Inteligencia artificial y analítica jurídica: Nuevas herramientas para la práctica del derecho en la era digital

Por Kevin D. Ashley y Matías Parmigiani

El campo de la inteligencia artificial (IA) y el Derecho está en la cúspide de una revolución que comenzó con programas de análisis de texto como Watson y Debater y las arquitecturas de gestión de la información de código abierto en las que se basan. Hoy en día, están empezando a aparecer nuevas aplicaciones jurídicas, y este libro diseñado para explicar los procesos computacionales a los no programadores describe cómo cambiarán la práctica del Derecho al conectar modelos computacionales de razonamiento jurídico directamente con el texto jurídico, generar argumentos a favor y en contra de determinados resultados, predecir resultados y explicar estas predicciones con razones que los profesionales del Derecho podrán evaluar por sí mismos. Estas aplicaciones jurídicas apoyarán la recuperación de información jurídica conceptual y permitirán la computación cognitiva, posibilitando una colaboración entre humanos y ordenadores en la que cada uno realice el tipo de actividades inteligentes que mejor sepa hacer. Cualquiera que esté interesado en cómo la IA está cambiando el ejercicio de la abogacía debería leer esta esclarecedora obra.

• Idioma: Español
• Editorial: Yachay y otros
• Fecha de lanzamiento: 17 feb 2024
• ISBN: 9786124930041

Vista previa del libro

Inteligencia-CARA.jpg

- 2-

Inteligencia artificial y analítica jurídica

Nuevas herramientas para la práctica del Derecho en la era digital

© Kevin D. Ashley, 2023

Esta traducción de Artificial Intelligence and Legal Analytics

ha sido publicada en acuerdo con Cambridge University Press.

Coordinadores del volumen:

Gabriel E. Uscamayta | Lucía León Pacheco

Traducción de la obra original: "Artificial Intelligence and Legal Analytics.

New Tools for Law Practice in the Digital Age" (Cambridge University Press, 2017)

© Traducción de Matías Parmigiani

Revisión de la traducción: Lucía León Pacheco

© Corporación Yachay SAC

Yachay Legal - Primera edición digital, noviembre de 2023

ISBN: 9786124930041

Con el respaldo institucional de la Facultad de Derecho

de la Pontificia Universidad Católica del Perú

Hecho el Depósito Legal en la Biblioteca Nacional del Perú

N.° 2023-12158

©2023: Corporación Yachay SAC

Para su sello editorial YACHAY LEGAL

Calle Andalucía 119 - Of. 302, Pueblo Libre - Lima 15084 – Perú

Telf. ([phone] | [e-mail]

Diseño de portada y diagramación: Kemberson Domínguez Herrera

Asesoría temática: Andrés H. Ríos Jara

Marketing y publicidad: Robert C. Ríos Jara

Cuidado de la edición: Adriana J. Mallqui Luzquiños

Acerca de la edición impresa:

Yachay Legal - Primera edición, julio de 2023 | ISBN: 9786124930027

Todos los derechos reservados. Queda prohibida la reproducción total o parcial de esta obra, bajo ninguna forma o medio, electrónico o impreso, incluyendo fotocopiado, grabado o almacenado en algún sistema informático, sin el consentimiento por escrito de los titulares del Copyright.

www.YACHAYLEGAL.com

Para Alida, por siempre

Contenido

LISTA DE ILUSTRACIONES

LISTA DE TABLAS

RECONOCIMIENTOS

Parte I

MODELOS COMPUTACIONALES

DE RAZONAMIENTO JURÍDICO

1. UNA INTRODUCCIÓN A INTELIGENCIA ARTIFICIAL Y DERECHO (IA & DERECHO) Y SU FUTURO ROL EN LA PRÁCTICA JURÍDICA

1.1. Introducción

1.2. IA & Derecho y la promesa de la analítica textual

1.3. Nuevos paradigmas para una tecnología inteligente en la práctica jurídica

1.3.1. El paradigma anterior: los sistemas legales expertos

1.3.2. Paradigmas alternativos: la recuperación de argumentos y la computación cognitiva

1.3.3. Hacia las nuevas apps legales

1.4. Lo que Watson puede y no puede hacer

1.4.1. El programa Watson de IBM

1.4.2. Responder preguntas vs. Razonar

1.4.3. El programa Debater de IBM

1.4.4. Las herramientas de la analítica textual para responder preguntas legales

1.4.5. Fuentes para las herramientas de la analítica textual

1.5. Una guía a este libro

1.5.1. Parte I: Los modelos computacionales de razonamiento jurídico

1.5.2. Parte II: La analítica de textos jurídicos

1.5.3. Parte III: Conectando los modelos computacionales de razonamiento y los textos jurídicos

1.6. Las implicancias de la analítica textual para los estudiantes

2. EL MODELAJE DEL RAZONAMIENTO LEGISLATIVO

2.1. Introducción

2.2. Las complejidades de modelar el razonamiento legislativo

2.2.1. La ambigüedad semántica y la vaguedad

2.2.2. Ambigüedad sintáctica

2.3. La aplicación deductiva de las reglas jurídicas

2.3.1. Ejecutando una versión normalizada en una computadora

2.3.2. La lógica de predicados

2.3.3. La ambigüedad sintáctica como una limitación de diseño

2.3.4. El programa BNA

2.3.5. Algunos problemas de traducir las leyes a programas

2.4. La complejidad de la interpretación jurídica y la importancia de los argumentos

2.4.1. Un proceso de interpretación jurídica paso a paso

2.4.2. Otras fuentes de indeterminación jurídica

2.5. Sistemas administrativos para reglas y procesos comerciales

2.5.1. Los sistemas expertos en procesos de negocio

2.5.2. La automatización de los procesos comerciales de cumplimiento legal

2.5.3. Los requisitos para un lenguaje de cumplimiento de procesos

2.5.4. Conectando las normas jurídicas y los procesos de negocio

2.5.5. Un ejemplo de modelaje de cumplimiento de procesos de negocio

2.6. La representación de las redes legislativas

3. EL MODELAJE DEL RAZONAMIENTO JURÍDICO BASADO EN CASOS

3.1. Introducción

3.2. La relación entre los conceptos jurídicos y los casos judiciales

3.2.1. El proceso jurídico

3.2.2. Una ilustración del proceso jurídico

3.2.3. El rol de los conceptos jurídicos

3.3. Tres modelos computacionales de casos y conceptos jurídicos

3.3.1. Prototipos y deformaciones

3.3.2. Dimensiones y factores jurídicos

3.3.3. Explicaciones basadas en ejemplares

3.4. Modelos teleológicos del razonamiento jurídico basado en casos

3.5. Una aproximación al modelaje de razonamientos teleológicos

3.5.1. La teleología en la construcción de teorías

3.6. Limitaciones de diseño para la computación cognitiva con modelos de razonamiento jurídico basados en casos

4. MODELOS PARA LA PREDICCIÓN DE RESULTADOS JURÍDICOS

4.1.Introducción

4.2. Un enfoque vecino más cercano a la predicción jurídica automatizada

4.3. Una introducción al aprendizaje automático supervisado

4.3.1. Los algoritmos de aprendizaje automático: los árboles de decisión

4.4. Prediciendo las resoluciones de la Corte Suprema

4.4.1. Las características para predecir las resoluciones de la Corte Suprema

4.4.2. La aplicación del aprendizaje automático supervisado a los datos de SCOTUS

4.4.3. Una evaluación del método de aprendizaje automático

4.4.4. Las medidas evaluativas del aprendizaje automático y los resultados

4.5. La predicción de resultados mediante argumentos basados en casos

4.5.1. La predicción mediante CATO

4.5.2. La predicción basada en problemas

4.5.3. El algoritmo de predicción IBP

4.5.4. Evaluando las predicciones de IBP

4.6. La predicción con valores subyacentes

4.7. La predicción basada en la conducta de los litigantes

4.8. La predicción en la computación cognitiva

5. LOS MODELOS COMPUTACIONALES DE ARGUMENTACIÓN JURÍDICA

5.1. Introducción

5.1.1. Las ventajas de los MCAJ

5.2. El modelo argumentativo Carneades

5.3. Un ejemplo ampliado de un MCAJ en acción

5.3.1. El ejemplo del Derecho de familia con Carneades

5.3.2. La argumentación mediante normas jurídicas derrotables

5.3.3. Integrando la argumentación con casos y reglas

5.4. El modelo computacional de argumentación abstracta

5.5. Cómo los modelos computacionales de argumentación jurídica computan a ganadores y perdedores

5.5.1. La resolución de argumentos conflictivos sobre hechos

5.5.2. La resolución de argumentos conflictivos sobre valores

5.5.3. La resolución de argumentos conflictivos sobre normas jurídicas

5.6. ¿Cuán prácticos son los modelos computacionales de argumentación jurídica?

