هوش مصنوعی – مسائل بنیادین و واژه‌نامه

هوش مصنوعی و دادگستری: مطالبی برای قضات

انجمن پیشبرد علوم آمریکا (AAAS) مفتخر است که از سوی مؤسسه ملی استاندارد و فناوری آمریکا (NIST) مأمور تهیه مواد آموزشی درباره هوش مصنوعی (AI) برای قضات و دادگاه‌ها شده است.

از این رو AAAS این مجموعه از مواد آموزشی را برای قضات ارائه می‌کند که طیف گسترده‌ای، اما متناسب، از مسائل را پوشش می‌دهد. (ر.ک. فهرست زیر). هدف AAAS این است که مجموعه‌ای از تعاریف، تحلیل‌ها و دیدگاه‌های «دقیق» (accurate)، کاربرپسند و در عین حال به‌آسانی قابل فهم را درباره انواعی از اصطلاحات و موضوعاتی که بهتر است قوه قضائیه با آن‌ها آشنا شود، فراهم آورد.

مواد موجود در این مجموعه توسط تیم‌هایی از کارشناسان علوم و حقوق که بر یک موضوع خاص تمرکز داشتند تدوین شده است. موضوعاتی که شایسته گنجاندن تشخیص داده شدند، هم بر اساس مأموریت محوله از سوی NIST و هم بر پایه راهنمایی‌هایی که AAAS از یک کمیته مشورتی مرکب از گروهی بزرگ و متنوع از کارشناسان حقوق و هوش مصنوعی دریافت کرد، برگزیده شدند. پیش‌نویس‌های مواد سپس برای اظهار هرگونه پیشنهاد اصلاحی، به اعضای کمیته مشورتی و «داوران» (Reviewers) کارشناس بیرونی ارائه شد تا هر تیم از نویسندگان پیش از نهایی‌سازی سهم خود (مقاله، پادکست، ضمیمه و غیره) آن‌ها را مدنظر قرار دهد.

انتظار نمی‌رود که دادگاه‌ها در این امور گاه پیچیده یا فنی، کارشناس شوند. بلکه این مجموعه حقایق و مرورهای کلی را به شیوه‌ای ارائه می‌کند که هدف آن آگاه ساختن قضات از مسائل کلیدی و امکان یافتن آسان اطلاعات سودمند موجود در این مجموعه برای دادگاه‌هاست.

سرانجام، امید است که دادگاه‌ها برخی عناصر نوآورانه این محصول، به‌ویژه گنجاندن پادکست‌ها را ارج نهند. این پادکست‌ها حقایق و تحلیل پرسش‌های مهم را در قالبی در اختیار دادگاه‌ها می‌گذارند که می‌تواند برای آن‌ها خوشایند و با توجه به متن‌های نوشتاری همراه، سودمند باشد. AAAS از NIST قدردانی می‌کند که اجازه داد تیمی از کارشناسان در قالب این پروژه، این رویکرد پیش‌رو را برای فراهم آوردن اطلاعات و بینش‌های مورد نیاز دادگاه‌ها به کار گیرد.

مواد این مجموعه عبارت‌اند از:

۱. هوش مصنوعی – مسائل بنیادین و واژه‌نامه

2. هوش مصنوعی و نظام عدالت (مجموعه پادکست و متن‌های گفتار)

قسمت ۱: نمره‌های ریسک هوش مصنوعی (۴۹ دقیقه)

قسمت ۲: هوش مصنوعی در حوزه حقوق – کاربردهای تجاری و غیرمنتظره (۷۰ دقیقه)

قسمت ۳: هوش مصنوعی، تصمیم‌گیری و نقش قضات (۵۸ دقیقه)

3. هوش مصنوعی، اعتمادپذیری و دادرسی

4. هوش مصنوعی، پژوهش حقوقی و تحلیل داده‌های قضایی

5. هوش مصنوعی و سوگیری – یک ارزیابی

قدردانی

انجمن پیشرفت علم آمریکا (AAAS) از تألیف Kay Firth-Butterfield، رئیس بخش هوش مصنوعی و یادگیری ماشین و عضو کمیتهٔ اجرایی مجمع جهانی اقتصاد، و Karen Silverman، مدیرعامل و بنیان‌گذار Cantellus Group، صمیمانه قدردانی می‌کند. همچنین از مشارکت‌های Brin Elliott، تحلیلگر Cantellus Group، سپاسگزاریم.

