En el sistema tradicional se puede determinar cómo un juez podría decidir sobre una causa en base a la experiencia personal de un abogado o de sus compañeros de despacho. Ahora la inteligencia artificial permite realizar predicciones basadas en conjuntos de datos más amplios y exhaustivos que la experiencia personal de un abogado para una mejor planificación estratégica de los casos.
Además, la herramienta de predicción de sentencias proponen ahorrar costes y tiempo a los jueces, por ende, que los principios de economía procesal y celeridad en procesos se cumplan a cabalidad en cada uno de los procesos, sin dilataciones innecesarias y costos procesales altísimos.
Con estas consideraciones, la idea de que en la actualidad hay herramientas como Lex Machina o Premonition, que pueden predecir estas decisiones con recopilación de información hace unos años era impensable e incluso para algunos una utopía legal.
Por esto, en este blog analizaremos esta herramienta predictiva, sus desafíos en el sistema legal y el caso en específico de Francia con estas tecnologías.
- ¿Cómo funcionan estas herramientas?
Para entender el funcionamiento de estas herramientas, primero debemos entender el tipo de inteligencia artificial que se utiliza en este proceso. Machine learning es un tipo de inteligencia artificial que por un lado tiene capacidad de razonamiento y toma de decisiones con base en la información recogida; y, por otro lado resuelve problemas que no pueden ser especificados de forma precisa o el método de resolución no se puede describir mediante normas de razonamiento simbólico, como las predicciones de comportamiento o comprensión del lenguaje.
El entrenamiento se lleva a cabo, proporcionando al modelo grandes conjuntos de datos y realimentando con los resultados del análisis inicial, es decir proporcionándole feedback sobre si ha procesado correctamente o no cada dato. Este proceso es machine learning supervisado, en el que, en lugar de proporcionarle normas de comportamiento al sistema, se le proporcionan ejemplos del comportamiento asociando información entrante y resultados, con el fin de que sea capaz de llevar a cabo un proceso de generalización a partir de estos ejemplos y aplicar el principio a casos futuros que no formaban parte de los ejemplos suministrados.
Entendido el contexto, la función de predicciones de comportamiento incluye a las herramientas predictivas en el campo legal, las que utilizan conjuntos de datos para integrarlos y organizarlos de tal manera que se puedan generar estadísticas y poder predecir resultados en diferentes casos legales. Bruno Dondero, profesor de Derecho de la Universidad Sorbonne, definió a la justicia predictiva como “los instrumentos de análisis que permiten predecir las decisiones futuras de litigios, a partir del análisis de litigios similares”. Esto quiere decir, con precedentes se pueden inferir resoluciones óptimas para casos legales.
En el artículo “A Sentence Prediction Approach Incorporating Trial Logic Based on Abductive Learning”, publicado por la editorial MDPI, se determina que para el entrenamiento de estas tecnologías legales se requieren de tres componentes: la base del conocimiento con documentación jurídica (número de caso y nombre del tribunal, información de la parte procesal, descripción del caso, elementos de juicio, artículos legales del caso y los resultados del juicio), los elementos circunstanciales claves del caso y el cálculo de la sentencia.
Esta tecnología resuelve preguntas como el porcentaje de éxito, las posibilidades de resolución, cuál es la pena justa, entre otras.
Los datos son la clave para que este sistema funcione en todas sus fases, sin datos no hay machine learning. Hoy por hoy las funciones de aprendizaje de la inteligencia artificial descansan en el machine learning como sistema de desarrollo.
- Desafíos de la inteligencia artificial predictiva
La inteligencia artificial está siendo desarrollada para facilitar la vida de los humanos, sin embargo la implementación de esta herramienta supone varios desafíos:
- Las herramientas de inteligencia artificial necesitan datos: fáciles de usar, fáciles de entender, estructurados y no estructurados. Así, una gran parte del problema del machine learning es capturar los datos correctos, encontrarlos, moldearlos, limpiarlos y prepararlos para que los algoritmos puedan procesarlos y aprender de ellos.
