением – плохо.
4. Если ответчик дает доказательства, модели предсказывают гораздо хуже. Для конечного пользователя это проблема, т.к. вряд ли он будет обращаться за прогнозом по спору, где выносится судебный приказ или презюмируется отсутствие спора о праве.
5. Модель отдает предпочтение тому, кто первый дал доказательство (как правило – истец), безотносительно содержания доказательства.
6. Модель отдает предпочтение тому, кто предоставил больше доказательств, безотносительно содержания доказательств.
Исследователи проделали большую и кропотливую работу, пришли к любопытным выводам. Но до хороших результатов, а тем более до повсеместного применения еще очень далеко. Хотя я не вижу принципиальных препятствий для использования технологии в российском правосудии, количество технических трудностей таково, что появление более-менее вменяемой системы произойдет не скоро. К трудностям следует отнести особенности мотивировки судебных актов в российских судах (не для машин), огромное количество категорий споров с едва различимыми гранями, смешанные споры и т.п.
P.S. Побочным открытием для меня стало то, что вычислением вероятности того или иного судебного решения занимаются … с1963 г.! А вообще на эту тему регулярно пишут, кому интересно – вот работа с прогнозами судебных актов Европейского суда по правам человека.
Среди протестированных: GPT-4o, Claude3.5, Qwen2.5-14B, Llama3.1-Chinese-8B, Law-Llama3.1-8B, LawJustice-Llama3.1-8B. К выбору моделей у меня большие вопросы, статья готовилась в конце 2025 года, а модели использовались 2-летней давности. Кроме того, модели с параметрами 8 млрд на фоне GPT-4o и Claude3.5 (где параметров 50+ млрд) выглядят как счеты на фоне калькулятора.
По своему опыту знаю, что для научных исследований используются более простые модели из-за ограниченности ресурсов (финансовых, вычислительных и т.п.).
После тестов LLM на собранном датасете исследователи пришли к неутешительным выводам:
1. Лучший результат моделей – 59% верных ответов, худший – 26%. Это означает, что подбрасывание монетки при оценке доказательства дает примерно тот же результат, а иногда - лучше.
2. Дообученные на юридических текстах LLM дали результат хуже, чем общие модели. Я убежден, что этот вывод обусловлен исключительно количеством параметров специализированных моделей (8-14 млрд), и общих моделей (50+ млрд). Уверен, современные специализированные модели показали бы себя лучше.
3. Модели хорошо предсказывают кейсы, где требования истца удовлетворили полностью, а вот проигрышные и или с частичным удовлетворением – плохо.
4. Если ответчик дает доказательства, модели предсказывают гораздо хуже. Для конечного пользователя это проблема, т.к. вряд ли он будет обращаться за прогнозом по спору, где выносится судебный приказ или презюмируется отсутствие спора о праве.
5. Модель отдает предпочтение тому, кто первый дал доказательство (как правило – истец), безотносительно содержания доказательства.
6. Модель отдает предпочтение тому, кто предоставил больше доказательств, безотносительно содержания доказательств.
Исследователи проделали большую и кропотливую работу, пришли к любопытным выводам. Но до хороших результатов, а тем более до повсеместного применения еще очень далеко. Хотя я не вижу принципиальных препятствий для использования технологии в российском правосудии, количество технических трудностей таково, что появление более-менее вменяемой системы произойдет не скоро. К трудностям следует отнести особенности мотивировки судебных актов в российских судах (не для машин), огромное количество категорий споров с едва различимыми гранями, смешанные споры и т.п.
P.S. Побочным открытием для меня стало то, что вычислением вероятности того или иного судебного решения занимаются … с
Друзья, по своему призванию я все-таки судебный юрист, поэтому чаще пишу о праве или связанных с ним темах.
Но бывают исключения. В последнее время мое внимание привлекло отсутствие каких-либо обобщений о том, по каким критериям заказчики по 44-ФЗ и 223-ФЗ выбирают внешних юристов. Сначала я полагал, что это монолитный набор критериев, где у всех все одинаково, но в ходе анализа конкретных закупок понял, что заказчики регулярно проявляют креатив.
На Право.ру вышел мой материал о том, какие любопытные критерии заказчики придумывают, чтобы выбирать внешних юристов. Дополнительно посмотрел, как эти критерии выдерживают оспаривание в антимонопольном органе, а затем и в суде.
Независимо от того, в какой команде вы играете – заказчика или участника закупки – обещаю, будет интересно!
Но бывают исключения. В последнее время мое внимание привлекло отсутствие каких-либо обобщений о том, по каким критериям заказчики по 44-ФЗ и 223-ФЗ выбирают внешних юристов. Сначала я полагал, что это монолитный набор критериев, где у всех все одинаково, но в ходе анализа конкретных закупок понял, что заказчики регулярно проявляют креатив.
На Право.ру вышел мой материал о том, какие любопытные критерии заказчики придумывают, чтобы выбирать внешних юристов. Дополнительно посмотрел, как эти критерии выдерживают оспаривание в антимонопольном органе, а затем и в суде.
Независимо от того, в какой команде вы играете – заказчика или участника закупки – обещаю, будет интересно!
