En la década de 1950, mientras trabajaba en IBM, Arthur Samuel escribió un programa de computadora que jugaba a las damas. Para entrenarlo, lo puso a jugar contra sí mismo. Como la máquina aprendía de manera autónoma, Samuel llamó a este método machine learning.

En los sistemas expertos que estudiamos en un artículo anterior, un programador humano escribe los pasos que debe seguir un software para alcanzar cierto objetivo.

En el machine learning, por el contrario, la computadora misma descubre cuáles son esos pasos a través de la búsqueda de patrones en bases de datos.

La victoria de DeepBlue sobre Kasparov fue un gran acontecimiento de la historia de la computación. Pero no fue inesperado. Desde los primeros tiempos de la inteligencia artificial, se esperaba que algún día una máquina venciera al campeón mundial de ajedrez.

Pero no se esperaba que una máquina pudiese vencer al campeón de Go, un juego mucho más complejo.

En 2015, AlphaGo, un programa desarrollado por Google con un tipo de machine learning conocido como Deep Learning, venció al campeón mundial de Go, Lee Sedol. Esa máquina se había entrenado jugando miles de veces contra ella misma.

Fue una enorme demostración de los avances del machine learning y, más generalmente, del campo de la inteligencia artificial.

Alpha Go, the Movie. Este documental introductorio al machine learning cuenta las circunstancias en torno al histórico juego entre AlphaGo y Lee Sedol.

El machine learning está en la base de muchos productos que usamos todos los días: navegación de gps, traducciones en línea, asistentes virtuales, recomendaciones de contenido y reconocimiento facial.

Gran parte del trabajo de un abogado es reconocimiento de patrones.

Y el machine learning puede identificar patrones mucho más rápido y con mayor precisión que los humanos. Esto está derivando en la creación de productos revolucionarios para la industria legal.

Noah Waisberg era un abogado corporativo de Nueva York. Por su trabajo, tenía que leer miles de páginas para identificar anomalías en acuerdos de compra de empresas.

Así que se le ocurrió desarrollar un software para automatizar el proceso. De aquella idea, en 2011, nació Kira Systems. La empresa ofrece un servicio en el que el usuario carga un contrato en la plataforma y ésta identifica riesgos de manera automática.

La israelí LawGeex es otra empresa dedicada a la revisión de contratos. En febrero de 2018, organizó una competencia entre su algoritmo y 20 abogados de Estados Unidos.

El objetivo era detectar cláusulas problemáticas en 5 acuerdos de confidencialidad.

La precisión promedio de los abogados fue de 85%. La del algoritmo fue de 94%. En promedio, a los abogados les llevó 92 minutos analizar los 5 contratos. El programa lo hizo en apenas 26 segundos.

Este video explica cómo LawGeex funciona para la revisión de contratos.

Para saber más, lee el artículo: “JP Morgan COIN: Inteligencia Artificial para la Disrupción de la Industria Legal”

Gran parte del trabajo de un abogado consiste en estimar el probable resultado de los casos.

Por ejemplo, ¿cuán probable es que el cliente obtenga una indemnización por tal accidente de tránsito? ¿Cuál es la probabilidad de que tal ruptura de contrato tenga un resultado favorable en la corte?

El abogado estudia los hechos y las leyes, analiza estrategias y determina las probabilidades de éxito. Una parte importante de este proceso es conocer los resultados de casos similares en el pasado. Y también intentar predecir cuál podría ser la estrategia de la otra parte.

La disciplina de legal analytics utiliza ciencia de datos para asistir a los abogados en estas decisiones.

Una empresa pionera en este terreno fue Lex Machina, nacida en la Universidad de Stanford en 2006. Ofrece una base de datos en la que los usuarios pueden evaluar el desempeño de los tribunales.

Por ejemplo, ¿cómo falló tal juez en casos similares en el pasado? ¿Cuáles son los argumentos que considera más convincentes?

Esta base de datos permite estimar la probabilidad de éxito de distintos casos. Lex Machina comenzó enfocada en casos de propiedad intelectual. Tras ser adquirida por LexisNexis, empezó a expandir su alcance hacia defensa de la competencia, derecho financiero, comercial, laboral y quiebras.