5.6.1. El rol de los estándares de prueba en los Modelos Computacionales de Argumentación Jurídica

5.6.2. La integración del razonamiento probabilístico en los Modelos Computacionales de Argumentación Jurídica

5.7. El modelo de predicción argumentativa basado en juicios de valor

5.7.1. El modelo de dominio PAJV

5.7.2. Los valores de PAJV que subyacen a la regulación de los secretos comerciales

5.7.3. Los esquemas argumentativos de PAJV

5.7.4. Las predicciones de PAJV basadas en argumentos

5.7.5. La evaluación del programa PAJV

5.8. El modelo computacional de argumentación probatoria en el terreno jurídico

5.9. Los modelos computacionales de argumentación jurídica como un puente

Parte II

LA ANALÍTICA DE TEXTOS JURÍDICOS

6. LA REPRESENTACIÓN DE CONCEPTOS JURÍDICOS EN ONTOLOGÍAS Y SISTEMAS TIPO

6.1. Introducción

6.2. Los fundamentos de la ontología

6.3. Ontologías jurídicas de muestra

6.3.1. La ontología de e-Court

6.3.2. La ontología basada en marcos de van Kralingen

6.4. La construcción de ontologías jurídicas

6.5. El respaldo ontológico al razonamiento legislativo

6.6. El respaldo ontológico a la argumentación jurídica

6.6.1. Una aplicación (app) en la mira de la ontología de la argumentación jurídica

6.6.2. Una ontología para el Micro-mundo argumentativo

6.6.3. Los límites para automatizar la argumentación jurídica por medio del respaldo ontológico

6.6.4. El respaldo ontológico para la computación cognitiva en la argumentación jurídica

6.7. Sistemas tipo para la analítica textual

6.7.1. La definición de un sistema tipo

6.7.2. Un ejemplo de sistema tipo: DeepQA

6.8. LUIMA: un sistema tipo UIMA de naturaleza jurídica

6.9. Las anotaciones de LUIMA pueden respaldar la recuperación de información conceptual de tipo jurídico

7. UN INTENTO DE VOLVER MÁS ASTUTA LA RECUPERACIÓN DE INFORMACIÓN JURÍDICA

7.1. Introducción

7.2.Servicios actuales de recuperación de información jurídica

7.3. Un ejemplo del uso comercial de los sistemas IR de naturaleza jurídica

7.4. Cómo funcionan los sistemas IR de naturaleza jurídica

7.5. Las medidas de relevancia de IR

7.5.1. La medida de relevancia Booleana

7.5.2. La aproximación espacio-vectorial a la relevancia

7.5.3. Modelos probabilísticos de relevancia

7.6. La evaluación de los sistemas IR de naturaleza jurídica

7.7. Desarrollos recientes en sistemas IR de naturaleza jurídica

7.8. La comparación de IR y MCAJ

7.9. La mejora de la IR de naturaleza jurídica mediante enfoques de IA & Derecho

7.9.1. La integración de las ontologías jurídicas e IR

7.9.2. La integración de IR y las medidas de relevancia de IA & Derecho

7.9.3. La expansión de la evaluación de relevancia de IR mediante redes de citas

7.9.4. La detección del cambio conceptual

7.10. Conclusión

8. EL APRENDIZAJE AUTOMÁTICO CON TEXTOS JURÍDICOS

8.1. Introducción

8.2. La aplicación del aprendizaje automático a los datos textuales

8.3. Una configuración básica para aplicar el AA a los textos jurídicos

8.4. Aprendizaje automático para descubrimientos electrónicos

8.4.1. Las hipótesis de los litigantes en el descubrimiento electrónico

8.4.2. El proceso de codificación predictiva

8.4.3. La evaluación de la efectividad de la codificación predictiva

8.4.4. Otras cuestiones abiertas de la codificación predictiva

8.4.5. El aprendizaje automático no supervisado a partir de los textos

8.5. La aplicación del AA a los textos judiciales en el History Project

8.5.1. La arquitectura del sistema del History Project

8.5.2. Algoritmos de AA: las máquinas de respaldo vectorial

8.5.3. La SVM del History Project

8.6. El aprendizaje automático de estructuras de casos

8.7. La aplicación del AA a los textos legislativos

8.7.1. El análisis legislativo

8.7.2. Una herramienta de AA interactiva para el análisis legislativo

8.8. Hacia las apps jurídicas de computación cognitiva

9. LA EXTRACCIÓN DE INFORMACIÓN DE LOS TEXTOS LEGISLATIVOS Y REGULATORIOS

9.1. Introducción

9.2.Una investigación general sobre la extracción de información de textos legislativos

9.3. La extracción automática de información funcional de las disposiciones legislativas

9.3.1. El aprendizaje automático al servicio de la extracción de disposiciones de tipos funcionales

9.3.2. Las reglas de clasificación textual para la extracción de información funcional

9.4. AA vs. KE en la extracción de información legislativa

9.5. La extracción de reglas lógicas a partir de leyes y regulaciones

9.6. La extracción de requisitos para el diseño de productos compatibles con las leyes

9.6.1. La implementación del cumplimiento normativo mediante regulaciones extraídas

9.6.2. Los enfoques semiautomáticos para mejorar la anotación humana tendiente a posibilitar el cumplimiento normativo

9.7. La extracción de información funcional para comparar regulaciones

9.7.1. El aprendizaje automático para la construcción de redes legislativas

9.7.2. La aplicación de un algoritmo de AA para textos legislativos

9.7.3. La evaluación del algoritmo de AA en textos legislativos y el manejo de los datos de entrenamiento dispersos

9.7.4. La aplicación de LUIMA para el enriquecimiento de la representación de textos legislativos

9.8. Conclusión

10. LA EXTRACCIÓN DE INFORMACIÓN ARGUMENTATIVA DE LOS TEXTOS JUDICIALES [LEGAL CASE TEXTS]

10.1. Introducción

10.2. La información argumentativa en los casos judiciales

10.3. La extracción de argumentos de las pretensiones jurídicas

10.3.1. El aprendizaje automático para la clasificación de oraciones como proposiciones, premisas y conclusiones

10.3.2. La representación de textos

10.3.3. La aplicación de algoritmos de aprendizaje estadístico

10.3.4. La gramática argumentativa para la estructura del árbol discursivo

10.3.5. La identificación de instancias de esquemas argumentativos

10.4. La extracción de factores jurídicos de naturaleza argumentativa

10.4.1. Tres representaciones para aprender a partir de los textos

10.4.2. ¿Cuán bueno fue el funcionamiento de SMILE?

