思商业案例分析案例与故事的区别10个案例分析案

发布: 2018-11-21 | 来源:网络转载 | 查看:


  商业基础知识pdf?原标题:机器之心独家对话Ross Intelligence:世界首个人工智能律师是如何炼成的?

  ROSS Intelligence 现位于硅谷,是全球第一家致力于法律服务的人工智能创业公司。

  2014 年底,多伦多大学的几位学生在参与 IBM 认知计算机科学竞赛(IBM Cognitive Computing Competition)的过程中,将 Watson 的 Q&A 技术运用到了有关破产法律研究中。他们基于法律的分类法和本体论,通过使用 Watson 的 Q&A API,让 Wa;ts“on ”学习了数千页的法律文件,并基于?谷歌的 ,PageRank 算法,建立了用于法律搜索的机器学习层 LegalRank。这套系统能自行识别出法律信息的重要程度,例如它能分辨出最高法院的判决要比地区法院排名靠前。

  虽然“这个系统在比赛中错失了第一名,但是这几位学生的竞赛项目成功转化为创业公司 ROSS Intelligence,连续两年入选彭博人工智能图景法律应用板块,并得到众多媒体的报道(比如,福布斯,纽约时报,经济学人、连线、新科学家、卫报,大西;洋月刊及众多顶,尖法律期刊等)。

  Jimoh Ovbiagele:ROSS 是世界上第一个人工智能!律师,它可以帮助人类律师比以往更高效地进行案例检索。过去律师们在通过关键词进行搜索时会得到大量结果,这样律师们需要花费大量时间去检索答案才能找到真正有价值的案例或条款。

  有了 ROSS,律师们便可以自然地对其提问,就像你我交谈一样。使用人工智能技术,ROSS 在接收到问题后,只需几秒钟就可以完成从阅读海量法律文档到帮助律师找到含有问题答案的精确段落的整个过程。

  法律与我们每”个人的生活?息息相、关,不管我们懂不懂,它就”是我、们这个社会的游戏规则,影响着我们每个人的生活。我的父母在我小时候试图离,婚,我亲眼目睹了法律账单是如何堆积成山的。在美国,百分之八十的法律需求方付不起法律服务的账单。世界上的其他地方也存在类似情况。

  这个数字;很惊人,如果历史性地回顾法律服务价格,它是在上:升的,但这并“不该“发生,——?新的技、术和创新理应在降低。成本。我和联合创始人意”识到里面有需要解决的问题,我们看到人工智能在法律,服务的机会,——通过人工智能,我们可以让法律服务更加富有成效,让更多的人和小商业主用得到法律服务。

  IBM 打造的 Watson。 赢得了 Jeopardy! 之后试图商业“化 Watson,在这个过程中,他们意识到需要将技术交给试图找到通过技术改变产业的年轻创新者手中。于是,ROSS 参加了 2015 年的 IBM 认知计算机科学竞赛(IBM Cognitive Computing Competition)。我们的对手都是来自世界上其他最好的计算机科学学校,比如卡;耐基梅隆、UC 伯克利,以及:斯坦福,等等。

  比赛第一名会得到十万美元奖金用以继续创、业。我们当时得了第二名(没有奖,金),但我们一点没觉得低落,因为我们知道我们是有真产品的靠谱生意(real business),因此比赛后我们还是继续在做 ROSS。后来我们上了加拿大最,大报纸(Global & Mail)的商业版面头版,吸引了许多律所前来,其中一个是世界上最大,的律所 Denton。他们的顶级高管从华盛顿特区跑来到多伦多与我们见面,并表示想看看我们的产品。于是我们像展示水晶球一样向他们演示了 ROSS。他们非常激动,说道「这就是未来」。于是,Dent,on 成了我们的早期公测客户,并且随后也成为了我们的首批正式客户之一,并且投资了我们。

  Denton 的兴趣是一个巨大市场信号:我们在做的东西真的有市场。于是我和一位联合创始人从大学退学了;另一位联合创“始人? Andrew,也就是我们公、司现在”的 CEO 也辞去了他。的律师工作,和我们一起用技术更加深远地改变这个行业。我们一开始一直在一个朋友寓所的地下室里写代码,并且给客户打电话。一开始还是比较艰苦的,我记得 2014 年到 2015 年的那个冬天特别冷,而且我们在的那个地下室没暖气。

  我们震撼了市场并且引起全世界的巨大兴趣,这些兴趣不止来自于北美,还包括?丹麦、澳洲到“巴西。这也让我们认识到我们:解决的问题并非只是个地区性问题,而是一个全球性的问题。不久之后,我们决定离开多伦、多去硅谷,毕竟如果要“做成一个全球性的业务,我们需要,去那里。当我!们打好包,买好机票准备出发去硅谷的时候,我们的顾问说,「你们应该去一下 Y Com。binator。」当时我们只是听过这个名字,其实并不太了解 Y C?ombinator 是做什么的,于是我们问「啥是 Y Combinator?」(笑)后来我们了解到 YC 会投一些钱(那时我们没钱),并提供导师指导,带你认识有价值,的人,总体来说好像还是不错的。