- Otro de los grandes problemas del machine learning es el denominado “Black-box”, que hace referencia a los escenarios donde no es posible identificar las razones que han llevado a tomar ciertas decisiones que han sido tomadas por el algoritmo.
- Por último el margen de error, La tasa de errores que comete el modelo en sus estimaciones, análisis y predicciones, determinan su precisión. Cuantos menos errores, más precisión. Cuando se desarrollan herramientas de inteligencia artificial, el objetivo es minimizar la tasa de errores tanto como sea posible. Es sabido que la actividad humana conlleva riesgos y una tasa de error, que no podemos eliminar. Y en el ámbito de la inteligencia artificial, ¿qué tasa de error estamos dispuestos a aceptar? ¿Sería aceptable un modelo con una tasa equivalente al error humano?
- Jurisprudencia, legislación y doctrina
El análisis de esta herramienta debe ser alimentada con las causas precedentes jurídicas, la legislación aplicable a cada caso y la doctrina en la que se basan las decisiones. Esto para que el método de análisis sea integral, a continuación explicaremos más a detalle.
a) Jurisprudencia
El conjunto de estas causas precedentes jurídicas son denominadas como jurisprudencia. La Oficina Nacional de Defensa Pública de Santo Domingo-República Dominicana define a la jurisprudencia como: “el conjunto de sentencias y demás resoluciones emitidas en un mismo sentido por los órganos judiciales de un ordenamiento jurídico determinado”.
En el Ecuador, el Código Orgánico General de Procesos aborda las providencias judiciales que son las que forman parte de la jurisprudencia. Estas deben cumplir el principio de motivación: en estas resoluciones deben enunciarse normas o principios jurídicos en los que se fundan las decisiones y se expresan los razonamientos fácticos y jurídicos para valorar la interpretación y aplicación del derecho. Por lo tanto, la inteligencia puede analizar los patrones de decisiones de estas providencias judiciales y obtener datos predictivos en cada caso.
b) Doctrina
La doctrina es importante en el derecho porque es una fuente del derecho en base al pensamiento de diferentes juristas en distintos temas y normas legales. Esta ejerce una función en la aplicación del derecho porque orienta y limita a las leyes considerando la realidad económica, política y social de tiempos pasados, presente y de lo que posiblemente se establezca en un futuro.
c) Legislación aplicable
Según Law Insider, una plataforma de legal research (identificación y recuperación de información necesaria para el respaldo de las decisiones legales), la legislación aplicable significa:
“…todas las leyes, tratados, reglamentos, decretos, regulaciones, reglas, decisiones, sentencias y órdenes judiciales, órdenes administrativas, interpretaciones, criterios, resoluciones, autorizaciones, directivas, bases, manuales y demás normas o decisiones de cualquier tipo adoptadas, emitidas o promulgadas, según sea aplicable, por cualquier Autoridad de Gobierno, según se encuentren en vigor en el momento de que se trate”.
Dicho esto, la legislación aplicable es parte fundamental para motivar las resoluciones de los jueces. Sin esta, no habría sustento legal.
- Caso específico: Francia
En el año 2019, Francia limitó las herramientas predictivas que analizan y predicen litigios, el gobierno prohibió que la información estadística de los jueces sea publicada. El artículo 33 de la Ley de Reforma de la Justicia determina que: ‘Los datos de identidad de los magistrados y miembros del poder judicial no pueden ser reutilizados con el propósito o efecto de evaluar, analizar, comparar o predecir sus prácticas profesionales reales o supuestas’.
En Francia, para mejorar el acceso a la justicia realizaron cambios para que la jurisprudencia sea accesible para el público en general. Sin embargo, las autoridades del sector judicial no contaban con que las empresas de PNL y aprendizaje automático, recopilaran estos datos y los utilizaran para generar estas tecnologías que predicen el comportamiento de jueces. A estas autoridades no les gustó el patrón de sus decisiones, fácil de reconocer y abierto al público.