This media is not supported in your browser
VIEW IN TELEGRAM
Как облегчить изменение одной статьи в НПА, чтобы не покосилось остальное
Система законодательства на то и система, что элементы (НПА и отдельные статьи) связаны между собой. По крайней мере, я в это верю и исхожу из этого при толковании. Иногда связь явная – в одной статье есть ссылка на другую. А иногда – подразумеваемая, исходя из общего контекста. К сожалению, совершенно нормальная история, когда в ходе реформирования (особенно локального, не грандиозного), точечно правят одну статью, забывая при этом проверить такие подразумеваемые связи.
Нашел любопытную работу, где исследователи из Омана попытались решить эту проблему техническими методами, построив граф взаимосвязей каждой из статей между собой. Они действовали следующим образом:
1. Собрали в один датасет все НПА Омана, которые сумели найти. Трудовое, коммерческое право, право социального обеспечения и т.п. Про уголовное и налоговое ни слова, как и объяснений, почему одни отрасли попали, а другие – нет.
2. Далее каждая статья была «упрощена»: были исключены предлоги и другие служебные слова. В принципе, на этом можно было остановиться и не читать статью дальше, т.к. это «упрощение» превратило статью в мешок слов, потерялись связи между словами. Этот шаг в корне убивает результат исследования. Но я продолжил, т.к. мне был интересны выводы технарей, взявшихся за правотворчество.
3. Мешки слов были разделены на токены (что-то среднее между словами и слогами).
4. Далее с помощью статистики и «семантических методов» были посчитаны взаимосвязи между статьями. Авторы утверждают, что использовали некие «семантические методы», но сами методы не называются, а их влияние на результат не раскрывается.
За умными словами скрывается элементарное сравнение каждой статьи (вернее того, что от нее осталось) друг с другом и подсчет общих слов (токенов). Чем больше общих слов между статьями – тем более они связаны между собой. Визуализация таких количественных взаимосвязей в виде графа и будет той самой системой взаимосвязей.
5. Показали эти графы взаимосвязей юристам. Этой части посвящен абзац, из которого следует, что используемая авторами методика – корректна. Учитывая, что проверка юристами происходила через «консультации с практикующими юристами и учеными», они могли не видеть, что получилось в итоге. Поэтому с утверждениями о продукте по типу «проверено юристами» надо быть осторожнее – юристы могут проверять с разной степенью глубины.
Система законодательства на то и система, что элементы (НПА и отдельные статьи) связаны между собой. По крайней мере, я в это верю и исхожу из этого при толковании. Иногда связь явная – в одной статье есть ссылка на другую. А иногда – подразумеваемая, исходя из общего контекста. К сожалению, совершенно нормальная история, когда в ходе реформирования (особенно локального, не грандиозного), точечно правят одну статью, забывая при этом проверить такие подразумеваемые связи.
Нашел любопытную работу, где исследователи из Омана попытались решить эту проблему техническими методами, построив граф взаимосвязей каждой из статей между собой. Они действовали следующим образом:
1. Собрали в один датасет все НПА Омана, которые сумели найти. Трудовое, коммерческое право, право социального обеспечения и т.п. Про уголовное и налоговое ни слова, как и объяснений, почему одни отрасли попали, а другие – нет.
2. Далее каждая статья была «упрощена»: были исключены предлоги и другие служебные слова. В принципе, на этом можно было остановиться и не читать статью дальше, т.к. это «упрощение» превратило статью в мешок слов, потерялись связи между словами. Этот шаг в корне убивает результат исследования. Но я продолжил, т.к. мне был интересны выводы технарей, взявшихся за правотворчество.
3. Мешки слов были разделены на токены (что-то среднее между словами и слогами).
4. Далее с помощью статистики и «семантических методов» были посчитаны взаимосвязи между статьями. Авторы утверждают, что использовали некие «семантические методы», но сами методы не называются, а их влияние на результат не раскрывается.
За умными словами скрывается элементарное сравнение каждой статьи (вернее того, что от нее осталось) друг с другом и подсчет общих слов (токенов). Чем больше общих слов между статьями – тем более они связаны между собой. Визуализация таких количественных взаимосвязей в виде графа и будет той самой системой взаимосвязей.
5. Показали эти графы взаимосвязей юристам. Этой части посвящен абзац, из которого следует, что используемая авторами методика – корректна. Учитывая, что проверка юристами происходила через «консультации с практикующими юристами и учеными», они могли не видеть, что получилось в итоге. Поэтому с утверждениями о продукте по типу «проверено юристами» надо быть осторожнее – юристы могут проверять с разной степенью глубины.
Само исследование у меня вызывает большие вопросы как с точки зрения технической (статья конца 2025 года, а методика «общих слов» – из прошлого века), так и с юридической точки зрения. Но авторы утверждают, что их методика местным правотворцам будет полезна.
Исследование натолкнуло меня на такую мысль. Проблема взаимосвязей между статьями, когда изменение в одном месте приводит к неожиданностям в другом, уже давно мешает в договорной работе и подготовке ЛНА. Там эту проблему решают через консолидацию общих условий договора или пунктов ЛНА в одном месте, причем на разных уровнях (общие условия договоров => общие условия договоров поставки => индивидуальные условия и т.п.). Это позволяет гораздо лучше контролировать изменения.
Поэтому проблема ученых из Омана и инхаусов крупных компаний одна и та же. И те, и другие, хотят увидеть наиболее взаимосвязанные статьи, чтобы их изменения были последовательны и непротиворечивыми. Применительно к договорной работе и разработке ЛНА выявление взаимосвязей дополнительно позволяет найти самые востребованные нормы и вынести их в отдельный документ, который будет меняться реже.