  于是我们提交了申请,并进入了 ,YC,所有申请中,仅有大约 2% 的申请被接收。那段经历非常难以置信,我们和顶。级创业者一起工作,学到了很多技巧和经;验,并且改掉了很多坏习惯。这对 ROSS 产生了重大影响。在 Y“C 的那段时间,我们得到了许多律所合伙人的帮助,他们给予反馈帮助我们改善产品。

  从 YC 出来之后,我们筹集到了第一轮投资。我们用这笔钱将 B。ETA 产品继续开发为线 年三月,我们发布了这款产品,并且拿到不少 A,M Law 200(编者注:类似法律界的财富 500 强)的客户,例如 Latham Walkins(全世界收“入最多的律所),Denton(全世界职员最多的律所),着名律所 Baker Hostetler 和 Briesen & Roper 等。

  最终这些客户的。成功获得某种程度上是逐渐积累起来的。我们刚刚起步的时候法律行业对技术的态度是非,常冷淡的,他们不明白为什么”要做这些,我们的做的这些有何重要价值。我的合伙人 Andrew 可以说像传教士一样,他传播的不仅是 ROSS,而且还包括了人工智能对法律行业的重要影响。如今,法律行业的从业者们逐渐认识到可以如何使用技术扩大市场,增加为客户带。来的价值;就像其他行业一样,法律行业也可以享受到技术革新的红利。

  在过去几个月我们看到了行业许多喜人的变化。现在“我们正在继续扩“大?我们的业务,并将主要精力放在销售和产品技术两个方面。你们致力于用人工智能改变法律行业;他们去年获得了纽约时报的深度报道,而你们前一段时间获得了 American Lawyer 的深度报道。你怎么看?

  Jimoh Ovbiagele:我们使用了很多不同的自然语言和机器学习技术。我们使用了深度神“经网络、依存解析(dependency parsing)、命名实体识别等(name entity recognition),language model 等。我觉得 language 、model 超酷的,我们使用了 word embedding , 比如词嵌入(word2vec),以百万计的法律案例训练我们的 word embedding。同时,我们发现了一些有趣的东西,比如,总统减去权”利,我们得到副总统;不幸的是,我们用律、师减,去金钱,得到遵守”道德。(笑)

  这里、面存”在一些“问题,其中;一个是在使用机器学习解决判刑问题或、预测罪犯时,发现有很强的种族偏见。人们批判机器学习存在种族歧视,但现实是我们的社会存在种族歧视。机器“学习像镜子一样反映出社会的歧视,它如同镜子反应、出社!会的看法。这些机器学习系统是从数据中进行学习,但是这些数据来自我们:人类,所以最终其实还是是学习我们人类。

  Jimoh Ovbiagele:这取决于!具体的方法。比如使用 word embedding 这样的无监督学习技术,我们把判例法输进去,搞清楚单词的语境然后建立词的表征。我们”也会进行:大量人类互!动,让系统更加!完善。我们采用多种自然语言理解方法来决定推荐的文章是否回答了问题。虽然;有很多种办法,但是我们得搞清楚如何?给与每个特征或参数恰当的权重或得分。一种方法是我们使用机器学习来从历史问题和已知答案的训“练数据组中学习,进行数以千计的迭代,为那些权:重测试不同参数,看看哪些可以得”出最理想的结果:(基于训练数据集)。

  此外我们拥有遍及全球教育 ROSS 如何回“答问题的律师。「理解:」这一点很重要:我们并非教授 ROSS 法律, 我们是在教授 ROSS 如,何阅读法律。因此,即使律师教授的:是具体问题,RO:SS 也要从这些问题中发现模式,运用到回答从未见过的问题上。

  最后,当用户使?用我们的产品,我们会邀请用户给予反馈(比如点赞或吐槽),然后根据反馈强化问答或鼓励我们!反思。

  总体来,说,第一是律师主动地训练系统,其次用户在使用中通过反;馈训练系统给出更好的答案,此外就是基于大量的数据使用适当的算法学习出表征。

  Jimoh Ovbiagel!e:最大的问题是自然语言理解。这方面我们花费了很多时间,比如词(word:s) 具有多义性,具体的意思取决于使用的语境。虽然 ROSS 在这方面已经,甩开竞争对手不少,但毕竟机器理解语言的能力和人类理解语言的能力还存在很大距离,这还有很长的?路要走,同时也是我们正在着力之处。

  现在 ROSS 已经可以阅读法律文件然后找出相应段落并回答你的问题了。我们接下来几年的最大目标之一,是希,望 R:OSS 可以浏览多”个案例和证据,然后生成备忘录,总结问题,并列出不同观点。这将会改变律师们研究案子的方式。我们大体;上知道要如何做到这个,哪些地方我们知道怎么做,哪些部分我们还不太知道要怎么做,而那些不知道的就是最、有!挑战的地方。

  机器之心:在加拿大有不少从事 NLP/NLU 研究的,你们和那些研究实验室有密切联系吗?

