Alexander Hudek, a Kira Systems – Interjúsorozat társalapítója és műszaki igazgatója

Alex Hudek a társaság társalapítója és műszaki igazgatója Kira Systems. A Waterloo Egyetemen szerzett Ph.D és M.Math fokozatot számítástechnikából, valamint B.Sc. a Torontói Egyetem fizika és számítástechnika szakán.

Korábbi kutatásai a bioinformatika területén a DNS-szekvenciák közötti hasonlóságok feltárására irányultak. Dolgozott bizonyító rendszerek és adatbázis-lekérdezések összeállítása területén is.

Mikor kezdett érdeklődni a gépi tanulás és az AI iránt?

Mindig is érdekelt az informatika. Az alsó tagozaton tanfolyamokat végeztem tervezési és logikai algoritmusok, gépi tanulás és mesterséges intelligencia, numerikus számítástechnika és egyéb témákban. A gépi tanulás iránti érdeklődésem a Waterlooi Egyetemen folytatott PhD doktori címem alatt különösen erősödött. Ott gépi tanulási módszereket alkalmaztam a DNS tanulmányozására. Ezt követően posztdoktori kutatásom részeként mélyebben belemerültem a formális logikába. A logika és az érvelés bizonyos szempontból az érem „másik oldala” a mesterséges intelligencia megközelítésében, és fontosnak éreztem, hogy többet tudjunk róla.

Néhány korábbi kutatása a bioinformatika területén a DNS-szekvenciák közötti hasonlóságok megtalálására összpontosított. Megbeszélnél néhányat ebből a munkából?

Dolgozatom fő része egy valósághűbb DNS-mutáció felépítése volt Rejtett Markov-modellek segítségével. Ezt az összetettebb modellt egy új algoritmusban használtam, amelyet arra terveztek, hogy megtaláljam a DNS azon régióit, amelyek más fajokkal közös ősökkel rendelkeznek. Ez az új algoritmus sokkal gyengébb szekvenciarégiókat tud találni, mint a feladat korábbi algoritmusai.

A doktori fokozat megszerzése előtt egy kutatólaboratóriumban dolgoztam, amely része volt az emberi genom projektnek. Az egyik legfigyelemreméltóbb projekt, amelynek megvalósításában segítettem, az emberi 7-es kromoszóma első teljes vázlata volt.

Mi volt a Kira elindításának kezdeti inspirációja?

A Kira ötlete társalapítómtól, Noah Waisbergtől származik. Ügyvédi pályafutása során órákat töltött azzal a fajta munkával, amilyenre mi most MI-t készítettünk. Érdekes ötlet volt számomra, mert természetes nyelvet tartalmazott, és a probléma jól körvonalazódott, és láttam az üzleti lehetőségeket. Van valami csábító a mesterséges intelligencia felépítésében, amely képes megérteni az emberi nyelvet, mivel a nyelv olyan szorosan kapcsolódik az emberi megismeréshez.

Le tudná írni, mi az a szerződéselemző szoftver, és milyen előnyökkel jár a jogi szakemberek számára?

A Kira felügyelt gépi tanulást használ, ami azt jelenti, hogy egy tapasztalt ügyvéd valódi szerződésekből táplálja be a rendelkezéseket egy olyan rendszerbe, amelyet arra terveztek, hogy tanuljon ezekből a példákból. A rendszer tanulmányozza ezeket az adatokat, megtanulja, hogy melyik nyelv releváns, és valószínűségi ellátó modelleket épít fel. A modelleket ezután a rendszer által nem ismert, annotált megállapodások alapján tesztelik, hogy megállapítsák a rendszer készségét. Ez a rendkívül pontos gépi tanulási technológia gyakorlatilag bármely szerződés bármely rendelkezését képes azonosítani és elemezni, ami az ügyfelek által bejelentett 20-90%-os időmegtakarítást eredményez. Ez a megnövekedett termelékenység segíti az ügyvédi irodákat azáltal, hogy növeli a realizációs rátát, több lehetőséget ad bevételeik növelésére és meglévő ügyfeleik megőrzésére. A vállalatok számára ez javítja a házon belüli termelékenységet, csökkentve a szükséges külső jogi kiadásokat.

A természetes nyelvi feldolgozás (NLP) nehéz a legtöbb vállalat számára. Meg tudná beszélni azokat a további kihívásokat, amelyekkel a jogi terminológia feldolgozása és más, a jogi szakmára jellemző árnyalatok feldolgozása során szembesülnek?

Sok ember számára a jogi nyelv nagyon idegennek tűnhet, de kiderül, hogy a gépi tanulás szempontjából valójában nem is annyira más. Van még néhány egyedi dolog; A nagybetűk használata fontosabb, és a mondatok sokkal hosszabbak is lehetnek a szokásosnál, de összességében nem volt szükségünk lényegesen eltérő NLP-megközelítésekre, mint más területeken.

Az egyik lényegesen eltérő szempont az adatvédelem és a testreszabás szükségessége. A jogi szakemberek kötelesek bizalmasan kezelni az ügyfelek adatait, és a képzési adatokat összegyűjtő vagy megosztó gépi tanulási termékben való felhasználásuk ellentétes ezekkel a követelményekkel. Valójában gyakran még a képzési adatok megőrzése sem lehetséges, mivel a projekt lezárása után kötelesek törölni az ügyféladatokat. Így kritikussá válik a modellek betanítása anélkül, hogy a gyártók részt vennének a hurokban, csakúgy, mint a gépi tanulási technikák, amelyek megnehezítik vagy lehetetlenné teszik a betanítási adatok bármely részének helyreállítását a tanult modellek vizsgálatával. Azok a technikák is kötelezőek, amelyek lehetővé teszik egy meglévő modell felvételét és új edzési adatokkal való frissítését anélkül, hogy a semmiből újraképzést végezne.