Что касается технической составляющей такой методики, то я глубоко убежден, что LLM справится с этой задачей на техническом уровне на порядок лучше методики из статьи. Можно, конечно, просто загрузить все НПА в одну папочку, которую потом загрузить в ЛЛМ, но более точный вариант – соотносить с помощью LLM статью с каждой другой статьей, а потом систематизировать результаты. Поскольку такое декартово произведение будет тяжелым с точки зрения вычисления – у LLM должно быть приличное окно контекста.
Исследование натолкнуло меня на такую мысль. Проблема взаимосвязей между статьями, когда изменение в одном месте приводит к неожиданностям в другом, уже давно мешает в договорной работе и подготовке ЛНА. Там эту проблему решают через консолидацию общих условий договора или пунктов ЛНА в одном месте, причем на разных уровнях (общие условия договоров => общие условия договоров поставки => индивидуальные условия и т.п.). Это позволяет гораздо лучше контролировать изменения.
Поэтому проблема ученых из Омана и инхаусов крупных компаний одна и та же. И те, и другие, хотят увидеть наиболее взаимосвязанные статьи, чтобы их изменения были последовательны и непротиворечивыми. Применительно к договорной работе и разработке ЛНА выявление взаимосвязей дополнительно позволяет найти самые востребованные нормы и вынести их в отдельный документ, который будет меняться реже.
Что касается технической составляющей такой методики, то я глубоко убежден, что LLM справится с этой задачей на техническом уровне на порядок лучше методики из статьи. Можно, конечно, просто загрузить все НПА в одну папочку, которую потом загрузить в ЛЛМ, но более точный вариант – соотносить с помощью LLM статью с каждой другой статьей, а потом систематизировать результаты. Поскольку такое декартово произведение будет тяжелым с точки зрения вычисления – у LLM должно быть приличное окно контекста.
#обзор_продукта
Syllo — это платформа для судебных юристов, созданная с целью ускорения и оптимизации рабочих процессов.
Я бы сказал, что это Case.one от Право.Тех, построенный целиком на ИИ.
Несколько LLM (агенты) делают кучу технической работы – сначала определяют, к какому делу относится документ, затем складывают в нужную папку внутри дела. После этого доступен ИИ-поиск, саммаризация, построение таймлайнов и т.п. Есть даже режим исследования – выделение нужных фактов из всего массива документов на основании промпта. Этот режим можно использовать для сбора цитат из доказательств, обоснования доводов фактами и т.п.
Вряд ли система подходит, когда в работе мало дел, где относительно мало (менее 100) документов. Если же подход «промышленный» (т.е. десятки дел с 1000+ документами каждое) то я буду опасаться риска ошибки. У меня в практике регулярно встречались дела, в которых решающее доказательство (письмо, например), было одностраничное. Если такой документ в ходе сортировки «потеряется» не в той папке по делу – ИИ его просто не увидит. Хотя и человек может его пропустить, я думаю, что пока ИИ-юрист менее внимателен, чем человек.
В то же время, принятие таких рисков неизбежно, иначе потенциал ИИ так и останется незадействованным, работа не ускорится, а конкуренты убегут вперед.
Что же касается анализа большого массива документов – то в соотношении цена/качество ИИ нет равных. В крайнем случае, ручной труд можно использовать уже после ИИ: либо когда он совсем ничего не дал, либо когда он классифицировал документы на несколько типов и ручной труд будет касаться только конкретного типа.
Хотя меня смущает риск ошибок и конфиденциальности, с моей точки зрения – прекрасный продукт, российский лигал-тех движется в этом же направлении, а некоторый функционал Syllo так и вовсе уже давно реализован.
P.S. в сентябре 2025 Syllo привлек 35 млн долл. инвестиций. Для лигал теха, даже для американского, это хороший раунд и он показывает, что инвесторы в него верят.
Syllo — это платформа для судебных юристов, созданная с целью ускорения и оптимизации рабочих процессов.
Я бы сказал, что это Case.one от Право.Тех, построенный целиком на ИИ.
Несколько LLM (агенты) делают кучу технической работы – сначала определяют, к какому делу относится документ, затем складывают в нужную папку внутри дела. После этого доступен ИИ-поиск, саммаризация, построение таймлайнов и т.п. Есть даже режим исследования – выделение нужных фактов из всего массива документов на основании промпта. Этот режим можно использовать для сбора цитат из доказательств, обоснования доводов фактами и т.п.
Вряд ли система подходит, когда в работе мало дел, где относительно мало (менее 100) документов. Если же подход «промышленный» (т.е. десятки дел с 1000+ документами каждое) то я буду опасаться риска ошибки. У меня в практике регулярно встречались дела, в которых решающее доказательство (письмо, например), было одностраничное. Если такой документ в ходе сортировки «потеряется» не в той папке по делу – ИИ его просто не увидит. Хотя и человек может его пропустить, я думаю, что пока ИИ-юрист менее внимателен, чем человек.
В то же время, принятие таких рисков неизбежно, иначе потенциал ИИ так и останется незадействованным, работа не ускорится, а конкуренты убегут вперед.
Что же касается анализа большого массива документов – то в соотношении цена/качество ИИ нет равных. В крайнем случае, ручной труд можно использовать уже после ИИ: либо когда он совсем ничего не дал, либо когда он классифицировал документы на несколько типов и ручной труд будет касаться только конкретного типа.