10.4.3. La anotación de componentes factoriales

10.5. La extracción de evidencias fácticas y normas jurídicas citadas

10.5.1. La aplicación del sistema tipo LUIMA

10.5.2. La preparación de los casos paradigmáticos [Gold Standard Cases]

10.5.3. LUIMA-Annotate

10.5.4. La evaluación de LUIMA-Annotate

10.6. la anotación de datos de entrenamiento

10.6.1. La anotación en Debater de IBM

10.6.2. Los protocolos de anotación

10.6.3. Los entornos de anotación respaldados por computadoras

Parte III

LA CONECCIÓN ENTRE LOS MODELOS

DE RAZONAMIENTO COMPUTACIONAL Y

LOS TEXTOS JURÍDICOS

11. LA RECUPERACIÓN DE INFORMACIÓN JURÍDICO-CONCEPTUAL PARA LA COMPUTACIÓN COGNITIVA

11.1. Introducción

11.2. El estado del arte en la IR jurídico-conceptual

11.3. La arquitectura de LUIMA

11.3.1. LUIMA-Search

11.3.2. La reclasificación de documentos mediante LUIMA-Rerank

11.4. Un experimento para evaluar a LUIMA

11.4.1. Métricas de evaluación

11.4.2. LUIMA vs. CLIR

11.5. Continuar transformando la recuperación de información (IR) jurídica en recuperación de argumentos (AR)

11.5.1. La conexión de LARCCS y los sistemas IR

11.5.2. Las consultas por casos con información argumentativa extendida

11.5.3. Nuevos tipos de anotación jurídica

11.5.4. Perspectivas para la anotación de tipos jurídicos ampliados o expandidos

11.5.5. Suscitando las necesidades argumentativas de los usuarios

11.6. La recuperación de información conceptual a partir de las leyes

11.6.1. Un sistema tipo para las leyes

11.6.2. Técnicas en red para la recuperación de información jurídico-conceptual

11.6.3. La recuperación de información jurídico-conceptual mediante diagramas legislativos en red

11.7. Conclusión

12. LAS APPS JURÍDICAS DE COMPUTACIÓN COGNITIVA

12.1. Introducción

12.2. Las nuevas apps jurídicas del mercado

12.2.1. Ross

12.2.2. Lex Machina

12.2.3. Ravel

12.3. Tendiendo puentes entre los textos jurídicos y los modelos computacionales

12.4. Las apps de computación cognitiva que evalúan hipótesis jurídicas

12.4.1. Un paradigma para las apps jurídicas de computación cognitiva: La evaluación de las hipótesis jurídicas

12.4.2. Hipótesis jurídicas apuntadas

12.4.3. La operacionalización de hipótesis

12.4.4. La interpretación de hipótesis

12.5. Desafíos para las apps jurídicas de computación cognitiva

12.5.1. Desafíos: La anotación automática de la información jurídica de naturaleza argumentativa

12.5.2. Desafíos: el manual de anotación para las instancias de entrenamiento

12.5.3. Desafíos: el diseño de la interfaz de las consultas

12.6. La detección de oportunidades para nuevas hipótesis y argumentos

12.7. ¿Qué hacer a continuación?

12.8. Conclusión

GLOSARIO

BIBLIOGRAFÍA

Lista de ilustraciones

1.1. Reglas heurísticas que definen las pérdidas y la responsabilidad objetiva (Waterman y Peterson, 1981)

1.2. RTA para problemas de oferta y aceptación con cuatro estados: (0) no hay relaciones jurídicas relevantes; (1) oferta pendiente; (2) existe contrato; (12) existe contrato y está pendiente la propuesta de modificación (Gardner, 1987, p. 124)

1.3. El método heurístico de Gardner para distinguir preguntas jurídicas fáciles y difíciles (Gardner, 1987; Rissland, 1990).

1.4. Diagrama argumentativo correspondiente a la resolución de Debater de IBM sobre el tópico de videojuegos violentos (nodo raíz) (véase Dvorsky, 2014).

1.5. El diagrama representa un argumento jurídico realista que involucra el tópico de los videojuegos violentos.

1.6. Arquitectura de un analizador textual para documentos legales, incluyendo documentos contractuales. Los casilleros en líneas discontinuas muestran los componentes para el análisis semántico y la recuperación de información conceptual.

2.1. Las versiones normalizadas de dos interpretaciones alternativas de la ley de Louisiana y las reglas Prolog correspondientes (abajo) (Allen y Engholm, 1978).

2.2. La sección 354 del Internal Revenue Code y una versión normalizada (derecha) (véase Allen y Engholm, 1978).

2.3. Diagrama de flujo para la sección 354 proposicionalizada del Internal Revenue Code (véase Allen y Engholm, 1978).

2.4. Las disposiciones de BNA representadas en reglas (Sergot et al., 1986).

2.5. El resultado del programa BNA (extractos) (Sergot et al., 1986, p. 376f).

2.6. Los gráficos normativos que concluyen en la Legalidad y el Consentimiento efectivo de la sección 4 (1) de la Ley Federal para la Protección de Datos (véase Oberle et al., 2012, pp. 305-6, Figs. 13 y 14).

2.7. Muestra de un diagrama BPMN de un simple proceso de reclamo de seguro con anotaciones de reglas comerciales (véase la Tabla 2.1) (Koeter et al., 2014, Fig. 2, p. 220).

2.8. La red Petri representando un simple problema de asignación de recursos entre un productor y un consumidor (véase Kafura, 2011, p. 8).

2.9. Un informe sobre los rastros, reglas y tareas responsables del incumplimiento legal (extractos) (véase Governatori y Shek, 2012).

2.10. Un diagrama legislativo en red que compara los esquemas legales de Pensilvania (PA) y Florida (FL) sobre las medidas de vigilancia de sus respectivos sistemas públicos de salud ante las emergencias: los círculos representan a los actores y colaboradores del sistema público de salud de FL y PA. Las líneas grises representan las relaciones existentes en ambos Estados; las líneas blancas, por su parte, las relaciones jurídicas que se constatan en PA, pero no en FL (Sweeney et al., 2014).

3.1. La dimensión Secretos-Divulgados-Extraños en Ashley (1990).

3.2. El argumento de tres capas de tipo Hypo relativo al caso Mason (véase Ashley, 1990).

3.3. El modelo argumentativo de Hypo plasmado en un diagrama de Venn (Ashley, 1990).

3.4. Una celosía de reclamo Hypo (Ashley, 1990).

3.5. Ejemplo de un proceso CABARET para analizar Weissman vs. IRS, 751 F. 2d 512 (2d Cir. 1984) (Rissland y Skalak, 1991).

3.6. La jerarquía de factores de CATO (Aleven, 1997, 2003).

3.7.

El argumento de CATO minimizando/enfatizando una distinción (Aleven, 2003).

3.8. El caso Vaughn representado por una red semántica GREBE (Branting, 1991, 1999).

3.9. GREBE empareja la estructura del caso Vaughn con el problema de Jarek (Branting, 1991, 1999).

3.10. Los casos sobre actividades realizadas en cumplimiento de tareas laborales que fueron recuperados por GREBE para el problema de Jarek (Branting, 1991, 1999).

3.11. Extractos del argumento de GREBE para el problema de Jarek (véase Branting, 1991, 1999).

3.12. ¿Qué argumento responde mejor a las preocupaciones teleológicas? (Berman y Hafner, 1993).

3.13. Una teoría construida a partir de factores y preferencias valorativas (Bench-Capon y Sartor, 2013).

3.14. El argumento como una construcción teórica a partir de prelaciones entre factores y valores (véase Bench-Capon y Sartor, 2003).

4.1.

Proyección de casos de impuestos a las ganancias de capital en dos dimensiones (véase Mackaay y Robillard, 1974).

4.2. Datos sobre decisiones sobre libertad bajo fianza (a) que sirven de base para la construcción de un árbol de decisiones (b).

4.3. Ejemplos de las características contenidas en la base de datos de la Corte Suprema [S], los puntajes de Segal-Cover [SC] y el diseño de características [FE] (Katz et al., 2014).

4.4. El modelo de dominio IBP (Ashley y Brüninghaus, 2006).

4.5. Algoritmo IBP (Ashley y Büninghaus, 2009).

4.6. Ejemplo de la predicción de IBP para el caso MBL.

4.7. IBP vs. otros métodos predictivos: resultados (Ashley y Büninghaus, 2009).

4.8. Extractos de una teoría aprendida por AGATHA con el caso Mason como situación fáctica actual (Chorley y Bench-Capon, 2005a).

5.1. Un diagrama argumentativo Carneades (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009; véase Ashley, 2012).

5.2. La deducción clásica (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009).

5.3. La deducción clásica no puede probar una proposición y su contraria (véase Gordon, 2008b, c; Gordon y Watson, 2009; Walton y Gordon, 2009).

5.4. Esquema relativo a argumentos formulados a partir de reglas inferenciales derrotables (véase Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009).

5.5. Argumentos (a favor y en contra) con reglas de inferencia derrotables (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009; véase Ashley, 2012).

5.6. La deducción clásica (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009).

5.7. El argumento (contrario) basado en casos de Carneades (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009; véase Ashley, 2012).

5.8. El argumento (pro) basado en casos de Carneades (Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009; véase Ashley, 2012).

5.9. El ataque de argumentos según VAF (véase Atkinson y Bench-Capon, 2007, p. 113).

5.10. El modelo de dominio PAJV (Gabmair, 2016).

5.11. Los valores protegidos por la ley de secretos comerciales: el derecho de propiedad y el derecho a la confidencialidad de los demandantes (Grabmair, 2016).

5.12. Los valores protegidos por la ley de secretos comerciales: el interés público general en la usabilidad de información públicamente disponible y el interés en la competencia justa o leal (Grabmair, 2016).