Se han compartido algunas razones por las que las autoridades no están de acuerdo con esta herramienta: la necesidad del anonimato de los jueces, la revelación de la variación de las normas, y los problemas del uso Big Data en la justicia, explicados en el blog La era del Big Data: ¿Estás listo para sumergirte en el océano de la información?
Un experto en tecnología legal en Francia, le dijo a Artificial Lawyer: «En los últimos años ha habido un debate cada vez mayor en Francia sobre si los nombres de los jueces deben eliminarse de las decisiones cuando esas decisiones se publican en línea». Los defensores de este punto de vista obtuvieron esta [nueva ley] como un compromiso del Gobierno, es decir, que los nombres de los jueces no deben ser redactados (con algunas excepciones por determinar) pero que no pueden usarse con fines estadísticos.’ Mientras que los que están a favor piensan que esta herramienta puede ser beneficiosa para la práctica legal, siempre y cuando no se realice un análisis al nivel de juez individual.
Conclusión:
La inteligencia artificial ha revolucionado diversos campos, incluido el sistema legal, donde herramientas predictivas como Lex Machina y Premonition ofrecen la capacidad de realizar predicciones basadas en amplios conjuntos de datos. Estas herramientas prometen ahorrar costes y tiempo a la función judicial y a la estrategia de abogados.
El funcionamiento de estas herramientas se basa en el machine learning, que utiliza grandes conjuntos de datos para realizar predicciones y tomar decisiones sin necesidad de reglas de razonamiento precisas. Sin embargo, su implementación también presenta desafíos, como la necesidad de datos adecuados, la opacidad en ciertas decisiones del algoritmo y la tasa de error aceptable.
Para garantizar una predicción precisa, es esencial que estas herramientas sean alimentadas con jurisprudencia, legislación y doctrina adecuada. Sin embargo, países como Francia han limitado el acceso a ciertos datos de los jueces para proteger su anonimato y mantener la variación de las normas en privado.
Aunque la inteligencia artificial predictiva puede ser una herramienta valiosa en la práctica legal, es crucial encontrar un equilibrio entre la mejora del sistema y la protección de la privacidad y transparencia en el proceso judicial. La adopción de estas tecnologías debe ser cuidadosamente considerada para lograr un sistema legal más eficiente y justo en el futuro.
BIBLIOGRAFÍA
- Dondero, B. (2017) Justice prédictive, Justicia predictiva. Available at: https://brunodondero-com.translate.goog/tag/justice-predictive/?_x_tr_sl=fr&_x_tr_tl=es&_x_tr_hl=es-419&_x_tr_pto=sc.
- Law Insider (s.f.) Legislación aplicable definition, Law Insider. Available at: https://www.lawinsider.com/es/dictionary/legislacion-aplicable#:~:text=Legislaci%C3%B3n%20Aplicable%20significa%20todas%20las,decisiones%20de%20cualquier%20tipo%20adoptadas%2C
- Oficina Nacional de Defensa Pública , R.D. (S.f.) Jurisprudencia de interés, Oficina Nacional de Defensa Pública – Jurisprudencia de interés. Available at: https://defensapublica.gob.do/index.php/jurisprudencia-de-interes.
- Ouyang, L.; Huang, R.; Chen, Y.; Qin, Y. A Sentence Prediction Approach Incorporating Trial Logic Based on Abductive Learning. Appl. Sci. 2022, 12, 7982. https://doi.org/10.3390/app12167982.
- Pleno de la Asamblea Nacional (2015) Codigo Organico general de PROCESOS, COGEP, Lexis Finder. Available at: https://www.telecomunicaciones.gob.ec/wp-content/uploads/2018/09/Codigo-Org%C3%A1nico-General-de-Procesos.pdf.