Хотя меня смущает риск ошибок и конфиденциальности, с моей точки зрения – прекрасный продукт, российский лигал-тех движется в этом же направлении, а некоторый функционал Syllo так и вовсе уже давно реализован.
P.S. в сентябре 2025 Syllo привлек 35 млн долл. инвестиций. Для лигал теха, даже для американского, это хороший раунд и он показывает, что инвесторы в него верят.
Работа с риском конфиденциальности LLM
Сохранение конфиденциальности и взлом LLM - это как щит и меч: бесконечная эволюция. Поэтому нельзя однозначно утверждать, что сейчас сильнее.
Это приводит к тому, что никто не может дать гарантию конфиденциальности при работе с LLM. Из недавнего - оказывается, чтобы сделать backdoor - тропинку, через которую потом можно взломать модель и достать из нее что угодно - достаточно 250 документов. В масштабах обучения LLM - это капля в море, миллионные доли процентов (если не меньше).
Отсутствие гарантии конфиденциальности может быть воспринято как запрет использовать LLM в работе юриста. Но мне такой подход не близок: а где вообще в техническом мире есть что-то гарантированное? Любую базу данных взломают, но тем не менее все продолжают хранить данные не на бумаге, а в цифре.
Поэтому я вижу такой путь: распределение риска конфиденциальности с клиентом и получение его согласия на использование LLM в его проекте. Если спор небольшой / чувстительность документов невысокая - то использование LLM может быть оправдано. Какая польза от этого клиенту? Разумеется, скидка на юридические услуги или меньшие сроки на выполнение поручения.
У LLM есть и другие риски, которые также нужно распределять - риск того, что LLM не даст результата или даст отрицательный результат. Например - LLM среди 10 тыс. документов ничего не нашла (но нашел оппонент и выиграл), или LLM сделала неверные выводы (которые успешно опроверг оппонент). Об их возможном распределении напишу позже.
Сохранение конфиденциальности и взлом LLM - это как щит и меч: бесконечная эволюция. Поэтому нельзя однозначно утверждать, что сейчас сильнее.
Это приводит к тому, что никто не может дать гарантию конфиденциальности при работе с LLM. Из недавнего - оказывается, чтобы сделать backdoor - тропинку, через которую потом можно взломать модель и достать из нее что угодно - достаточно 250 документов. В масштабах обучения LLM - это капля в море, миллионные доли процентов (если не меньше).
Отсутствие гарантии конфиденциальности может быть воспринято как запрет использовать LLM в работе юриста. Но мне такой подход не близок: а где вообще в техническом мире есть что-то гарантированное? Любую базу данных взломают, но тем не менее все продолжают хранить данные не на бумаге, а в цифре.
Поэтому я вижу такой путь: распределение риска конфиденциальности с клиентом и получение его согласия на использование LLM в его проекте. Если спор небольшой / чувстительность документов невысокая - то использование LLM может быть оправдано. Какая польза от этого клиенту? Разумеется, скидка на юридические услуги или меньшие сроки на выполнение поручения.
У LLM есть и другие риски, которые также нужно распределять - риск того, что LLM не даст результата или даст отрицательный результат. Например - LLM среди 10 тыс. документов ничего не нашла (но нашел оппонент и выиграл), или LLM сделала неверные выводы (которые успешно опроверг оппонент). Об их возможном распределении напишу позже.
Telegram
LawCoder
А помните ⢌⠓⠖⢔⠴⡑⠦⢰ ⡔⠔ ⡘⠉⣁⢄ ⢉⡈⠱ ⠘⠡ ⠍⣠⠤⢃⠌⡡⢤⡐⡅⠡ я вам тут рассказывал, что все кто хоть как-то связан с иишкой с какого-то перепуга в конце 25го года кинулись делать анонимайзеры, но это довольно бессмысленная затея в свете угроз, которые исходят от ИИ?
Вот…
Вот…
Про вычисления и дата-центры
Иногда освещаю в канале проблемы вычислительной инфраструктуры для ИИ.
Ранее я писал о том, как влияют дата-центры на окружающую среду и о потенциальных групповых исках.
Первая проблема датацентров - излишнее тепло, которое надо отводить. Тепло появляется потому, что сигналы на кремниевой плате передают электроны. Это проблема не только дата-центров, но и любых вычислений, даже в вашем телефоне. Эти электроны нагревают плату-деталь-сервер-серверные стойки-помещение. Чтобы этот нагрев снизить - используют разные технологии. Предлагают делать дата-центры в космосе, в зоне вечной мерзлоты и других необычных холодных местах. Но в большинстве случаев - это другие системы охлаждения, которые потребляют электроэнергию. И это вторая проблема дата-центров.
Ученые мужи по всему миру (у нас - в Бауманке) с этой проблемой работают как минимум 10 лет, если не дольше. Одно из решений - давайте по плате будут бегать не электроны, а фотоны. Они не нагреваются. Фотоны, как и электроны, двигаются со скоростью света, но на единицу пространства фотонов влезает кратно больше. Отсюда повышение эффективности вычислений в разы. Называется это фотонные вычисления.
Как они решают проблему с потреблением электроэнергии я пока не разобрался. Даже если она никак не решается, устранение первой проблемы с лихвой это компенсирует.
И если последние 10 лет все было на уровне теорий и экспериментов, то вот недавно по всему миру начали появляться стартапы, которые в промышленных масштабах делают фотонные процессоры для вычислений, в т.ч. и для ИИ. Пример.