همچنین از اعضای کمیتهٔ مشاوره برای دیدگاه‌ها و راهنمایی‌هایشان در سراسر طراحی و تولید این اثر قدردانی می‌کنیم: Rediet Abebe، استادیار علوم کامپیوتر، دانشگاه کالیفرنیا، برکلی؛ Theodore F. Claypoole، شریک، Womble, Bond, Dickenson, LLP؛ John Cooke، مدیر، Federal Judicial Center؛ Cynthia Cwik، مشاور ارشد حقوقی، پژوهشگر پیشین دانشگاه استنفورد و شریک پیشین Jones Day و Latham & Watkins؛ Herbert B. Dixon, Jr.، قاضی (بازنشسته)، دادگاه عالی ناحیهٔ کلمبیا و مشاور ارشد حقوقی Center for Legal and Court Technology، دانشکدهٔ حقوق William & Mary؛ Finale Doshi-Velez، دانشیار علوم کامپیوتر، دانشکدهٔ مهندسی و علوم کاربردی دانشگاه هاروارد؛ Paul W. Grimm، قاضی دادگاه ناحیه‌ای ایالات متحده برای ناحیهٔ مریلند؛ James Harris، مشاور فناوری، National Center for State Courts؛ Joseph Sawyer، مدیر توسعهٔ هیئت علمی و یادگیری برخط، National Judicial College؛ Elham Tabassi، رئیس ستاد، آزمایشگاه فناوری اطلاعات، مؤسسه ملی استاندارد و فناوری آمریکا؛ و Zachary Zarnow، مشاور ارشد مدیریت دادگاه، National Center for State Courts.

AAAS از مشارکت‌های Solomon Assefa، معاون IBM Research؛ Nicole Clark، مدیرعامل Trellis Research؛ Rebecca Crootof، دانشیار حقوق، دانشکدهٔ حقوق دانشگاه ریچموند؛ Patrick Huston، سرتیپ و معاون دادستان کل برای حقوق و عملیات نظامی، وزارت دفاع ایالات متحده؛ Maia LevyDaniel، وکیل و مشاور سیاست‌گذاری عمومی؛ Matthew Stepka، شریک مدیریتی Machina Ventures و مدرس دانشکدهٔ کسب‌وکار Haas دانشگاه کالیفرنیا، برکلی؛ Peter Stone، استاد گروه علوم کامپیوتر و بنیان‌گذار و مدیر Learning Agents Research Group، آزمایشگاه هوش مصنوعی دانشگاه تگزاس، آستین؛ Rebecca Wexler، استادیار حقوق و هم‌مدیر هیئت علمی Berkeley Center for Law & Technology دانشگاه کالیفرنیا، برکلی؛ و دیگرانی که پیش‌نویس‌های پیشین مجموعه «Artificial Intelligence and the Courts: Materials for Judges» را بازبینی کرده و نظرات ارزشمندشان را ارائه کردند، قدردانی می‌کند.

ویرایش این مقاله را Joel Ericsen، همکار برنامه، و Alain Norman، همکار ارشد برنامه، حوزهٔ علم و حقوق AAAS، بر عهده داشتند. قدردانی ویژه از Theresa Harris، مدیر برنامهٔ مسئولیت علمی، حقوق بشر و حقوق، و Nathaniel Weisenberg، همکار برنامه، هر دو از AAAS، و نیز از Barbara «Bebe» Holloway از دانشگاه ویرجینیا، به‌خاطر مشارکت‌هایشان.

