Alexander Hudek, medgrundare och CTO på Kira Systems – Intervjuserie

Alex Hudek är medgrundare och CTO på Kira Systems. Han har en doktorsexamen och en masterexamen i datavetenskap från University of Waterloo, och en kandidatexamen från University of Toronto i fysik och datavetenskap.

Hans tidigare forskning inom bioinformatik fokuserade på att hitta likheter mellan DNA-sekvenser. Han har också arbetat inom områdena bevisystem och databasfrågekompilering.

När blev du initialt intresserad av maskinlärning och AI?

Jag har alltid varit intresserad av datavetenskap. Under min grundutbildning läste jag kurser i algoritmer för planering och logik, maskinlärning och AI, numerisk beräkning och andra ämnen. Mitt intresse för maskinlärning växte mer specifikt under min doktorsexamen vid University of Waterloo. Där använde jag maskinlärningsmetoder för att studera DNA. Efteråt gick jag djupare in i formella logiker som en del av min postdoktorala forskning. Logik och resonemang är på något sätt den “andra sidan” av myntet när det gäller tillvägagångssätt för AI, och jag kände att det var viktigt att veta mer om det.

En del av din tidigare forskning inom bioinformatik fokuserade på att hitta likheter mellan DNA-sekvenser. Kan du diskutera något av detta arbete?

Huvuddelen av min avhandling bestod i att bygga en mer realistisk modell av DNA-mutation med hjälp av Hidden Markov Models. Jag använde denna mer komplexa modell i en ny algoritm som var utformad för att hitta regioner av DNA som delar gemensam härstamning med andra arter. I synnerhet kan denna nya algoritm hitta mycket svagare relaterade sekvensområden än tidigare algoritmer för uppgiften.

Före min doktorsexamen arbetade jag i en forskningslaboratorie som var en del av det mänskliga genomet. Ett av de mest anmärkningsvärda projekten jag hjälpte till att slutföra var den första kompletta utkastet av det mänskliga kromosom 7.

Vad var den initiala inspirationen bakom lanseringen av Kira?

Idén till Kira kom från min medgrundare, Noah Waisberg. Han hade tillbringat timmar i sin karriär som advokat med att göra den typ av arbete som vi nu har byggt AI för att göra. Det var en intressant idé för mig eftersom den involverade naturligt språk och problemet var väl avgränsat, och jag kunde se affärspotentialen. Det finns något lockande med att bygga AI som kan förstå mänskligt språk eftersom språk är så nära kopplat till mänskligt tänkande.

Kan du beskriva vad kontraktanalysprogramvara är och hur det gynnar juridiska proffs?

Kira använder övervakad maskinlärning, vilket innebär att en erfaren advokat matar in bestämmelser från riktiga kontrakt i ett system som är utformat för att lära av dessa exempel. Systemet studerar denna data, lär sig vilket språk som är relevant och bygger sannolikhetsbaserade modeller för bestämmelser. Modellerna testas sedan mot en uppsättning annoterade avtal som systemet inte är bekant med för att fastställa dess beredskap. Denna mycket exakta maskinlärningsteknologi kan identifiera och analysera i princip vilken bestämmelse som helst i vilket kontrakt som helst, vilket resulterar i kundrapporterade tidsbesparingar på 20-90%. Denna ökade produktivitet hjälper advokatbyråer genom att öka deras realiseringsgrad, ger dem mer möjlighet att öka sin omsättning och bevara sina befintliga kunder. För företag driver det bättre produktivitet internt och minskar mängden externa rättsliga utgifter som krävs.

Naturligt språkbehandling (NLP) är svårt för de flesta företag. Kan du diskutera några av de ytterligare utmaningarna som finns när det gäller att bearbeta juridisk terminologi och andra nyanser som är unika för den juridiska professionen?

För många människor kan juridiskt språk verka mycket främmande, men det visar sig att det från ett maskinlärningsperspektiv inte är så annorlunda. Det finns några unika saker; versalisering är viktigare och meningar kan vara mycket längre än vanligt, men överlag har vi inte behövt betydligt olika NLP-ansatser än i andra domäner.