Некоторые скептики говорят, что пока технология сырая, но я убежден, что через 20-30 лет нас ждет очередная техническая революция в области железа.
Иногда освещаю в канале проблемы вычислительной инфраструктуры для ИИ.
Ранее я писал о том, как влияют дата-центры на окружающую среду и о потенциальных групповых исках.
Первая проблема датацентров - излишнее тепло, которое надо отводить. Тепло появляется потому, что сигналы на кремниевой плате передают электроны. Это проблема не только дата-центров, но и любых вычислений, даже в вашем телефоне. Эти электроны нагревают плату-деталь-сервер-серверные стойки-помещение. Чтобы этот нагрев снизить - используют разные технологии. Предлагают делать дата-центры в космосе, в зоне вечной мерзлоты и других необычных холодных местах. Но в большинстве случаев - это другие системы охлаждения, которые потребляют электроэнергию. И это вторая проблема дата-центров.
Ученые мужи по всему миру (у нас - в Бауманке) с этой проблемой работают как минимум 10 лет, если не дольше. Одно из решений - давайте по плате будут бегать не электроны, а фотоны. Они не нагреваются. Фотоны, как и электроны, двигаются со скоростью света, но на единицу пространства фотонов влезает кратно больше. Отсюда повышение эффективности вычислений в разы. Называется это фотонные вычисления.
Как они решают проблему с потреблением электроэнергии я пока не разобрался. Даже если она никак не решается, устранение первой проблемы с лихвой это компенсирует.
И если последние 10 лет все было на уровне теорий и экспериментов, то вот недавно по всему миру начали появляться стартапы, которые в промышленных масштабах делают фотонные процессоры для вычислений, в т.ч. и для ИИ. Пример.
Некоторые скептики говорят, что пока технология сырая, но я убежден, что через 20-30 лет нас ждет очередная техническая революция в области железа.
Telegram
Технолитигация
В продолжение темы об экологических аспектах дата-центров
Появилась новость об опыте США в строительстве таких дата-центров. Местное население активно протестует против их строительства, поскольку они:
- потребляют много воды (хорошо, что у нас этой хозяйственной…
Появилась новость об опыте США в строительстве таких дата-центров. Местное население активно протестует против их строительства, поскольку они:
- потребляют много воды (хорошо, что у нас этой хозяйственной…
ИИ в литигационных практиках юридических фирм США. Часть 1
В статье основателей Syllo обратил внимание на отзывы партнеров американских юрфирм, которые использовали ИИ в реальных судебных спорах. Даже если сделать скидку на маркетинговый характер статьи, примеры все равно впечатляют.
Сегодня речь пойдет о задаче анализа огромного числа документов.
Пример 1: Ballard Spahr LLP (89 место по выручке американских юр.фирм в 2025 г.):
В ходе судебного разбирательства клиент фирмы должен был раскрыть доказательства с учетом 30 запросов от оппонентов. Потенциально для запросов были релевантны 100 тысяч (!) документов. Судебная команда фирмы разработала 25 групп параметров, по которым нужно было проверить каждый документ и написала промпт. Утверждают, что потратили на подготовку этих инструкций всего 3 часа.
В результате ИИ отсеял половину. Оставшиеся 50 тыс. документов были раскрыты оппонентам.
Представим себе, что 100 тыс. документов – это одностраничные товарные накладные. По моим приблизительным расчетам для их анализа, да еще и по чек-листу из 25 параметров нужно, чтобы команда из 20 человек 3 месяца, не поднимая головы, их анализировала. Если же документы – нечто более сложное, чем накладная, то затраты умножаются как минимум в 2 раза и так до бесконечности.
Даже если про 3 часа приукрасили и в действительности потратили 200-300 часов + время на выборочную проверки (пусть еще 200 часов), это все равно несопоставимо с ручным трудом. Конечно, фирма потратилась на токены и на вычислительную инфраструктуру. Это необходимо для того, чтобы создать среду для работы ИИ и вручную не загружать по одному документу, не переплачивать за токены, отслеживать поведение ИИ и т.п.
Мне теперь любопытно, а что же делали с 50 тыс. документов, полученных в ответ на запрос о раскрытии – видимо, тоже прогонят документы через ИИ.
Важно, что все эти действия с ИИ одобрил клиент. Еще бы, представляю, какой счет уважаемая фирма могла выставить за такой объем работ.
Пример 2: Quinn Emanuel Urquhart & Sullivan, LLP (в представлении не нуждаются):
Команда фирмы была нанята меньше чем за 2 месяца до суда. Было необходимо отсмотреть 30 тыс. документов клиента и 40 тыс. документов от оппонентов, подготовить отзыв и представить все это в суд.
Стратегия поиска и анализа отличалась от первого примера. Здесь ИИ использовали для того, чтобы классифицировать все документы на 40 категорий и затем изучать наиболее приоритетные. Вероятно, тут без ручного труда не обошлось, но об этом не пишут. Помимо этого, ИИ использовали для подготовки возражений на доводы оппонентов и во время судебного разбирательства для поиска нестыковок в доказательствах.
В статье основателей Syllo обратил внимание на отзывы партнеров американских юрфирм, которые использовали ИИ в реальных судебных спорах. Даже если сделать скидку на маркетинговый характер статьи, примеры все равно впечатляют.
Сегодня речь пойдет о задаче анализа огромного числа документов.