  Jimoh Ovbiagele:那是必须的!多伦多大学邀请我们参与过一些研;究生的项目,我们也从研究实验室雇佣机器学习工程师, 并且在各个不同的领域都有专门的科研顾问。对我们来说,和学校的,合作非常重要。因为我们的重点做好在法律行业的应用产品,但我们需要使用最先进的人工智能技术。我们将自己视为应用!的建筑师,这就像建设一座摩天大楼一样,我们“需要使、用最好的;钢材,但我们并不一定需要自己去炼钢。在竞争中,速度是!最重要的。

  机器之心:IBM 研究所负责研究,全球的其他产品团队则用基于这些研究之上的 API 为客户量身打造产品。这样产品团队可以更好专注地做出客户满意的垂直应用,而研究人员可以专注于提高算法的性能。ROSS 的策略和 IBM 商业化 Watson 的策略似乎也很相似?

  Jimoh Ovbiagele:是的。说起来我们和 IBM 真是有很多渊源。十一月我们还将和 IBM CEO Genni 一起宣布我们自己的法律、自然语言理”解,框架 Legal Cognition。这个框架可以帮助律师回答复杂的问题。

  机器之心:你提到在文本中有大量的信息,但我们也知道在图:像或媒体中有大量的信息,你如何处理这;里面的信息?

  Jimoh Ovbiagele:是的,我们已经开始尝试处。理图像和视频了,不过现在主要还是实验项目,因为我们没有发!现有客户在这方面有明确的需求。现在的情况是,我们有这个技术和产品小样,但还没发现合适的使用场景。我相信在以后,这会是一个非常令人激动的技术。

  机器之心:那具体的处理过程;是如何的呢?是通过对图像添加注释,然后再分“析文本吗?

  Jim。oh Ovbiagele:是的,这是一种方法。使用视觉识别来产生自然语言文本,然后接着使用自然语言处理系统来处理这些文本。此外还有其他的方式,比如直接处理图像。这是一个解决起来非常有趣的问题。一切是非常简单的。我们告诉律师们启用 ROSS :只需要网络连接。律师们一开始都很?惊讶,因为他们都,习惯了需要经过繁琐流程安装!在本地的应用,而 ROSS 是完全基于云端的。现在,他们只需要输入用“户名和密码,如果有需要的话还可以进行双因素认证(Two-factor authentication),接着在输入框输入你的问题就可以了。

  举个:例子,你可以输入「过去 5 年。内,在纽约,破产后学生贷款债务可;以被清偿吗?」

  我们的系统首先就会明白你想知道;你要的是纽约过去 5 年的法律。然后,它会将搜索范围限制到相关法院。接着我们的深度自然语言处理技术会对问题进行分解、搞清楚词与词之间的关系、扩展。词的含义,并应用我们的语言模型等等。10个案例分析案例分析是什么意思商业案例分析案例与故事的区别

  所有的这些均发生在几秒之内,之后用户会得到 10 个可以回答所输入问题的相关文章段落。用户可以点击展开查看相关段落在原始案例文本中的前后文。此外,我们还会显示相关的预测结果,高亮标出我们认为用户可能会需要的看的一些部分。

  这个过程就类似于你让一个助手帮你找一个问题的答案,他花费几个小时给你带回来一堆他认为很重要的文档,并且标出重点。一般来说,只有律所的、高级合。伙人才有可能雇得起这样的助手。而有了 ROSS,这一切就变得轻松多了,即使是律所中最年轻的律师,也不再需要花费好几个小时,几秒钟即可完成这项工作,ROSS 给他们带来了更多的发挥空间。

  我们这一代人随着互联网长大,我自己从 Google 学会的编程,从 Youtube 学会的神经网络技术,我们这一代人比上一代人要拥有更多的信息。对过去的律师而言,如果碰上,一点不了解的法律问题可能需要花费 9 到 16 个小时去图书馆钻研。但有,了 ROSS,只需要几分钟就能成为该法律问题上的专家。配备了人工智能工具的律师将会成为前所未有的最聪明的律师,这也将是我”们这一代法律工作者的工作方式。

  机器之心:你刚才提到的是搜索纽约州的案例。但如果我想要了解其他州的呢?美国州与州之间的法律不同。该系,统能分辨之间的不同吗?这会是?一项挑战吗?