En aspekt som är betydligt annorlunda är behovet av dataskydd och anpassning. Juridiska proffs är skyldiga att hålla kunddata konfidentiell, och att använda den i ett maskinlärningsprodukt som poolar eller delar träningsdata strider mot dessa krav. Faktum är att det ofta inte ens är möjligt att behålla träningsdata eftersom de har skyldigheter att radera kunddata efter att ett projekt avslutats. Därför är det viktigt att kunna träna modeller utan att leverantörer är involverade, liksom maskinlärningstekniker som gör det svårt eller omöjligt att återställa någon del av träningsdata genom att inspektera inlärda modeller. Tekniker som möjliggör att man kan uppdatera en befintlig modell med ny träningsdata utan att behöva träna om från scratch är också ett måste.

Kan du beskriva hur djupinlärning används för att kategorisera data inom Kira-programvaran?

Vi använder inte mycket djupinlärning i vår produkt, även om vårt interna forskningsteam tillbringar mycket tid med att utvärdera och undersöka djupinlärningslösningar. Hittills har djupinlärningstekniker bara matchat icke-djupinlärningsansatser, eller som bäst fått en mycket liten ökning. Med tanke på den enorma beräkningsbördan för djupinlärningsmetodologier, samt utmaningar i att hålla träningsdata privat, har de inte varit tillräckligt övertygande för att anta dem ännu.

Vilka är några av de inbyggda bestämmelsemodellerna som Kira erbjuder?

Kira kan identifiera och extrahera över 1 000 inbyggda bestämmelser, klausuler och datafält (smart fält). De relaterar till en mängd olika ämnen, från M&A Due Diligence – som Kira ursprungligen konceptualiserades för att hjälpa till med – till Brexit; till Fastigheter. De smarta fälten byggs av vårt team av ämnesexperter som inkluderar erfarna advokater och revisorer. Med vår maskinlärningsteknologi kräver Kira att i princip varje smart fält uppnår en miniminivå på 90% återkallande, vilket innebär att vår programvara kommer att hitta 90% eller mer av den bestämmelse, klausul eller datapunkt du specifikt letar efter inom dina kontrakt eller dokument, vilket minskar risker och fel i kontraktgranskningsprocessen. Dessutom kan ett obegränsat antal anpassade fält skapas/läras av ett företag för att automatiskt identifiera och extrahera relevanta insikter med hjälp av vår Quick Study-verktyg.

Den juridiska världen är ofta känd för att vara långsam att anta ny teknik. Finns det en utbildningshinder när det gäller att utbilda advokatbyråer?

Advokater gillar verkligen att veta hur saker fungerar, så utbildning är viktigt. Det är inte svårare att lära advokater om maskinlärning och AI än andra proffs, men det är definitivt nödvändigt att ha utbildningsmaterial redo. Många av antagningshinder är sociala också; människor frågar ofta om bästa praxis för att anpassa sina interna processer för att använda AI, eller är intresserade av hur de kan använda AI för att förändra sina affärserbjudanden på ett sätt som ger dem fördelar utöver bara effektivitetsförbättringar.

Finns det något annat du vill dela om Kira?

Akademisk litteratur och öppen källkod för maskinlärning var instrumental i att hjälpa oss att starta företaget. Vi tror att öppen information och programvara är en enorm tillgång för världen. Med tanke på detta är jag särskilt glad att vårt forskningsteam publicerar resultaten från många av våra forskningsinsatser i akademiska tidskrifter och konferenser. Utöver att visa att vi driver gränserna för den nuvarande tekniken, möjliggör detta att vi kan ge tillbaka till de samhällen som hjälpte oss att komma igång, och som vi fortfarande får en stor mängd värde från. Du kan hitta våra papper på https://kirasystems.com/science/.

För att lära mer besök Kira Systems.