Пример 1: Ballard Spahr LLP (89 место по выручке американских юр.фирм в 2025 г.):
В ходе судебного разбирательства клиент фирмы должен был раскрыть доказательства с учетом 30 запросов от оппонентов. Потенциально для запросов были релевантны 100 тысяч (!) документов. Судебная команда фирмы разработала 25 групп параметров, по которым нужно было проверить каждый документ и написала промпт. Утверждают, что потратили на подготовку этих инструкций всего 3 часа.
В результате ИИ отсеял половину. Оставшиеся 50 тыс. документов были раскрыты оппонентам.
Представим себе, что 100 тыс. документов – это одностраничные товарные накладные. По моим приблизительным расчетам для их анализа, да еще и по чек-листу из 25 параметров нужно, чтобы команда из 20 человек 3 месяца, не поднимая головы, их анализировала. Если же документы – нечто более сложное, чем накладная, то затраты умножаются как минимум в 2 раза и так до бесконечности.
Даже если про 3 часа приукрасили и в действительности потратили 200-300 часов + время на выборочную проверки (пусть еще 200 часов), это все равно несопоставимо с ручным трудом. Конечно, фирма потратилась на токены и на вычислительную инфраструктуру. Это необходимо для того, чтобы создать среду для работы ИИ и вручную не загружать по одному документу, не переплачивать за токены, отслеживать поведение ИИ и т.п.
Мне теперь любопытно, а что же делали с 50 тыс. документов, полученных в ответ на запрос о раскрытии – видимо, тоже прогонят документы через ИИ.
Важно, что все эти действия с ИИ одобрил клиент. Еще бы, представляю, какой счет уважаемая фирма могла выставить за такой объем работ.
Пример 2: Quinn Emanuel Urquhart & Sullivan, LLP (в представлении не нуждаются):
Команда фирмы была нанята меньше чем за 2 месяца до суда. Было необходимо отсмотреть 30 тыс. документов клиента и 40 тыс. документов от оппонентов, подготовить отзыв и представить все это в суд.
Стратегия поиска и анализа отличалась от первого примера. Здесь ИИ использовали для того, чтобы классифицировать все документы на 40 категорий и затем изучать наиболее приоритетные. Вероятно, тут без ручного труда не обошлось, но об этом не пишут. Помимо этого, ИИ использовали для подготовки возражений на доводы оппонентов и во время судебного разбирательства для поиска нестыковок в доказательствах.
Telegram
Технолитигация
#обзор_продукта
Syllo — это платформа для судебных юристов, созданная с целью ускорения и оптимизации рабочих процессов.
Я бы сказал, что это Case.one от Право.Тех, построенный целиком на ИИ.
Несколько LLM (агенты) делают кучу технической работы – сначала…
Syllo — это платформа для судебных юристов, созданная с целью ускорения и оптимизации рабочих процессов.
Я бы сказал, что это Case.one от Право.Тех, построенный целиком на ИИ.
Несколько LLM (агенты) делают кучу технической работы – сначала…
Пример 3: Outten & Golden LLP (в рейтингах не нашел, фирма специализируется на защите прав работников и подала 500+ групповых исков):
Фирма сопровождала трудовой спор. Нужно было проанализировать 12,5 тыс. документов. Вероятно, это было групповое производство, иначе мне трудно представить, что это за индивидуальный трудовой спор, где появилась необходимость анализа 12,5 тыс. документов. Может быть, решили проверить все документы, которые подписал работник-сторона спора.
С помощью ИИ удалось выбрать только 484 релевантных документа. Для этого каждый документ был классифицирован по 28 параметрам (тэгам). По этим тегам и отсеивали.
Оставшиеся 484 документа смотрели уже вручную. Результат ручной проверки показал, что 78 документов в выборку попали ошибочно. Значит, есть документы, которые НЕ попали в выборку ошибочно. Чтобы исключить эту ситуацию, оставшиеся 12 тыс. документов (или их части) снова оценили с помощью ИИ, но уже другим промптом, либо вручную (подробнее про elusion testing напишу в другой раз).
Второй раз релевантных документов не нашли и это позволило сказать, что ИИ качественно проверил всю выборку.
Хотя в отзывах и не пишут, позволил ли ИИ выиграть спор, и клиент, и фирма от использования ИИ в любом случае сэкономили сумасшедшие деньги. Примечательно, что фирмы использовали разные стратегии: в примере 1 - ручной труд исключили, а в примерах 2 и 3 настолько уменьшили объем данных, что сделали их доступным и целесообразным с т.з. затрат для дальнейшего анализа.
Фирма сопровождала трудовой спор. Нужно было проанализировать 12,5 тыс. документов. Вероятно, это было групповое производство, иначе мне трудно представить, что это за индивидуальный трудовой спор, где появилась необходимость анализа 12,5 тыс. документов. Может быть, решили проверить все документы, которые подписал работник-сторона спора.
С помощью ИИ удалось выбрать только 484 релевантных документа. Для этого каждый документ был классифицирован по 28 параметрам (тэгам). По этим тегам и отсеивали.
Оставшиеся 484 документа смотрели уже вручную. Результат ручной проверки показал, что 78 документов в выборку попали ошибочно. Значит, есть документы, которые НЕ попали в выборку ошибочно. Чтобы исключить эту ситуацию, оставшиеся 12 тыс. документов (или их части) снова оценили с помощью ИИ, но уже другим промптом, либо вручную (подробнее про elusion testing напишу в другой раз).