Paula Fry، مدیر خلاقیت و برند AAAS، طراحی جلد این نشریه را انجام داد.

تولید این نشریه و دیگر مواد مجموعهٔ «Artificial Intelligence and the Courts: Materials for Judges» با بودجهٔ مؤسسه ملی استاندارد و فناوری آمریکا (NIST) از طریق اعطای Award 60NANB21D031 ممکن شده است.

چکیده

مسائل بنیادین: این مقاله مقدمه‌ای بسیار جامع بر مفاهیم کلیدی فراوانی ارائه می‌کند که قاضیان و کارکنان دادگاه ممکن است لازم باشد با آن‌ها آشنا باشند. این مفاهیم شامل موارد زیر است: اجزا و گوناگونی سیستم‌های هوش مصنوعی (Artificial Intelligence, AI)؛ چگونگی طراحی، توسعه یا به‌کارگیری این سیستم‌ها؛ و مسائل کلیدی مربوط به محدودیت‌ها و خطرها (Risks) مرتبط با هوش مصنوعی. این بخش همچنین شامل موارد زیر است:

• پیوست A: «چه کسی هوش مصنوعی را تنظیم مقرراتی می‌کند؟» در ایالات متحده و در سطح بین‌المللی، افزایش کاربرد هوش مصنوعی به تلاش‌های گوناگونی برای تنظیم مقررات آن منجر شده است؛ اما چشم‌انداز مقرراتی هوش مصنوعی گسترده، پراکنده و بسیار سریع‌التحول است. این پیوست تصویری جامع از وضعیت موجود ارائه می‌دهد که دادگاه‌ها ممکن است آن را مفید بیابند، ضمن توجه به لزوم پایش این چشم‌اندازِ در حال تحول.

واژه‌نامه: برای مراجعهٔ آسان، این اثر فهرستی الفبایی از اصطلاحات و واژه‌های مهم (از جمله از «پردازش صوتی» تا «GAN – شبکه‌های تخاصمی مولد» تا «هوش مصنوعی مسئولانه» تا «VR – واقعیت مجازی») به همراه تعریف‌های آن‌ها ارائه می‌کند. در صورت لزوم، تفاوت‌های ظریف معنایی یا کاربردی یادآوری می‌شود. همچنین برخی اختصارات یا سرنام‌های رایج نیز درج شده است.

نویسندگان:

Kay Firth-Butterfield رئیس هوش مصنوعی و کمیته اجرایی، World Economic Forum

Karen Silverman مدیرعامل و بنیان‌گذار، Cantellus Group

همکار:

Brin Elliot تحلیلگر، Cantellus Group

انسان‌ها برای کارکرد سیستم‌های هوش مصنوعی (Artificial Intelligence, AI) حیاتی هستند. این انسان‌ها، توافق‌ها و فرایندهای آن‌ها بر هوش مصنوعی تأثیر می‌گذارند، همان‌گونه که هوش مصنوعی نیز بر انسان‌ها تأثیر خواهد گذاشت. بنابراین، با وجود همه پیشرفت‌های فناورانه، انسان‌ها در مرکز تمام کارها و فلسفه قضایی باقی خواهند ماند.

هوش مصنوعی فرصتی عظیم و ابزاری قدرتمند برای بهبود کارایی و کیفیت هر نوع وظیفه فکری انسانی به شمار می‌رود و در عین حال چالش‌ها و پرسش‌های جدی (و برخی از آن‌ها وجودی) را نیز مطرح می‌کند. این امر به‌ویژه از منظر قوای قضایی صادق است. دادگاه‌ها در همه بخش‌های کار خود با هوش مصنوعی روبه‌رو خواهند شد — از جمله در عمیق‌ترین نقش آن یعنی ایفای نقش یابندگان واقعیت و نظارت بر آنان، در زمانی که رخدادهای بسیار واقعی در محیط‌های کاملاً مصنوعی در حال وقوع هستند — از این رو ضروری است که همگی بیاموزیم پرسش بپرسیم و با دقت تعیین کنیم که کجا باید در پی بهره‌مندی از منافع آن برآییم و چه زمانی باید در قبال خطرهای (Risks) آن احتیاط به خرج دهیم.