5.13. El resultado del programa PAJV para el caso Dynamics (Extractos) (Grabmair, 2016, pp. 59-60).

5.14. Estructura enunciativa y argumentativa para razonar sobre un asunto de Reformulación con compensaciones en PAJV (Grabmair, 2016, p. 51).

5.15. Un árbol normativo parcial de MLD para fallos sobre vacunas, mostrando tres condiciones causales en el caso Althen (véase Walker et al., 2011).

5.16. Cadenas de razonamiento extraídas de MLD (extractos) (véase Walker et al., 2011).

6.1. Una muestra de la ontología para la formación contractual.

6.2. Extractos de la ontología de e-Court que muestran la ampliación de objeto de razonamiento, agente y rol jurídico. Los vínculos son es un, a menos que se indique lo contrario (véase Breuker y Hoekstra, 2004; Breuker et al., 2004; Van Engers et al., 2008).

6.3. Ontología en el sistema DALOS (extractos) (véase Francesconi et al., 2010).

6.4. Modelo de argumentación jurídica con hipótesis (Ashley, 2009b).

6.5. Marco de caso para el Micro-mundo relativo a Intereses-Propietarios-sobre-Presas (P: Demandante, D: demandado).

6.6. Marco factorial para el Micro-mundo relativo a Intereses-Propietarios-sobre-Presas (P: Demandante, D: demandado).

6.7. Marco ILC para el Micro-mundo sobre Intereses-Propietarios-sobre-Presas (P=Demandante, D=Demandado).

6.8. Marco de prueba relativo al Micro-mundo de Intereses-Propietarios-sobre-Presas (P=Demandante, D=Demandado).

6.9. Marco de políticas/valores relativo al Micro-mundo de Intereses-Propietarios-sobre-Presas (P=Demandante, D=Demandado).

6.10. La prueba del Juez McCarthy en Popov vs. Hayashi.

7.1. El modelo del vector-espacial tridimensional.

7.2. BN para el problema de la familia fuera de casa (véase Cherniak, 1991, p. 52).

7.3. Modelo de recuperación de red inferencial (véase Turtle, 1995, p. 33).

7.4. La arquitectura de SPIRE (Daniels y Rissland, 1997a).

7.5. Recuperación relativa a videocassette (véase Rose y Belew, 1991).

8.1. La arquitectura del sistema del History Project (véase Al-Kofahi et al., 2001).

8.2. Ejemplos de SVM. Los puntos negros son instancias positivas, los puntos grises instancias negativas y el punto blanco es una instancia desconocida (véase Noble, 2006, p. 1566).

8.3. Herramienta para el análisis legislativo (Savelka et al., 2015).

9.1. Muestra de input/output de xmLegesExtractor (Francesconi, 2009, p. 66).

9.2. Ejemplo de un híper-plano SVM de clases múltiples (véase Francesconi y Passerini, 2007, p. 12).

9.3. Una muestra de oraciones legislativas anotadas en función de sus partes lógicas: antecedentes < A >, consecuentes < C > y tópicos < T > (Bach et al., 2013).

9.4. Sugerencias terminológicas para la anotación de plantillas (véase Yoshida et al., 2013).

9.5. La partición de la disposición legislativa en fragmentos de un subárbol.

9.6. Árbol de decisión para clasificar los textos legislativos como relevantes (rel.) o irrelevantes (irrel.) para el estudio de la Escuela de Salud Pública.

9.7. El diagrama de caja resume los resultados de todos los experimentos en cada una de las tareas correspondientes a Florida (FL). Cada diagrama describe el desempeño en función de una medida F1 dentro de un solo experimento. Las tareas incluyeron la identificación del agente actuante (AA), de la prescripción (PR), de la acción (AC), del objetivo (GL), del propósito (PP), del tipo de emergencia (ET), del agente receptor (RA), de la condición (CN) y del marco temporal (TF) (Savelka y Ashley, 2015).

10.1. Extracto de la estructura de un árbol argumentativo extraído automáticamente de un caso (véase Moens et al., 2007, Fig. 5).

10.2. Una visión general de SMILE e IBP (véase Ashley y Büninghaus, 2009).

10.3. Un esquema de LUIMA-Annotate (Grabmair et al., 2015).

10.4. El entorno de anotación de LUIMA.

10.5. Una anotación de los factores y componentes de un caso de secretos comerciales mediante el empleo de GATE Teamware (Wyner y Peters, 2010).

10.6. La anotación de los factores sobre secretos comerciales en el caso Mason realizada por WebAnno (véase Yimam et al., 2013).

11.1. La arquitectura del pipeline de LUIMA (Grabmair et al., 2015).

11.2. LUIMA-Search: la muestra de una consulta (parte superior) y la entrada de una oración en el índice de la base de datos de Lucene (parte inferior).

11.3. AP de las versiones LUIMA vs. Línea de Base para once consultas y MAP (Grabmair et al., 2015).

11.4. NDCG de las versiones de LUIMA vs. Línea de Base para once consultas y NDCG promedio (Grabmair et al., 2015).

11.5. Consultas sobre casos con proposiciones que desempeñan roles argumentativos particulares (del Dominio V/IP). Los términos en negrita representan los tipos de rol argumentativo de nivel de oración existentes. Los términos en cursiva representan los requisitos normativos.

11.6. Consultas sobre factores jurídicos y roles argumentativos (del domino de secretos comerciales). Los términos en negrita representan los tipos de roles argumentativos de nivel de oración más los tipos de factores jurídicos y los tipos valorativos (véase la Sección 11.5.3). Los términos en cursiva representan los requisitos normativos. Los términos en cursiva subrayados representan las políticas o valores legales.

11.7. Nuevos tipos de roles argumentativos de nivel de oración.

11.8. La minería argumentativa relativa a la opinión judicial del caso Mason. Las anotaciones (con WebAnno) son: los factores jurídicos sobre apropiación indebida de secretos comerciales, los tipos principales de oración en LUIMA, la proposición/premisa y la proposición/conclusión, y los esquemas argumentativos.

11.9. Esquema de datos de entrada de consultas. Los nodos representan los sucesivos niveles de un árbol de consulta y de una cadena de razonamiento de estilo DLF. Aquí el usuario busca casos con evidencias y descubrimientos basados en evidencias acerca de que la vacuna Triple Viral puede causar un desorden convulsivo intratable y la muerte, en conexión con un fallo judicial sobre el requisito de que la teoría médica causalmente conecta, obtenido de la regla Althen sobre la causalidad de hecho.

11.10. Tipos legislativos generales (izquierda) y específicos (derecha) de un dominio.

11.11. Consultas conceptuales legislativas provenientes del dominio de Emergencias de Salud Pública.

11.12. La red legislativa de Texas según LENA (Ashley et al., 2014)11.7.

12.1. Dos plantillas para las hipótesis jurídicas apuntadas.

12.2. Una muestra de las hipótesis jurídicas a las que las apps jurídicas de computación cognitiva deberían apuntar (a partir del dominio de apropiación indebida de secretos comerciales).

12.3. Una muestra de las hipótesis jurídicas a las que las apps jurídicas de computación cognitiva deberían apuntar (a partir del dominio de lesiones por vacunas).

12.4. Árbol RST para un fragmento del caso Mason que muestra parte de la información atributiva.

12.5. Entorno de anotación para estudiantes de abogacía de primer año.

Lista de tablas

2.1. De los textos regulatorios, pasando por las reglas de negocio y las anotaciones de procesos de negocio (véase la Figura 2.7), hasta los formatos en lógica de predicados (Koetter et al., 2014, p. 220).

3.1. Factores de secretos comerciales (Aleven, 1997)

5.1. Los factores jurídicos y los precedentes relacionados con la dificultad excesiva (véase Gordon, 2008b, c; Gordon y Walton, 2009; Walton y Gordon, 2009)

5.2. Algunos estándares de prueba en Carneades (Gordon y Walton, 2006) y sus contrapartes jurídicas (Weiss, 2003; Feller, 2015).

5.3 ¿Pueden los MCAJ actuar como un puente entre los textos jurídicos y las respuestas buscadas por los seres humanos?

6.1. Tres marcos ontológicos para la norma jurídica, el concepto y el acto jurídico con rellenos de ranuras para la regulación de bibliotecas (véase Van Kralingen et al., 1999, pp. 1135-8, 1150-3).

6.2. Muestra de un diálogo socrático de naturaleza jurídica en un micro-mundo con movimientos argumentativos (P: Demandante, D: Demandado) (Ashley, 2009a, 2011).