Lex Machina aplica ciencia de datos en estimar probabilidades de éxito en distintos tipos de casos.

Premonition es otra firma pionera en legal analytics. Antes de aceptar un caso, un abogado puede utilizar este servicio para responder a algunas preguntas clave:

• ¿Cuál es la duración típica de un caso de estas características?

• ¿En qué porcentaje de los casos gana el acusado?

• ¿En qué porcentaje se llega a un acuerdo extrajudicial?

• ¿El abogado de la otra parte suele ser conciliador o duro en las negociaciones?

Para saber más sobre legal analytics, lee el artículo: Legal Analytics: Cuando los Abogados Juegan al ‘Moneyball’.

Las herramientas de legal analytics permiten a los abogados realizar estimaciones más precisas sobre el costo y beneficio de diferentes casos. Y estas estimaciones comienzan a transformar la forma en que se financian los litigios.

Si somos capaces de predecir el resultado de un juicio, entonces podríamos estimar cuál es la rentabilidad de financiarlo.

La empresa Legalist obtuvo una inversión de 100 millones de dólares con este modelo de negocio. Utiliza herramientas analíticas para predecir resultados de casos. Y financian a la parte que tiene mayores probabilidades de ganar.

Video explicativo de Legalist, empresa que aplica ciencia de datos en el financiamiento de litigios.

El machine learning tiene un gran potencial para transformar la industria legal. Pero algunos se preguntan por los aspectos éticos: ¿Podría ser una influencia indebida sobre el comportamiento de los jueces? ¿Puede introducir grandes desigualdades entre las partes que acceden a estas prácticas y las que no?

Por preocupaciones de este tipo, el gobierno francés impuso restricciones al uso de herramientas de legal analytics.

Para saber más sobre los aspectos éticos del machine learning en la industria legal, lee el artículo: Francia Expulsa a los Matemáticos de sus Tribunales.

En el siglo XIX, el jurista Oliver Wendell Holmes presagiaba que, algún día, las cortes basarían sus decisiones en estadísticas. Hoy esta predicción empieza a concretarse…

En la década de 1950, mientras trabajaba en IBM, Arthur Samuel escribió un programa de computadora que jugaba a las damas. Para entrenarlo, lo puso a jugar contra sí mismo. Como la máquina aprendía de manera autónoma, Samuel llamó a este método machine learning.

En los sistemas expertos que estudiamos en un artículo anterior, un programador humano escribe los pasos que debe seguir un software para alcanzar cierto objetivo.

En el machine learning, por el contrario, la computadora misma descubre cuáles son esos pasos a través de la búsqueda de patrones en bases de datos.

La victoria de DeepBlue sobre Kasparov fue un gran acontecimiento de la historia de la computación. Pero no fue inesperado. Desde los primeros tiempos de la inteligencia artificial, se esperaba que algún día una máquina venciera al campeón mundial de ajedrez.

Pero no se esperaba que una máquina pudiese vencer al campeón de Go, un juego mucho más complejo.

En 2015, AlphaGo, un programa desarrollado por Google con un tipo de machine learning conocido como Deep Learning, venció al campeón mundial de Go, Lee Sedol. Esa máquina se había entrenado jugando miles de veces contra ella misma.

Fue una enorme demostración de los avances del machine learning y, más generalmente, del campo de la inteligencia artificial.

Alpha Go, the Movie. Este documental introductorio al machine learning cuenta las circunstancias en torno al histórico juego entre AlphaGo y Lee Sedol.

El machine learning está en la base de muchos productos que usamos todos los días: navegación de gps, traducciones en línea, asistentes virtuales, recomendaciones de contenido y reconocimiento facial.

Gran parte del trabajo de un abogado es reconocimiento de patrones.

Y el machine learning puede identificar patrones mucho más rápido y con mayor precisión que los humanos. Esto está derivando en la creación de productos revolucionarios para la industria legal.

Noah Waisberg era un abogado corporativo de Nueva York. Por su trabajo, tenía que leer miles de páginas para identificar anomalías en acuerdos de compra de empresas.