هوش مصنوعی^۱ (Artificial Intelligence, AI) تعریف مورد‌توافق گسترده‌ای ندارد. به‌طور کلی، هوش مصنوعی هم یک مفهوم است و هم مقوله‌ای از ابزارهای فناورانه که با مدل‌های ریاضی پیشرفته و داده‌ها توانمند می‌شوند و می‌توانند نوعی از تکلیف شناختی انسانی را که فراتر از محاسبه، نیازمند فکر کردن است، تقویت، بازتولید یا بهبود بخشند.^۲ اصطلاح «AI» اغلب به توانایی یک مدل در «کسب، پردازش و به‌کارگیری دانش» اشاره دارد که تلاشی است برای تمایز هوش مصنوعی از سایر فناوری‌هایی که برای دستیابی به نتایج خود به‌میزان کمتری به‌صورت «مستقل» عمل می‌کنند.

مشاهدهٔ Arthur C. Clark مبنی بر اینکه «هر فناوری به‌قدر کافی پیشرفته، از جادو تمیزدادنی نیست» به‌نظر می‌رسد بر این موضوع صادق باشد؛ زیرا در مقولهٔ هوش مصنوعی، سبدی گسترده و پیوسته در حال گسترش از تکنیک‌ها و کاربردها وجود دارد که راه‌های تازه‌ای برای دیدن، فهمیدن و تعامل انسان‌ها با جهان می‌گشایند. مانند بیشتر ابزارها، هوش مصنوعی دوکاره (dual use) است؛ یعنی می‌تواند به هدفی سودمند یا زیان‌بار به‌کار گرفته شود. همچنین، هوش مصنوعی ابزاری است که می‌توان آن را به‌خوبی یا به‌بدی ساخت یا به‌کار بست.

بیشتر هوش مصنوعیِ در حال استفادهٔ امروز، «هوش مصنوعی محدود» (Narrow AI) تلقی می‌شود که به مدل‌هایی اشاره دارد که برای انجام تکالیف و کارکردهای گسسته هدف‌گذاری شده‌اند. در برخی موارد، هوش مصنوعی محدود هم‌اینک از کنشگران انسانی (Actors) پیشی گرفته است.^۳ در آینده (و در این‌باره که این آینده چقدر نزدیک یا دور است، بحث‌ها دامنه دارد)، ممکن است شاهد هوش مصنوعی عمومی (General AI) باشیم؛ هوشی با وجودی خودمختار در گسترهٔ کاملی از توانایی‌ها، با قابلیت تعیین اهداف خود، سازگاری با شرایط، یادگیری و به‌انجام‌رساندن دستورهای پیچیده. اما در حال حاضر و در آیندهٔ نزدیک، هوش مصنوعی محدود — البته با کارکردی روزافزون تعمیم‌یافته و پیچیده — موضوع مناسب این بحث است.