6.3. Los casos correspondientes al Micro-mundo de Intereses-Propietarios-sobre-las-Presas-Salvajes (P: demandante, D: demandado). Las abreviaturas factoriales se definen más abajo, en la Tabla 6.4 (Ashley, 2009a, 2011).

6.4. Factores y políticas en el Micro-mundo relativo a Intereses-Propietarios-sobre-Presas (P=Demandante, D=Demandado) (Ashley, 2009a, 2011).

6.5. Pruebas propuestas en el Micro-mundo relativo a Intereses-Propietarios-sobre-Presas (P=Demandante, D=Demandado) (Ashley, 2009a, 2011).

6.6. El sistema tipo LUIMA: los Tipos de Nivel de Oración, Formulación, Mención y Término.

6.7. El sistema tipo LUIMA: Tipos de nivel de oración.

7.1. Modelo de índice invertido.

8.1. Matriz de confusión para tres clases de roles proposicionales (parte superior). Las tres tablas de confusión de abajo muestran el total de verdaderos positivos (TP), verdaderos negativos (TN), falsos positivos (FP) y falsos negativos (FN) para cada clase.

9.1. Problemas relativos a la clasificación de disposiciones legislativas presentados a los enfoques de AA y KE (de Maat et al., 2010).

10.1. Algunos esquemas argumentativos anotados automáticamente (Feng y Hirst, 2011).

10.2. Las medidas de desempeño en la clasificación de oraciones (los valores más altos se destacan en negrita).

11.1 Once consultas ingresadas en el sistema CLIR (Grabmair et al., 2015).

11.2. Información presuposicional en dos dominios de demandas jurídicas.

11.3. Consulta estructurada traducida de Hallazgo o conclusión de que la vacuna Triple Viral causa un trastorno convulsivo intratable.

12.1. Ejemplos de las razones probatorias de DLF en las decisiones de los peritos judiciales (izquierda) y las posibles políticas y principios subyacentes (derecha).

Reconocimientos

La Escuela de Derecho de la Universidad de Pittsburgh apoyó la redacción de este libro gracias al otorgamiento de unas becas estivales del Decanato. Las notas y borradores de este libro evolucionaron en el transcurso de una estancia de docencia en el marco del programa doctoral Erasmus Mundus en Derecho, Ciencia y Tecnología de la Universidad de Bologna, una oportunidad por la cual estoy agradecido a la Profesora Monica Palmirani. Vern Walker, Jaromir Savelka y Thomas Gordon leyeron borradores previos y formularon valiosas sugerencias, por lo que también estoy a ellos agradecido. Por su lectura cuidadosa y sus reflexivas sugerencias, siento una gratitud especial por quien antes fuera mi estudiante de doctorado y hoy es mi colega de investigación, Matthias Grabmair. El trabajo de Matthias en la analítica de textos jurídicos y en la predicción y argumentación basada en casos, así como su trabajo y el de Jaromir en la aplicación del aprendizaje automático a la legislación, me convencieron de que ya era hora de escribir este libro. Asesorar a Matthias, colaborar con él y aprender de él han sido unos de los mayores regocijos de mi vida profesional como docente. Nunca hubiera tenido una vida profesional como docente, y nunca hubiera terminado este libro, sin el amor y apoyo constante de mi esposa Alida. Nuestra hija Alexandra, quien continúa sonri éndonos mientras trabajamos con ardor en nuestra investigación y escritura, fue de gran ayuda en la selección del arte gráfico utilizado en la cubierta.

1

Una introducción a Inteligencia Artificial y Derecho (IA & Derecho) y su futuro rol en la práctica jurídica

1.1. INTRODUCCIÓN

Inteligencia Artificial y Derecho (IA & Derecho) [AI & Law], un campo de estudio constituido en la década de 1980, aunque con antecedentes en décadas anteriores, está a punto de experimentar una revolución. Equipos de especialistas en Búsqueda de Respuestas (BR) [ question answering - QA], Extracción de Información (EI) [ information extraction - IE] y minería de argumentación textual [ argument mining from text ] plantaron las semillas de esta revolución mediante programas como Watson y Debater, de IBM, y los diseños para administrar información de dominio público en los que esos programas se basan. A partir de estas semillas, seguramente se desarrollarán nuevas aplicaciones para el ámbito jurídico. De hecho, ellas se están gestando en la actualidad. Este libro explica de qué manera.

Programas como Watson y Debater no serán capaces de argumentar jurídicamente. Ellos pueden llegar a responder preguntas jurídicas en un sentido superficial, pero no pueden explicar sus respuestas o construir razonamientos jurídicos. No obstante, las herramientas para analizar textos de dominio público en las que ellos se basan tendrán un impacto profundo en el desarrollo de nuevas aplicaciones jurídicas. Tales herramientas identificarán aquella información de naturaleza argumentativa contenida en los textos jurídicos que permita que la recuperación de información jurídica se transforme en un nuevo tipo de recuperación conceptual: la recuperación de argumentos (RA) [argument retrieval - AR].

Los modelos computacionales desarrollados por los especialistas en IA & Derecho serán capaces de argumentar jurídicamente. La información de naturaleza argumentativa que novedosamente se extraiga conectará los modelos computacionales de razonamiento jurídico (MCRJ) [computational models of legal reasoning - CMLR] directamente con los textos legales. Los modelos pueden generar argumentos a favor y en contra de ciertas soluciones para determinadas controversias legales, predecir una solución para una controversia y explicar sus predicciones con razones que los profesionales del mundo jurídico podrán reconocer y evaluar por sí mismos. El resultado será una clase novedosa de aplicación jurídica [legal app] que facilite la computación cognitiva, una suerte de actividad colaborativa entre seres humanos y computadoras en la que cada parte lleve a cabo aquellas actividades inteligentes en las que se desempeñe mejor.

Este capítulo introduce el objeto de IA & Derecho y explica el rol que desempeñará a la luz de las nuevas tecnologías disponibles para analizar textos jurídicos. Explica cómo estas tecnologías habilitan nuevas herramientas para la práctica jurídica que se valen de modelos computacionales de razonamiento y argumentación legal desarrollados por especialistas en IA & Derecho.

Algunas de las preguntas aquí tratadas incluyen las siguientes: ¿cuál es el objeto de IA & Derecho? ¿Qué es un modelo computacional de razonamiento jurídico (MCRJ)? ¿Cuáles son las nuevas tecnologías para la Búsqueda de Respuestas (BR), la Extracción de Información (EI) y la minería de argumentación textual? Dadas estas tecnologías, ¿qué roles desempeñarán IA & Derecho, MCRJ y la argumentación? ¿De qué hablamos cuando nos referimos a la recuperación de información conceptual y a la computación cognitiva, y qué clase de aplicación (app) jurídica les servirá de respaldo?

1.2. IA & DERECHO Y LA PROMESA DE LA ANALÍTICA TEXTUAL

El objetivo de gran parte de las investigaciones en IA & Derecho ha consistido en desarrollar modelos computacionales de razonamiento jurídico (MCRJ) capaces de formular argumentos jurídicos que sirvan para predecir soluciones a controversias legales. Un MCRJ es un programa informático que implementa un proceso destinado a evidenciar las propiedades del razonamiento jurídico practicado por los seres humanos. El proceso puede implicar el análisis de una situación y la respuesta a una pregunta jurídica, la predicción de un resultado o incluso la formulación de un argumento jurídico. Un subconjunto de MCRJ implementa un proceso de argumentación jurídica como parte de su razonamiento. Tal cosa es lo que hacen los modelos computacionales de argumentación jurídica (MCAJ) [computational models of legal argument - CMLA].

Tanto los MCRJ como los MCAJ simplifican una tarea intelectual altamente compleja para el hombre, como estimar el valor a liquidar en una demanda por responsabilidad por un producto o analizar un problema de oferta y aceptación durante el primer año de un arreglo contractual, descomponiéndola en un conjunto de pasos informáticos o algoritmos. Los modelos especifican cómo insertar un problema y la clase de solución jurídica que se obtiene como resultado. En el medio, sus constructores han diseñado un mecanismo computacional destinado a aplicar el conocimiento del área para completar los pasos y transformar un insumo [input] en un resultado [output].