A testreszabás terén szükség van arra, hogy az ügyfelek meg tudják építeni saját modelleiket. Ennek az az oka, hogy bonyolultabb jogi koncepciók esetében ésszerű nézeteltérések adódhatnak a szakemberek között, és a cégek gyakran saját egyedi álláspontjukhoz szeretnének hangolni vagy felépíteni modelleket.

Le tudná írni, hogyan használják a mély tanulást az adatok kategorizálására a Kira szoftveren belül?

Termékünkben nem alkalmazunk sok mély tanulást, bár belső kutatócsoportunk sok időt tölt a mély tanulási megoldások értékelésével és feltárásával. Eddig az általunk tapasztalt problémákat tekintve a mély tanulási technikák csak a nem mély tanulási megközelítésekhez illeszkednek, vagy a legjobb esetben nagyon kis növekedést értek el. Tekintettel a mély tanulási módszertanok hatalmas számítási ráfordításaira, valamint a képzési adatok titkosságának megőrzésével kapcsolatos kihívásokra, ez idáig nem voltak elég meggyőzőek az alkalmazáshoz.

 Ennek ellenére nagyon meggyőzőnek találjuk a mély tanulási megközelítéseket, és úgy gondoljuk, hogy ezekben megvan a lehetőség arra, hogy egy napon az NLP-ben nagyokká váljanak. Ennek érdekében folyamatosan értékeljük és feltárjuk a mély tanulási NLP-megközelítéseket, hogy készek legyünk elfogadni, amikor az előnyök kezdenek felülmúlni a hátrányokat.

Melyek a Kira által kínált beépített ellátási modellek?

Jelenleg a Kira több mint 1,000 beépített rendelkezést, záradékot és adatpontot (intelligens mezőket) tud azonosítani és kivonni. Különböző témák sokaságához kapcsolódnak, az M&A Due Diligence-től – amelyhez Kirát eredetileg azért tervezték, hogy segítsen – a Brexitig; az Ingatlanhoz. Az intelligens mezőket a téma szakértőiből álló csapatunk építi fel, amelyben tapasztalt jogászok és könyvelők is vannak. Gépi tanulási technológiánkkal a Kira szabványai megkövetelik, hogy gyakorlatilag minden intelligens terület legalább 90%-os visszahívást érjen el, ami azt jelenti, hogy szoftverünk legalább 90%-át megtalálja az Ön által keresett rendelkezésnek, záradéknak vagy adatpontnak a szerződéseiben vagy dokumentumaiban. , csökkenti a kockázatokat és hibákat a szerződés felülvizsgálati folyamatában. Ezenkívül a cégek korlátlan számú egyéni mezőt hozhatnak létre/taníthatnak be, hogy a Quick Study eszköz segítségével automatikusan azonosítsák és kinyerjék a releváns információkat.

A jogi világ gyakran arról ismert, hogy lassan veszi át az új technológiát. Úgy látja, hogy van oktatási akadály, amikor az ügyvédi irodák oktatásáról van szó?

Az ügyvédek nagyon szeretik tudni, hogyan működnek a dolgok, ezért fontos az oktatás. Nem nehezebb ügyvédeket tanítani a gépi tanulásról és mesterséges intelligenciáról, mint más szakembereket, de feltétlenül szükséges, hogy készen álljanak a képzési anyagok. Az örökbefogadási akadályok közül sok társadalmi is; Az emberek gyakran kérdezik a belső folyamataik mesterséges intelligencia használatához való hozzáigazításának bevált gyakorlatait, vagy érdeklődnek az iránt, hogy az AI segítségével hogyan változtathassák meg üzleti kínálatukat oly módon, hogy az előnyökkel járjon a pusztán a hatékonyság javításán túl.

Összehasonlítva azzal, amikor 2011-ben elindítottuk a Kira Systemst, az ügyvédi irodák manapság sokkal jobban ismerik a mesterséges intelligenciát és a technológiát. Sokuknak van innovációs csapata, akiknek az a feladata, hogy új technológiákat vizsgáljanak meg és ösztönözzék az új megoldások alkalmazását.

Van még valami, amit meg szeretne osztani Kirával kapcsolatban?

A tudományos irodalom és a nyílt forráskódú gépi tanulási könyvtárak nagyban hozzájárultak a cég elindításához. Hiszünk abban, hogy a nyílt információ és szoftver hatalmas áldás a világ számára. Ennek fényében különösen örülök annak, hogy kutatócsoportunk számos kutatási tevékenységünk eredményét publikálja tudományos folyóiratokban és konferenciákon. Amellett, hogy bebizonyítjuk, hogy feszegetjük a legkorszerűbb határokat, ez lehetővé teszi számunkra, hogy visszaadjuk azoknak a közösségeknek, amelyek segítettek az indulásban, és amelyektől továbbra is rengeteg értéket kapunk. Lapjainkat a címen találja https://kirasystems.com/science/.

További információért látogass el Kira Systems.