Второй раз релевантных документов не нашли и это позволило сказать, что ИИ качественно проверил всю выборку.
Хотя в отзывах и не пишут, позволил ли ИИ выиграть спор, и клиент, и фирма от использования ИИ в любом случае сэкономили сумасшедшие деньги. Примечательно, что фирмы использовали разные стратегии: в примере 1 - ручной труд исключили, а в примерах 2 и 3 настолько уменьшили объем данных, что сделали их доступным и целесообразным с т.з. затрат для дальнейшего анализа.
Outten & Golden
Homepage
A nationally recognized workers' rights law firm that has secured more than $1.3 billion for employees from every walk of life.
ИИ в литигационных практиках юридических фирм США. Часть 2
Сегодня поговорим про другие примеры использования ИИ при работе с делом.
Пример 1: Nixon Peabody LLP (88 место по выручке американских юр.фирм в 2025 г.):
Напомню, в прошлой части юридические команды использовали ИИ, чтобы корректно раскрыть доказательства. Команда пользовалась ИИ, он себя прекрасно показывал, доказательства раскрывались. В этом примере происходит логичное последствие выполнения этой задачи: трибунал обязал команду юристов, которая раскрыла 9 тыс документов, разметить (сгруппировать) их таким образом, чтобы было понятно, на какой именно запрос о раскрытии доказательств данный конкретный документ отвечает. Количество запросов – 30 шт, поэтому и меток 30 под каждый запрос.
Мне понравилась стратегия анализа: сначала попросили модель все разметить, т.е. на каждом документе поставить метку, к какому именно запросу относится документ. Затем по каждому документу у ИИ спрашивали, почему именно эта метка. И уже полученные ответы анализировали вручную. Уверяют, что а) такой анализ был качественный, б) понадобилось всего несколько недель на анализ.
Это, конечно, дольше, чем 3 часа из другого примера , но результат все равно впечатляет.
Пример 2: Quinn Emanuel Urquhart & Sullivan, LLP
В этот раз ИИ использовался для предварительной оценкидела о банкротстве. В модель загрузили 20 тыс. документов по делу о банкротстве от разных участников. Далее работали в двух направлениях:
1. ИИ категоризировал все эти документы на 15 категорий. Это позволило лучше структурировать массив данных.
2. Команда без какого-либо ИИ, на собственной экспертизе, выделила 25 фактов, которые важны для защиты интересов клиента. И попросила ИИ собрать под каждый из этих фактов по 10 документов, которые их подтверждают. Утверждают, что ИИ справился и с этой задачей.
Я мало знаю американский судебный процесс. Говорят, что он очень долгий. Изучение подобных примеров дает частичное объяснение этого. Мне жутко интересно, как так получается, что одна из сторон заявляет 30 (!) заявлений о раскрытии. Допустим, они были сделаны не одновременно. Но отчего так много?
Дальше – больше: другая сторона ничтоже сумнясь на эти заявления предоставила 9 тыс. документов (в прошлом примере – 50 тыс. документов). Вдумайтесь в количество. В нормальной ситуации анализ этих документов – ручной. Сколько человеко-часов занимает такой анализ?
Что касается приведенных примеров, то в каждом из них есть какая-то изюминка, не просто выгрузили все в ИИ и сказали «выиграй мне дело», а заранее проработали задачу в целом и промпты, а потом грамотно организовали ручную проверку. Что ж, добавил в свою копилку эффективного анализа данных.
Первоисточник всех примеров.
Сегодня поговорим про другие примеры использования ИИ при работе с делом.
Пример 1: Nixon Peabody LLP (88 место по выручке американских юр.фирм в 2025 г.):
Напомню, в прошлой части юридические команды использовали ИИ, чтобы корректно раскрыть доказательства. Команда пользовалась ИИ, он себя прекрасно показывал, доказательства раскрывались. В этом примере происходит логичное последствие выполнения этой задачи: трибунал обязал команду юристов, которая раскрыла 9 тыс документов, разметить (сгруппировать) их таким образом, чтобы было понятно, на какой именно запрос о раскрытии доказательств данный конкретный документ отвечает. Количество запросов – 30 шт, поэтому и меток 30 под каждый запрос.
Мне понравилась стратегия анализа: сначала попросили модель все разметить, т.е. на каждом документе поставить метку, к какому именно запросу относится документ. Затем по каждому документу у ИИ спрашивали, почему именно эта метка. И уже полученные ответы анализировали вручную. Уверяют, что а) такой анализ был качественный, б) понадобилось всего несколько недель на анализ.
Это, конечно, дольше, чем 3 часа из другого примера , но результат все равно впечатляет.
Пример 2: Quinn Emanuel Urquhart & Sullivan, LLP
В этот раз ИИ использовался для предварительной оценкидела о банкротстве. В модель загрузили 20 тыс. документов по делу о банкротстве от разных участников. Далее работали в двух направлениях:
1. ИИ категоризировал все эти документы на 15 категорий. Это позволило лучше структурировать массив данных.
2. Команда без какого-либо ИИ, на собственной экспертизе, выделила 25 фактов, которые важны для защиты интересов клиента. И попросила ИИ собрать под каждый из этих фактов по 10 документов, которые их подтверждают. Утверждают, что ИИ справился и с этой задачей.
Я мало знаю американский судебный процесс. Говорят, что он очень долгий. Изучение подобных примеров дает частичное объяснение этого. Мне жутко интересно, как так получается, что одна из сторон заявляет 30 (!) заявлений о раскрытии. Допустим, они были сделаны не одновременно. Но отчего так много?