برای این جامعه که برای رسیدگی به اختلافات و تفسیر نتایج برآمده از هوش مصنوعی فراخوانده خواهد شد، «AI» اصطلاحی فریبنده و کم‌محتواست که بدون شناخت بیشتر از اینکه چه نوع هوش مصنوعی‌ای، برای انجام چه کاری، توسط چه کسی، و در چه بافت و بازهٔ زمانی‌ای به‌کار رفته است، معنای اندکی دارد. به‌طور مشابه، چنان‌که در ادامه شرح داده خواهد شد، اصطلاحات «هوش مصنوعی مسئولانه» (Responsible AI)، «هوش مصنوعی اخلاقی» (Ethical AI) و «هوش مصنوعی اعتماد‌پذیر» (Trustworthy AI) تعریف روشنی ندارند و به‌احتمال زیاد با تحول فناوری‌ها و موارد استفاده، باید تنظیم شوند. نکتهٔ حیاتی این است که این اصطلاحات دلالت نمی‌کنند که ارزش‌ها یا اصول انسانی (مانند انصاف، شفافیت، حقوق بشر، عدم تبعیض و غیره) در یک مدل یا فرایند خاص مهندسی شده‌اند. بلکه این اصطلاحات به‌احتمال زیاد همواره بازتاب ترکیبی از فرایند انسانی و تلاش‌های فنی برای گزینش، طراحی، استفاده و پایش هوش مصنوعیِ روزبه‌روز پیچیده‌تر، به‌گونه‌ای منطبق با ارزش‌های انسانی و فرهنگی خواهند بود.

پیش از ورود به جزئیات بیشتر دربارهٔ هوش مصنوعی، دو نکتهٔ مقدماتی مهم دیگر شایان ذکر است: داشتن درک درستی از هوش مصنوعی برای قوهٔ قضاییه، مانند همهٔ دیگران، حیاتی است، زیرا (۱) مدل‌ها و سیستم‌های هوش مصنوعی به‌طور فزاینده‌ای در محیط‌های تجاری، دانشگاهی و دولتی به‌کار گرفته می‌شوند؛ و (۲) خروجی‌های^۴ مدل‌های هوش مصنوعیِ امروزی بنیاداً پیش‌بینی (predict) هستند،^۵ یعنی از طریق همبستگی اطلاعات و شناسایی الگوهای رویدادها یا نمونه‌های گذشته (داده‌ها) با داده‌های جدید، برای پیش‌بینی احتمال وقوع یک رویداد یا نمونه در آینده تولید می‌شوند — به این معنا که مدل‌های هوش مصنوعی احتمالات^۶ ارائه می‌دهند و عدم قطعیت ذاتی‌ای با خود دارند که دادگاه‌ها باید درجه و اهمیت آن را ارزیابی کنند.

با وجود تنوع انواع و کاربردهای AI، بیشتر سامانه‌های AI از عناصر و ویژگی‌های کلیدی زیر تشکیل شده‌اند:

1. مدلی که از الگوریتمی^۷ تشکیل می‌شود که برای سازمان‌دهی، ارزیابی و سنجش تطبیق‌ها و الگوها در داده‌ها به‌کار می‌رود تا پیش‌بینی‌ای تولید کند و از آن، خودِ مدل یا استفاده‌کنندگان از مدل می‌توانند بینش‌هایی به‌دست آورند.

2. مدلی که برای بهینه‌سازی اهداف و بینش‌ها درباره پرسش یا هدفی خاص طراحی می‌شود که توسط انسان‌ها چارچوب‌بندی و توصیف شده است («هم‌راستاسازی هدف» ).^۸

3. مدلی که می‌تواند به‌طور هم‌زمان و سریع‌تر، متغیرهای بسیار بیشتری را نسبت به هر ذهن انسانی پردازش کند و از این رو می‌تواند حجم عظیمی از بینش‌های شگفت‌انگیز و بدیع تولید نماید.

4. مدلی که تطبیق‌ها، الگوها و همبستگی‌ها را در مجموعه‌داده‌های آموزشیِ حاوی اطلاعات مصنوعی یا گردآوری‌هایی از رفتارهای پیشین شناسایی می‌کند و سپس تطبیق‌ها و الگوهای آموخته‌شده را بر داده‌های تولیدی جدید اعمال می‌کند تا پیش‌بینی‌هایی درباره موقعیت‌های جدید به‌دست دهد.