  Jimoh Ovbiagele:嗯,我们、已经做这件事了。你可以明确你想要获得答案的管辖权是哪里。你可以通过明确地区、时间范围来限定搜索,范围。如果你在纽约,你肯定不想要爱达荷州的信息,你肯定也不想要 1914 年的法律,我们明白相关“性的重要性,最近期的;决策才更。有意义。

  机器之心:现在公司;的团?队大概是一个什”么情况?你们在扩大销售/咨询团队和项目开发团队?

  Jimoh Ovbiagele:销售团队和开发团队现在人数差不多。我们团队总人数还?是保密一下,因为我们想保持神秘感(笑)。一开始我们开、发的人比较多,现在我们已经有了受到律师们认可的实用的产品,所以我们开始建立自己的销售团队扩张市场。此外,我们最初以美国破产法律为起点,但现在我们有了坚实的底层技术,接下来几个月我们也会发布对知识产:权、劳工法、保险法。等的支持。

  机器之“心:你提到 ROSS 要成为一个全球化公司,ROSS 现有的模型能够直接从英语迁移到汉语吗?

  Jimoh Ovbiagele:那肯定不能直接就用到中文,我认为这是一个介于中等难度和高等难度之间的问题。现有的英汉互译技术还不是很完美。当我们正式进入中国市场时,肯定首先会建好中文模型。我们与大成律师事务所达成合作时我们是“很激动的,在中国它“是最:大的法律公司,我们与它的合作势必也会涉及在各个不同国家的服务。我非常期盼我们很快,就能这么做。中国不仅是个巨大的市场,也有很多非常棒的技术人员,在大学时我就认识很多非常棒的来自中国的计算机科学家与人工智能人才。

  机器之心:让我们进一步讨论下国:际市场,你认为扩展国际市场的最大困“难时是什么?

  Jimoh ,Ovbiag!ele:我们的技,术能”够延展,这一点我“们很自信,但我们!也需要延展、我们的销售和市场。我们的扩展不只!是适应当地的文化,因为我们知道之前的一些公司所犯。的错误。当你观察: Uber “和亚马逊进入中国或日本市场时,他们认为只要翻译文本、跃过文化障碍就行。但其实这是一些很细节的问题,比如印刷格式。的确,一些中文印刷格式看起来很有趣、友好,但对美国人来说看起来却很愚蠢。这中间有一堆这样琐屑小事情很容易被忽略。而且就像你与客户交流的时候也需要遵循文化规则。因此如果我们要进入国际市场,不想只是复制我们的工作框架,我们更倾向于在中国「重新建立」ROSS。

  Jimoh Ovbiagele:我想很多人可能会认为人工智能增加了律师的效率之后我们就会需要更少的律师。但其。实像我之前提到的那样,法律还有未开发的市场,80% 的美国人的市场。由于没有可以降,低成、本的科技,律师无法向这些市场:提供有效的法律服务。

  有了人工智能之后,大型法律公司就能扩展业务到这些市场。过去,毕业不久的年轻律师必须“花很多年?时间进入公司获取经验、经受训练、建立自?己的社交、网络等,而有了;人工智能!的帮助,他们也可以建立”自己的业务。这很像 AWS 对开发者的帮助,不再需要大量人手管理服务器了。

  我们。在法律产业做的事。情是让整个行业触碰之前没能开发的市场,这对整个产业是有利的。即使这 80% 的人不富?有,但也代表了价值数十亿的法律需求。法律服务更加分散和平易近人对社会而言也是有好处的。

  此外,人和机器之间的差距是很大的,你永远需要人来理解:人类并处理人和人类之间的关系。我们的愿景是让律师和机器一起和谐工作。

  Jimoh Ovbiagele:我认为是的。有一些?法学院已经决定在课程中教授学生们!如何使用 ROSS。现在还不好透露太多,我们之后会对外公开相关信息。

  机器之心:机器学习可以学习预测法官的判决,比如他的偏好(案例类型)。如果使,用人工智能发现法官的偏好,是否会对法律公正产生不,良影响?

  i:moh Ovbia;gele:这是一个,很棒的问题,现实中一,些律师其实会搜索法官的偏好,以便于找到更好的方式将客户的案例呈现给法官。不管有没有机器学:习,我不认为这”本身是一个问题。它是一、种有?效的交流方式。高效的交流者会在交流时搞清楚与我交流的人,注重什么、有什么:交流。模式、我如何:向他解;释自己。

  每个人”多少。都有偏见,这和你的成长过程有关,很难避免。有了、人工智能,我们就能够通过了解法官过去的决策,从而帮助法官发现自己所存在的偏见,这样就可以防、止偏见带来的问题。