Al desarrollar estos modelos, los investigadores lidian con problemas tales como el modo en que debe ser representado el significado de una norma jurídica para que un programa informático pueda resolver si se aplica o no a una situación específica, cómo distinguir un caso fácil de uno difícil o cuáles son los roles que la jurisprudencia y la valoración desempeñan a la hora de interpretar las normas jurídicas. Sus respuestas a estas preguntas no son filosóficas sino científicas; sus programas computacionales no sólo modelan tareas de razonamiento jurídico, sino que también se encargan de realizarlas; y los investigadores realizan experimentos con el fin de evaluar el desempeño de sus programas.

Mientras los especialistas en IA & Derecho han efectuado grandes avances, un cuello de botella cognoscitivo ha impedido que su progreso contribuya a la práctica jurídica. Hasta ahora, el conocimiento jurídico substantivo empleado por sus modelos computacionales debió ser extraído manualmente de las fuentes legales, esto es, de los casos, leyes, regulaciones, contratos y otros textos utilizados por los profesionales del Derecho. Es decir, han sido expertos de carne y hueso quienes han tenido que leer los textos legales y representar las partes relevantes de su contenido de una forma que pudiera ser usada por los modelos computacionales. Una incapacidad para conectar automáticamente los modelos computacionales de argumentación jurídica con los textos legales ha limitado entonces la posibilidad de que los programas existentes se apliquen para recuperar información jurídica del mundo real, así como para predecir y arribar a soluciones concretas.

Desarrollos recientes en Búsqueda de Respuestas (BR), Extracción de Información (EI) y minería de argumentación textual prometen modificar ese panorama. Un sistema de búsqueda de respuestas inspecciona una amplia colección de textos y halla una pequeña oración o frase que precisamente responde la pregunta de un usuario (Prager et al., 2000). La extracción de información es el problema de resumir los detalles esenciales que son característicos de un documento determinado (Freitag, 2000). La minería de argumentación textual implica identificar automáticamente estructuras argumentativas en el interior de ciertos documentos, como las premisas y la conclusión, digamos, así como las relaciones existentes entre parejas de argumentos (ACL-AMW, 2016). Las tres tecnologías por lo general descansan, al menos en parte, en el aprendizaje automático (AA) [machine learning - ML], que asiste de este modo a los programas en el procesamiento de la información semántica disponible en los textos.

Un término más general para invocar estas técnicas, a saber: analítica textual o minería textual, refiere al descubrimiento de información que puede encontrarse en archivos textuales… Describe un conjunto de técnicas lingüísticas, estadísticas y de aprendizaje automático que modelan y estructuran el contenido informativo de fuentes textuales al servicio de la inteligencia empresarial, el análisis exploratorio de datos, el estudio o la investigación (Hu y Liu, 2012, pp. 387-8). Cuando los textos a ser analizados son jurídicos, podemos hacer referencia a la analítica de los textos jurídicos, o, dicho de manera más simple, a la analítica jurídica, mediante la que se obtiene una comprensión sustancialmente significativa extraída de algunos datos jurídicos, incluyendo los datos que se hallan en los textos legales (Katz y Bommarito, 2014, p. 3).

Las técnicas de la analítica textual pueden abrir el cuello de botella cognoscitivo que durante tanto tiempo impidió el progreso en el desarrollo de aplicaciones jurídicas inteligentes. En lugar de confiar solamente en técnicas manuales para representar lo que los textos legales dicen de modo tal que esto pueda ser usado por los programas, los investigadores pueden automatizar el proceso cognoscitivo de representación.

Como resultado, algunos MCRJ y algunos MCAJ podrían vincularse pronto con herramientas de análisis textual para posibilitar la construcción de una nueva generación de aplicaciones jurídicas y algunas herramientas novedosas para la práctica profesional del derecho. Específicamente, los modelos desarrollados en el campo de IA & Derecho emplearán información extraída automáticamente de los textos legales, como algunos fallos y estatutos, para asistir a los seres humanos a la hora de resolver disputas legales, predecir soluciones para un caso, proporcionar explicaciones y confeccionar argumentos a favor y en contra de conclusiones jurídicas, de modos más eficientes que los actualmente permitidos por la tecnología.

De manera complementaria, los programas de IA & Derecho pueden proporcionar respuestas a preguntas que probablemente están en las mentes de los tecnólogos que trabajan para laboratorios comerciales y start-ups: ahora que podemos extraer información semántica automáticamente de los textos legales, ¿qué pueden hacer con ella los programas informáticos? ¿Y qué tipo de información exactamente debería ser extraída de las leyes, las regulaciones y los fallos? Los modelos computacionales de razonamiento jurídico (MCRJ) demuestran cómo las nuevas herramientas de procesamiento textual pueden adaptarse a las estructuras del conocimiento jurídico y ser usadas para asistir a los seres humanos en el desempeño práctico de tareas jurídicas.

Algunos MCRJ y algunos MCAJ pueden ser útiles para que los programas de inteligencia artificial avanzados hagan un uso inteligente de los recursos legales. Ciertamente, la información extraída será usada para mejorar la recuperación de información jurídica, contribuyendo a que los profesionales jurídicos se focalicen con mayor rapidez en la información relevante. Sin embargo, ¿qué más podría esperarse? ¿Las computadoras pueden razonar a partir de la información extraída de los textos legales? ¿Podrían ayudar a los usuarios a plantear y tantear hipótesis jurídicas, a construir argumentos jurídicos o a predecir soluciones para disputas legales?

Las respuestas parecen ser decididamente afirmativas, por más que la cantidad de trabajo investigativo que todavía queda por delante antes de que las nuevas aplicaciones jurídicas demuestren todo su potencial sea considerable. De hecho, de eso se trata este libro: de mostrar cómo debería conducirse ese trabajo investigativo. Este libro también pretende asistir a los operadores y a otras personas en esta tarea, así como en la utilización de las aplicaciones jurídicas resultantes. Esto incluye a firmas comerciales interesadas en desarrollar nuevos productos y servicios basados en estos modelos, así como a agencias públicas interesadas en modernizar sus procesos de trabajo.

1.3. NUEVOS PARADIGMAS PARA UNA TECNOLOGÍA INTELIGENTE EN LA PRÁCTICA JURÍDICA

La tecnología de la práctica jurídica está cambiando rápidamente. La codificación predictiva está transformando el arte de litigar. Start-ups como Ravel (Ravel Law, 2015a), Lex Machina (Surdeanu et al., 2011) y Ross, basada en Watson (Ross Intelligence, 2015) (véanse las secciones 4.7 y 12.2), están ganando centralidad y muchos estudios jurídicos se están incorporando a sus listas de suscriptores. Estos y otros desarrollos en la analítica textual ofrecen nuevos modelos de procedimientos y nuevas herramientas para ofrecer servicios legales, prometiendo una mayor eficiencia y, posiblemente, una mayor accesibilidad pública.

Estos cambios presentan desafíos y oportunidades para los jóvenes abogados y los científicos informáticos, aunque no ha sido sencillo predecir el futuro de la práctica jurídica. Los estudios jurídicos se vienen negando a incorporar personal y esto ha reducido el número de aplicaciones en las facultades de derecho. Quienes se postulan para ingresar en ellas sopesan las chances de un empleo lucrativo en contra del monto de un préstamo estudiantil, lo que los invita a evaluar otras opciones. Hay incertidumbre sobre las tareas de naturaleza jurídica que la tecnología puede desarrollar. Luego de citar predicciones periodísticas, académicas y comerciales del inminente y extendido desplazamiento de los abogados a causa de las computadoras, Remus y Levy argumentan de manera persuasiva que las predicciones "pasan por alto detalles técnicos…críticos para entender los tipos de tareas abogadiles que las computadoras pueden y no pueden desarrollar. Por ejemplo, por qué la revisión documental que tiene lugar en la práctica del discovery o descubrimiento se presta más a la automatización que la revisión que tiene lugar en el trabajo de debida diligencia empresarial, y por qué la automatización de… las historias deportivas no sugiere una inminente automatización de la redacción jurídica" (Remus y Levy, 2015, p. 2).¹

Tampoco es claro qué deberían aprender los estudiantes de derecho sobre la tecnología. Durante mucho tiempo los estudios jurídicos reclamaron por estudiantes preparados para el ejercicio profesional, pero incluso los estudios parecen confundidos acerca de los tipos de tecnologías a incorporar, como así también acerca de si esa tecnología debería ser desarrollada por ellos mismos y no por proveedores externos, o acerca de las habilidades y el conocimiento que mejor prepararían a los estudiantes de derecho a fin de evaluar y utilizar las nuevas tecnologías.