5. مدلی که در نتیجه، خروجی‌هایی به شکل همبستگی‌های پیش‌بینانه، نه اثبات‌ها، درباره چگونگی آگاهی‌بخشیِ داده‌های تاریخی به رخدادهای جدید تولید می‌کند و بنابراین همواره درجاتی از عدم‌قطعیت و نرخ خطا دارد (مانند انسان‌ها). این خروجی‌ها می‌توانند پیش‌بینی، توصیه یا بینش، و حتی در برخی موارد تصمیم باشند. اینکه خروجی‌ها چگونه برای اثرگذاری بر نتایج به‌کار می‌روند، پرسشی مهم است.

6. مدلی که اندکی نام‌شفافی دارد و لزوماً نمی‌تواند به انسان‌ها توضیح دهد که چگونه به بینش‌های خود می‌رسد یا انسان‌ها چگونه باید (یا نباید) بر آن بینش‌ها تکیه کنند.

7. مدلی که — حتی اگر خوش‌طرح و خوش‌نیت باشد — همواره از جهاتی بازتاب‌دهنده سوگیری خواهد بود (نه همیشه بد، اما گاهی بد)، زیرا این امر ذاتیِ شیوه عملکرد این فناوری (و انسان‌ها) هنگام سازمان‌دهی اطلاعات است.

8. مدلی که فارغ از اخلاق است و هیچ درک ذاتی از بافت، اخلاق یا عقل، یا حتی از محدودیت‌ها ندارد؛ مگر آنکه آن محدودیت‌ها به‌نحوی بخشی از طراحی آن گنجانده شده باشند.

9. فرصت تحول با شتابی حیرت‌انگیز، از نظر تکنیک‌های AI در حال استفاده، داده‌های در دسترس و موارد کاربردی که AI به آن‌ها اعمال می‌شود.

سامانه هوش مصنوعی (AI System) زیست‌بومی را توصیف می‌کند که شامل مدل‌های AI (خودشان متشکل از الگوریتم‌ها و داده‌ها) است، در کنار انسان‌ها، سازمان‌های آنان و هر فناوری دیگری مرتبط با چرخه حیات AI. مهم است که دید را گسترش دهیم و سامانه‌های انسانی و اجتماعی (human and social systems) پیرامون مدل‌ها را در نظر بگیریم؛ زیرا الف) کیفیت عملکرد آن سامانه‌های انسانی تعیین می‌کند که مدل‌ها و فناوری در محیط‌های کاربردی واقعاً چقدر خوب کار می‌کنند و چه آثار واقعی‌ای دارند؛ و ب) در واقعیت، بیشتر AIهای امروزی به‌طور کامل خودکار نیستند و هیچ کارکرد یا وظیفه انسانی را به‌طور کامل جایگزین نمی‌کنند، بلکه کارکرد انسانی را تقویت می‌کنند.

بنابراین عملکرد خوب یک سامانه هوش مصنوعی به خوبیِ عملکرد تعامل انسان/فناوری بستگی خواهد داشت؛ یعنی به اینکه چقدر خوب طراحی، آموزش، تقویت، پایش و غیره شده است. برای مثال، می‌توان یک مدل AI را برای مدیریت گردش‌کار انسانی طراحی کرد یا برعکس، و اینکه این رابطه در عمل چگونه شکل می‌گیرد، حیاتی است. همچنین انسان‌ها به‌طور مثبت یا منفی از سامانه‌های AI تأثیر خواهند پذیرفت. واکاوی اینکه انسان و ماشین هر یک به‌تنهایی چه سهمی در آن تأثیر دارند، می‌تواند پیچیده باشد.