Дальше – больше: другая сторона ничтоже сумнясь на эти заявления предоставила 9 тыс. документов (в прошлом примере – 50 тыс. документов). Вдумайтесь в количество. В нормальной ситуации анализ этих документов – ручной. Сколько человеко-часов занимает такой анализ?
Что касается приведенных примеров, то в каждом из них есть какая-то изюминка, не просто выгрузили все в ИИ и сказали «выиграй мне дело», а заранее проработали задачу в целом и промпты, а потом грамотно организовали ручную проверку. Что ж, добавил в свою копилку эффективного анализа данных.
Первоисточник всех примеров.
Telegram
Технолитигация
ИИ в литигационных практиках юридических фирм США. Часть 1
В статье основателей Syllo обратил внимание на отзывы партнеров американских юрфирм, которые использовали ИИ в реальных судебных спорах. Даже если сделать скидку на маркетинговый характер статьи…
В статье основателей Syllo обратил внимание на отзывы партнеров американских юрфирм, которые использовали ИИ в реальных судебных спорах. Даже если сделать скидку на маркетинговый характер статьи…
Anthropic существенно прокачали Claude для юристов. Актуально скорее для юристов США и общего права.
Добавили связь с 20+ приложениями, которыми пользуются юристы, включая Harvey, Thomson Reuters.
Также добавили в Claude 12 агентов (ролей): консультант по трудовому праву, корпоративщик, судебник, прайвасист и т.п. Есть даже "студент" (вероятно, за ним надо все вычитывать) и "сотрудник юридической клиники" (тоже надо присматривать внимательно).
Наш ИИ тоже на месте не стоит, нейроюрист от Яндекса работает на базах Гаранта.
Добавили связь с 20+ приложениями, которыми пользуются юристы, включая Harvey, Thomson Reuters.
Также добавили в Claude 12 агентов (ролей): консультант по трудовому праву, корпоративщик, судебник, прайвасист и т.п. Есть даже "студент" (вероятно, за ним надо все вычитывать) и "сотрудник юридической клиники" (тоже надо присматривать внимательно).
Наш ИИ тоже на месте не стоит, нейроюрист от Яндекса работает на базах Гаранта.
Claude
Claude for the legal industry | Claude by Anthropic
We're releasing 20+ new MCP connectors that link Claude to the software that the legal industry runs on and 12 new plugins tailored specific legal work and practice areas.
ИИ в российской науке: исследование ВШЭ
Не могу пройти мимо доклада НИУ ВШЭ про использование ИИ в нашей науке. Акцент был больше на точных и естественных науках, гуманитариев меньшинство (с натяжкой - 6 человек из 30).
Цель доклада - дать общий срез, зачем и как часто ученые используют ИИ. Опросили 30 респондентов, из них 23 используют ИИ (76%). С одной стороны, количество респондентов ничтожно мало, с другой стороны - они все как на подбор с учеными степенями и званиями. Таких сложно найти в большом количестве и опросить.
Выводы исследования интуитивно ожидаемы, никаких открытий для меня не произошло: ИИ используют для поиска и подбора литературы, редактирования текстов, переводов, поиска в интернете. Прошлись по российским моделям - ученые предпочитают иностранные. Сетуют, что ИИ может привести к утрате критического мышления и сумасшедшим потокам некачественных сгенерированных научных исследований.
Я даже начал переживать, что к концу доклада ИИ предложат запретить, но, к счастью, пришли к выводу, что это бессмысленно. Наоборот, предложили сохранить полную свободу использования ИИ.
Меня позабавили и одновременно отклинулись в душе две цитаты из ответов респондентов про ИИ, но на самом деле они и про людей:
Не могу пройти мимо доклада НИУ ВШЭ про использование ИИ в нашей науке. Акцент был больше на точных и естественных науках, гуманитариев меньшинство (с натяжкой - 6 человек из 30).
Цель доклада - дать общий срез, зачем и как часто ученые используют ИИ. Опросили 30 респондентов, из них 23 используют ИИ (76%). С одной стороны, количество респондентов ничтожно мало, с другой стороны - они все как на подбор с учеными степенями и званиями. Таких сложно найти в большом количестве и опросить.
Выводы исследования интуитивно ожидаемы, никаких открытий для меня не произошло: ИИ используют для поиска и подбора литературы, редактирования текстов, переводов, поиска в интернете. Прошлись по российским моделям - ученые предпочитают иностранные. Сетуют, что ИИ может привести к утрате критического мышления и сумасшедшим потокам некачественных сгенерированных научных исследований.
Я даже начал переживать, что к концу доклада ИИ предложат запретить, но, к счастью, пришли к выводу, что это бессмысленно. Наоборот, предложили сохранить полную свободу использования ИИ.
Меня позабавили и одновременно отклинулись в душе две цитаты из ответов респондентов про ИИ, но на самом деле они и про людей:
Вот сколько ты там ни улучшаешь точность, получаются вот эти 5% [ошибки], которые выливаются потом в 95% твоих проблем в общем-то. То есть все хорошо, а вот 5% губит все примерно.
Мне не нравится тот язык, которым [ИИ] пишет. Как я говорю, как такой бодрый идиот местами. […] Я на него смотрю и понимаю, что там какая-то логика построения предложений настолько для меня неестественная, что я уже не могу редактировать, мне нужно переписывать.