Williams Henderson, un profesor de la Facultad de Derecho de la Universidad de Indiana, ha sostenido que la ingeniería de procesos legales ha cambiado la práctica jurídica y seguirá haciéndolo, para lo que se requerirá que las facultades de derecho enseñen a sus estudiantes habilidades en ingeniería de procesos.

Debido al énfasis en el proceso y en la tecnología que hoy se constata en el interior de la industria jurídica, las habilidades técnicas y el conocimiento del área (que hoy se enseñan) pueden ser inadecuados para una gran proporción de los estudiantes de derecho que se gradúen en el 2015… [los estudiantes] …no están preparados para aprender que el derecho tiene menos que ver hoy con los juicios por jurados y la incidencia de los tribunales que con la ingeniería de procesos, la codificación predictiva y las habilidades colaborativas y técnicas que esos procesos implican (Henderson, 2013, pp. 505f).

La ingeniería de procesos (o reingeniería) ha sido definida en la literatura sobre negocios y gestión de la información como un proceso de cambio,

[cuyo] objetivo consiste en aportar ganancias rápidas y sustanciales en el rendimiento organizacional por medio de un rediseño del núcleo del proceso comercial, [satisfaciendo] una necesidad de acelerar el proceso, reducir los recursos necesarios, mejorar la productividad y la eficiencia, y mejorar la competitividad (Attaran, 2004, p. 585).

La tecnología de la información (TI) ha sido denominada la tecnología más efectivamente propicia para esa reingeniería del proceso comercial, estableciendo una comunicación sencilla, mejorando el rendimiento del proceso y contribuyendo a un esfuerzo de reingeniería por modelar, optimizar y medir sus consecuencias (Attaran, 2004, p. 595).

Henderson enfatiza el rol que la ingeniería de procesos ha cumplido en la evolución del trabajo legal, un concepto que él toma del libro The End of Lawyers?, de Richard Susskind, para quien el trabajo legal, de ser personalizado (o hecho a medida), está evolucionando para adoptar un formato estandarizado, sistematizado, empaquetado y, en última instancia, mercantilizado [commoditized]:

Estos cambios se ven posibilitados por la identificación de patrones recursivos en formularios legales y opiniones judiciales, lo que permite el uso de procesos y tecnología capaces de ofrecer soluciones muy baratas y de muy alta calidad a la miríada de necesidades legales. El trabajo intensivo que tradicionalmente fue realizado en los Estados Unidos por los graduados en derecho recién egresados… hoy está siendo realizado por graduados de la India [que trabajan para subcontratistas especializados en procesos legales], quienes están aprendiendo cómo diseñar y operar procesos destinados a extraer información útil de grandes masas de textos digitales. No sólo los graduados en derecho de la India se están quedando con los empleos disponibles, sino que están aprendiendo habilidades valiosas que brillan por su ausencia en las facultades de derecho de los Estados Unidos (Henderson, 2013, pp. 479, 487).

Al poner el foco en el uso de procesos y tecnologías para diseñar métodos económicamente más eficientes para arribar a soluciones jurídicas, Henderson concuerda con Susskind en que la mercantilización [commoditization] constituye la culminación de esta evolución del trabajo legal.

Una mercancía jurídica… es un paquete u ofrecimiento online o electrónico que se le facilita al usuario final para su uso directo, a menudo bajo la premisa de Hágalo usted mismo. La palabra mercancía en el contexto jurídico [hace referencia] a sistemas de tecnología de la información… [que permanecen] indiferenciados en el mercado (indiferenciados en la mentalidad de los clientes, no en la de quienes proporcionan el servicio). Por cada mercancía, bien puede que haya productos en competencia muy similares (Susskind, 2010, p. 31ff).

En otras palabras, el resultado de la mercantilización jurídica es un producto o servicio de software que cualquiera puede adquirir, descargar y usar para resolver problemas legales sin contratar a un abogado, o, en la jerga habitual, un tipo de aplicación jurídica computarizada, una app jurídica.

1.3.1. El paradigma anterior: los sistemas legales expertos

Ambos conceptos, la ingeniería de procesos y la mercantilización, plantean preguntas interesantes. Si la ingeniería de procesos de los servicios legales está repensando cómo proporcionar soluciones muy baratas y de muy alta calidad, ¿quién o qué se hará responsable de adaptar esas soluciones al problema particular de un cliente? Si, como Susskind sostiene, la mercantilización significa Hágalo usted mismo, ¿implica eso que el cliente queda librado a su propia suerte? En otras palabras, ¿qué tipo de apoyo proporciona la app jurídica? En particular, ¿puede la app jurídica alcanzar algún nivel de personalización?

Hasta no hace mucho tiempo, el modelo computacional paradigmático para diseñar una app jurídica habría sido un sistema legal experto. Como los define el propio Susskind, quien desarrolló en su momento un sistema legal experto pionero,

los sistemas expertos son aplicaciones computacionales que contienen representaciones de conocimiento y experiencia… que pueden aplicar —como lo hacen los seres humanos— a la hora de resolver problemas, ofrecer consejos y cumplir una variedad de tareas diferentes. En el derecho, la idea es usar la tecnología computacional para que la experiencia y el conocimiento, dos atributos escasos, se vuelvan más ampliamente disponibles y de fácil acceso (Susskind, 2010, p. 120f).

Típicamente, los sistemas legales expertos lidian con áreas reducidas del mundo jurídico, pero tienen el conocimiento y la experiencia suficientes en el dominio reducido como para recomendarle a su cliente que formule preguntas pertinentes sobre su problema, como para personalizar su respuesta basándose en las interacciones con el susuario y como para explicar sus razones. Su experiencia incluye una heurística que los operadores habilidosos utilizan cuando aplican reglas jurídicas a hechos específicos. Esta heurística está conformada por reglas básicas, frecuentemente útiles, aunque sean insuficientes para garantizar la obtención de un resultado correcto (Waterman y Peterson, 1981).

Las reglas son representadas en un lenguaje declarativo que especifica sus condiciones y su conclusión. Ellas son derivadas a través de un proceso de adquisición cognoscitiva fundamentalmente manual: consultar manualmente a expertos humanos, presentarles escenarios problemáticos, invitaros a resolver los problemas y preguntarles qué reglas los expertos aplicaron al momento de analizar el problema y arribar a una solución (Waterman y Peterson, 1981).

El sistema experto de Waterman sobre responsabilidad por productos

El sistema legal experto de Don Waterman (W-LES, por sus siglas en inglés) constituye un clásico ejemplo de los años 80 de un MCRJ que desarrolló un razonamiento jurídico automático, por limitado que fuera, sobre un problema práctico. Proporcionaba recomendaciones para la solución de controversias en disputas sobre responsabilidad por productos (Waterman y Peterson, 1981). Los insumos [inputs] de los que se alimentaba W-LES consistían en descripciones de disputas sobre responsabilidad por productos. Como resultados [outputs], W-LES recomendaba valores de liquidación y explicaba sus análisis.

Las recomendaciones de W-LES sobre cómo dirimir una disputa legal y por qué monto hacerlo estaban basadas en reglas heurísticas, incluyendo reglas ajustadoras de reclamos y enunciados formalizados de la doctrina jurídica de California sobre responsabilidad por productos, tal como constaba en las leyes, las opiniones de los tribunales y los tratados legales (Waterman y Peterson, 1981, p. 15). La Figura 1.1 ilustra el programa de reglas heurísticas que define tres clases de pérdidas y la demanda sobre responsabilidad objetiva.

W-LES se encargaba de procesar mecánicamente una situación fáctica apelando a estas reglas heurísticas mediante un tipo de razonamiento delantero o encadenamiento hacia delante [forward chaining]. Su motor de inferencias se desplazaba a través de las reglas, evaluando si se producía algún disparo, esto es, si las condiciones de una regla eran satisfechas por los hechos incorporados en la base de datos que representaban el problema en ciernes. Si así era, entonces la regla aplicable se disparaba y sus consecuencias deductivas eran incorporadas a la base de datos. El motor de inferencias se desplazaba repetidamente a través de las reglas hasta que ninguna otra regla pudiera aplicarse.

Figura 1.1. Reglas heurísticas que definen las pérdidas y la responsabilidad objetiva (Waterman y Peterson, 1981)

Idealmente, al final del proceso, las reglas cuyas conclusiones representaban una solución para el problema se habrían disparado exitosamente, aportando una predicción y un diagnóstico (o, en otros sistemas legales expertos, la selección y el relleno del formulario legal relevante). La explicación del resultado consiste en un registro de auditoría o rastreo a través de las reglas que se dispararon y las condiciones satisfechas que posibilitaron esos disparos (Waterman y Peterson, 1981).