هرچند اصطلاحات «AI مسئولانه» (Responsible AI)، «AI اخلاقی» (Ethical AI) و «هوش مصنوعی اعتماد‌پذیر» (Trustworthy AI) رواج بیشتری می‌یابند، این‌ها نیز فاقد معنای موردتوافق‌اند. به‌طور کلی، از این مفاهیم برای توصیف مدل‌ها و سامانه‌های AI استفاده می‌شود که با تفکر پیشینی و مشخصه‌های کلیدی معینی طراحی، ساخته و بهره‌برداری می‌شوند تا از انسان‌ها محافظت کنند (مانند انصاف (Fairness)، ایمنی (Safety)، شفافیت (Transparency) و احترام به خودمختاری انسان) و سطحی از کیفیت را در عملکرد کلی آن‌ها نشان می‌دهند. در این مرحله و در آینده قابل‌پیش‌بینی، این اصطلاحات بیانگر آن نیستند که خود مدل‌ها اخلاقی یا مسئولانه‌اند؛ ممکن است مهندسی شوند تا به انسان‌ها تن دهند (یا ندهند) یا عدم‌قطعیت‌ها را به نحوی حل کنند، اما خود مدل‌ها اخلاق به معنای انسانیِ آن را در بر ندارند. از سوی دیگر، مدل‌ها ممکن است در ابعاد کلیدی «اعتمادپذیر» باشند؛ یعنی برای مثال به‌گونه‌ای طراحی شده باشند که ایمن، قابل‌اتکا و قابل‌راستی‌آزمایی باشند.

برای مقاصد این بحث، مهم است بدانیم که با وجود بیانیه‌های متعدد اصول AI مسئولانه که هم‌اکنون در گردش است (بیش از ۱۰۰ مورد)، هیچ استاندارد (Standard) حقوقی موردتوافقی برای معنای آن وجود ندارد. قوانین موجودی هستند که بر AI اعمال خواهند شد و قوانین جدیدی تصویب خواهند گردید. استانداردهای اجتماعی درباره اینکه چه چیزی معقول یا صرفاً کافی است نیز تحول خواهند یافت.

پیش از پرداختن به مسائل و ویژگی‌های عملیاتی خاص هوش مصنوعی، شایسته است نمونه‌هایی از مواردی که امروزه هوش مصنوعی می‌تواند در دادگاه ظاهر شود به‌اختصار مشخص شود (و این فهرست روزبه‌روز در حال گسترش است)؛ که بیشتر آن‌ها در فصل‌های بعدی بررسی خواهند شد.

• عملیات: شاید ساده‌ترین موارد کاربرد را بتوان در نحوه استفاده از این ابزارها برای روان‌سازی عملیات دادگاه مشاهده کرد؛ از غربال حجم عظیمی از رزومه‌ها تا مدیریت پرونده‌های در نوبت رسیدگی، برنامه‌ریزی جلسات و محاکمات و مدیریت وظایف هیئت منصفه و مجموعه‌های داوران.

• مدیریت پرونده: علاوه بر تنظیم تقویم، از هوش مصنوعی می‌توان برای مدیریت و بازیابی سوابق، اسکن حجم‌های عظیمی از مواد لایحه‌ای، رویه قضایی و ادله استفاده کرد.

• پژوهش و نگارش حقوقی: یکی از موارد کاربرد اولیه AI، «پژوهش حقوقی» (Legal Research) با استفاده از مجموعه‌داده‌های عظیم آرای حقوقی منتشرشده است. ابزارهای AI می‌توانند در پژوهش سوابق و رویه‌های تاریخی به‌منظور شکل‌دهی به پیش‌بینی‌ها یاری رسانند. در زمینه تحلیل و پشتیبانی از توصیه‌های تعیین مجازات، ابزارهای AI استفاده نسبتاً گسترده‌ای دارند، حتی با وجود انتقادهایی به کارایی آن‌ها و گرایش‌شان به تقویت «سوگیری» (Bias) تاریخی. با توجه به قابلیت‌های کنونی، به‌زودی دادگاه‌ها، کارمندان دفتر دادگاه و وکلا می‌توانند از AI برای کمک به تنظیم یادداشت‌ها و آرای مشورتی بهره گیرند.