Así que se le ocurrió desarrollar un software para automatizar el proceso. De aquella idea, en 2011, nació Kira Systems. La empresa ofrece un servicio en el que el usuario carga un contrato en la plataforma y ésta identifica riesgos de manera automática.

La israelí LawGeex es otra empresa dedicada a la revisión de contratos. En febrero de 2018, organizó una competencia entre su algoritmo y 20 abogados de Estados Unidos.

El objetivo era detectar cláusulas problemáticas en 5 acuerdos de confidencialidad.

La precisión promedio de los abogados fue de 85%. La del algoritmo fue de 94%. En promedio, a los abogados les llevó 92 minutos analizar los 5 contratos. El programa lo hizo en apenas 26 segundos.

Este video explica cómo LawGeex funciona para la revisión de contratos.

Para saber más, lee el artículo: “JP Morgan COIN: Inteligencia Artificial para la Disrupción de la Industria Legal”

Gran parte del trabajo de un abogado consiste en estimar el probable resultado de los casos.

Por ejemplo, ¿cuán probable es que el cliente obtenga una indemnización por tal accidente de tránsito? ¿Cuál es la probabilidad de que tal ruptura de contrato tenga un resultado favorable en la corte?

El abogado estudia los hechos y las leyes, analiza estrategias y determina las probabilidades de éxito. Una parte importante de este proceso es conocer los resultados de casos similares en el pasado. Y también intentar predecir cuál podría ser la estrategia de la otra parte.

La disciplina de legal analytics utiliza ciencia de datos para asistir a los abogados en estas decisiones.

Una empresa pionera en este terreno fue Lex Machina, nacida en la Universidad de Stanford en 2006. Ofrece una base de datos en la que los usuarios pueden evaluar el desempeño de los tribunales.

Por ejemplo, ¿cómo falló tal juez en casos similares en el pasado? ¿Cuáles son los argumentos que considera más convincentes?

Esta base de datos permite estimar la probabilidad de éxito de distintos casos. Lex Machina comenzó enfocada en casos de propiedad intelectual. Tras ser adquirida por LexisNexis, empezó a expandir su alcance hacia defensa de la competencia, derecho financiero, comercial, laboral y quiebras.

Lex Machina aplica ciencia de datos en estimar probabilidades de éxito en distintos tipos de casos.

Premonition es otra firma pionera en legal analytics. Antes de aceptar un caso, un abogado puede utilizar este servicio para responder a algunas preguntas clave:

• ¿Cuál es la duración típica de un caso de estas características?

• ¿En qué porcentaje de los casos gana el acusado?

• ¿En qué porcentaje se llega a un acuerdo extrajudicial?

• ¿El abogado de la otra parte suele ser conciliador o duro en las negociaciones?

Para saber más sobre legal analytics, lee el artículo: Legal Analytics: Cuando los Abogados Juegan al ‘Moneyball’.

Las herramientas de legal analytics permiten a los abogados realizar estimaciones más precisas sobre el costo y beneficio de diferentes casos. Y estas estimaciones comienzan a transformar la forma en que se financian los litigios.

Si somos capaces de predecir el resultado de un juicio, entonces podríamos estimar cuál es la rentabilidad de financiarlo.

La empresa Legalist obtuvo una inversión de 100 millones de dólares con este modelo de negocio. Utiliza herramientas analíticas para predecir resultados de casos. Y financian a la parte que tiene mayores probabilidades de ganar.

Video explicativo de Legalist, empresa que aplica ciencia de datos en el financiamiento de litigios.

El machine learning tiene un gran potencial para transformar la industria legal. Pero algunos se preguntan por los aspectos éticos: ¿Podría ser una influencia indebida sobre el comportamiento de los jueces? ¿Puede introducir grandes desigualdades entre las partes que acceden a estas prácticas y las que no?

Por preocupaciones de este tipo, el gobierno francés impuso restricciones al uso de herramientas de legal analytics.

Para saber más sobre los aspectos éticos del machine learning en la industria legal, lee el artículo: Francia Expulsa a los Matemáticos de sus Tribunales.

En el siglo XIX, el jurista Oliver Wendell Holmes presagiaba que, algún día, las cortes basarían sus decisiones en estadísticas. Hoy esta predicción empieza a concretarse…