Otros sistemas expertos aplicaron reglas por medio de un encadenamiento hacia atrás [backward chaining]. El motor de inferencias comienza con un conjunto de metas prefijadas, selecciona una y se desplaza a través de la base de datos de reglas (y hechos) en la búsqueda de una regla cuya conclusión sea la meta a alcanzar. Luego, añade las condiciones de esa regla al conjunto de metas prefijadas y repite el ciclo hasta que todas las metas sean satisfechas, o hasta que no haya más reglas (o hechos) con los que satisfacer las metas restantes (Sowizral y Kipps, 1984, p. 3).

Waterman enfrentó tres limitaciones de diseño al momento de desarrollar sistemas legales expertos: reglas jurídicas que varían de jurisdicción en jurisdicción; reglas jurídicas que emplean conceptos jurídicos mal definidos; e inferencias probatorias inciertas.

En primer lugar, las reglas jurídicas sobre responsabilidad por productos son diferentes en cada Estado. Mientras algunos Estados aplican la regla de la negligencia contribuyente, otros aplican la regla de la negligencia comparativa. Si se aplica la primera regla, la negligencia del demandante elimina la responsabilidad. Si se aplica la segunda, la negligencia del demandante reduce proporcionalmente lo que puede recuperar. Waterman enfrentó este problema mediante la representación de múltiples reglas estatales, permitiéndoles a los usuarios especificar qué reglas aplicar a fin de demostrar las diferencias en los resultados.

En segundo lugar, las reglas jurídicas empleaban algunos conceptos sin definirlos (i.e., términos imprecisos, en la jerga de Waterman), tales como razonable y debido o previsible (Waterman y Peterson, 1981, p. 18). Waterman consideró un número de posibles soluciones, como proporcionar más reglas tendientes a describir de qué manera un término impreciso fue usado previamente en ciertos contextos, desarrollar descripciones sintéticas de instancias en las que el término impreciso se hubiera usado previamente para dejar que el usuario decida, comparar casos previos en los que el término se aplicó, y proporcionar una estimación numérica que indicara la certeza de que la regla …se aplicara… A fin de cuentas, él se inclinó por hacer que el sistema le preguntara al usuario si el término se aplicaba (Waterman y Peterson, 1981, p. 26).

En tercer lugar, los litigantes no están seguros sobre cómo probar cuestiones de hecho ni sobre la doctrina jurídica aplicable. Entre las sugerencias de Waterman estaban la de incorporar las incertidumbres como premisas adicionales dentro de cada regla, o la de tratar las incertidumbres como una regla separada del resto, lista para ser aplicada luego de considerar las reglas restantes. Los usuarios considerarían un caso con independencia de la …incertidumbre, alcanzarían una conclusión tentativa y luego ajustarían esa conclusión a partir de un factor probabilístico que representara su nivel general de incertidumbre sobre el caso (Waterman y Peterson, 1981, p. 26).

Los sistemas legales expertos más modernos

Aunque ya no sean el paradigma imperante, los sistemas legales expertos todavía se usan ampliamente en un determinado número de contextos.

Neota Logic provee herramientas para que los estudios jurídicos, los departamentos de derecho y los estudiantes de abogacía construyan sistemas legales expertos. Su sitio web ofrece ejemplos de asesorías computarizadas sobre cuestiones tales como la Ley de Prácticas Corruptas en el Extranjero (FCPA, por sus siglas en inglés), los riesgos de corrupción bancaria en transacciones internacionales y la Ley de Licencia por Razones Médicas y Familiares (FMLA, por sus siglas en inglés) (Neota Logic, 2016) (véase la sección 2.5.1).

El Centro para la Instrucción Jurídica Asistida por Computación (CALI, por sus siglas en inglés) y el Centro Jurídico para el Acceso a la Justicia y la Tecnología del IIT Chicago-Kent College, supervisado por el profesor Ron Staudt, proveen una herramienta basada en el web para los sistemas expertos de autor. Mediante la herramienta, personas con habilidades jurídicas que no sean programadoras pueden crear sistemas expertos llamados A2J Guided Interviews® que conducen a los litigantes autorrepresentados a través de un proceso legal que culmina en la producción de un documento legal a ser presentado ante los tribunales (A2J, 2012).

Como se discutirá en la sección 2.5, los estudios utilizan sistemas administrativos con reglas comerciales similares a las que aplican los sistemas expertos para monitorear si sus procesos se adecuan a las regulaciones relevantes.

Aunque todavía gocen de una amplia vigencia, los sistemas legales expertos no parecen ser la mejor app para el ámbito jurídico. Hay al menos tres razones que explican esto. Primero, las técnicas desarrolladas para posibilitar que los sistemas expertos operen con información incierta e incompleta tienden a ser ad hoc y poco fiables. Segundo, el proceso manual consistente en adquirir reglas es engorroso, lento y costoso, un cuello de botella en la adquisición de conocimiento que ha limitado la utilidad de los sistemas expertos en el derecho y otros campos disciplinares (Hoekstra, 2010). Tercero, la analítica textual no puede resolver este cuello de botella cognoscitivo. Mientras las nuevas analíticas textuales pueden extraer ciertos tipos de información semántica de los textos jurídicos, todavía no son capaces de extraer reglas de sistemas expertos.

A lo largo de este libro, de tanto en tanto volveremos sobre los sistemas expertos, lo que ellos prometen y sus limitaciones; por ahora baste con decir que, si una app jurídica aspira a ofrecer soluciones que recepten las particularidades que los problemas les presentan a los usuarios, bien puede que debamos seguir buscando respuestas en otros paradigmas.

1.3.2. Paradigmas alternativos: la recuperación de argumentos y la computación cognitiva

A diferencia de los sistemas expertos, los dos paradigmas alternativos, el de la recuperación de argumentos y el de la computación cognitiva, no apuntan a resolver por sí mismos los problemas legales de los usuarios. En su lugar, ellos extraen información semántica de los textos jurídicos y la emplean para ayudar a las personas a que resuelvan sus problemas legales.

La recuperación de información conceptual, por cierto, no es algo nuevo. Hace tiempo que la inteligencia artificial viene buscando identificar y extraer de los textos elementos semánticos tales como los conceptos y su interrelación. Como los define Sowa, los conceptos representan cualquier entidad, acción o estado que puede ser descripto mediante el lenguaje, y las relaciones conceptuales muestran los roles desempeñados por cada entidad (Sowa, 1984, p. 8). De manera similar, hace tiempo que la inteligencia artificial busca el objetivo de dotar de mayor astucia a la recuperación informativa, usando la información semántica extraída para formular inferencias sobre textos recuperados. Roger Schank utilizó el término recuperación de información conceptual en 1981 para describir:

un sistema capaz de manejar la organización y recuperación de hechos en dominios relativamente irrestrictos (por ejemplo, …, resúmenes científicos). Primero, el sistema debería ser capaz de entender automáticamente textos escritos en lenguaje natural —tanto los insumos de la base de datos como las consultas dirigidas al sistema… de tal modo que el contenido conceptual o el significado de un elemento pueda ser usado para recuperar algo más que sus palabras clave… Si las categorías son especificadas por conceptos, y si el analizador del lenguaje natural transforma el texto en una representación conceptual, entonces las inferencias pueden obtenerse a partir de las representaciones (o significados) conceptuales de nuevos elementos para resolver a qué categorías pertenecen (Schank et al., 1981, pp. 98, 102).

La recuperación de información conceptual en el terreno jurídico tampoco es nueva. Algunos esfuerzos pioneros para lograr allí la recuperación conceptual fueron realizados por Hafner (1978) y Bing (1987). Como se discutirá en las secciones 7.7 y 11.2, los servicios modernos orientados a la recuperación de información de relevancia jurídica toman en cuenta los conceptos legales sustantivos y los temas de interés a los que apuntan los usuarios. Otros trabajos recientes se han focalizado en la posibilidad de ampliar los sistemas de recuperación de información conceptual no sólo para que la información jurídica devuelta esté conceptualmente relacionada con la consulta, sino con el problema al que el usuario intenta aplicar la información apuntada (véase Winkels et al., 2000).

Hoy, la recuperación de información conceptual jurídicamente relevante puede definirse como el acto de recuperar de manera automática la información jurídicamente relevante de los textos vinculando