• کشف و ادله: کدگذاری پیش‌بینانه در فرایند کشف، یکی دیگر از موارد کاربرد بنیادین ابزارهای AI در حقوق است. به‌احتمال زیاد طیف کامل رویه‌های کشف و اختلافات ناشی از آن تغییر خواهد کرد و ابزارها و اهداف جدید کشف را بازتاب خواهد داد. داشتن حضانت یا کنترل اطلاعات هنگام گردآوری حجم عظیمی از داده‌ها چه معنایی خواهد داشت؟ فرایند کشف چگونه، بر چه جنبه‌هایی از عملکرد «مدل» (model's) و در برابر چه استانداردهایی انجام خواهد شد؟ استانداردهای پذیرش ادعاها یا دیگر ادله، یا بینش‌های تولیدشده توسط AI و/یا مورد اتکا (یا رد) انسان‌ها چه خواهد بود؟ اعتبار یا «اصالت» (authenticity)^۹ آن‌ها را چگونه ارزیابی خواهیم کرد؟ «درست» و «خوش‌ساخت» را با توجه به گردآوری داده‌ها و انتخاب مورد کاربرد چگونه تعریف خواهیم کرد؟

• «تبیین‌پذیری» (Explainability): ویژگیِ فنون موجود «یادگیری ماشین» (Machine Learning, ML) که درجه توانایی مدل حاصل (یا محتمل‌تر، ناتوانی آن) در ارائه توضیحی قابل‌فهم درباره نحوه رسیدن به خروجی‌هایش را توصیف می‌کند. به‌طور کلی، هرچه مدل‌ها پیچیده‌تر شوند، شناسایی اینکه چگونه و چرا خروجی‌های خاص خود را تولید می‌کنند دشوارتر است. در عمل، این مفهوم شامل فنون فناورانه‌ای است که به تقریب زدن نحوه تولید خروجی توسط یک مدل کمک می‌کند و نیز توصیف‌های تمثیلی از فرایندهای نحوه اتخاذ تصمیم‌ها یا تأثیرپذیری آن‌ها از خروجی‌های مدل AI. یکی از جنبه‌های برخی فنون یادگیری ماشین آن است که مدل حاصل قادر به ارائه دلیلِ قابل‌فهم برای بشر درباره تصمیم یا توصیه خود نیست. توانایی فهم یا بازجویی از یک مدل AI چگونه بر ارزش اثباتی خروجی آن اثر می‌گذارد؟ متخصص در این حوزه کیست؟ چه سطوحی از عدم‌قطعیت در خروجی‌های مدل برای دادگاه‌ها قابل‌قبول خواهد بود و تحت چه شرایطی؟ برعکس، سطوح یا دامنه‌های مختلف قطعیت مدل چگونه به استانداردهای مختلف اثبات مربوط می‌شوند؟ (یعنی چه زمانی درجه همبستگی X، Y یا Z [شاید منهای درصدی از عدم‌قطعیت] با برخی سطوح حقوقی اثبات برابر است؛ مانند «صریح و متقاعدکننده»، «ترجیح دلیل» یا حتی «فراتر از شک معقول») آیا این موضوعی خواهد بود که به‌عهده ایالت‌ها، دادگاه‌ها یا قضات گذاشته می‌شود تا برای هر پرونده یکتا تصمیم بگیرند؟ یا استانداردهایی تدوین و اعمال خواهد شد؟ آیا بهتر است این استانداردها سخت‌گیرانه باشند یا انعطاف‌پذیر؟

• قانون: حقوق ماهوی به‌تدریج تغییر خواهد کرد و ورود AI به جامعه و تجارت گسترده‌تر را بازتاب خواهد داد. پرسش‌هایی درباره نحوه اعمال اصول حقوقی موجود بر الگوهای واقعی جدیدِ دربردارنده AI مطرح خواهد شد (مانند صلاحیت، تبعیض شغلی، مطالبات بیمه‌ای، اختلافات قراردادی، دعاوی مالکیت فکری، دعاوی قصور حرفه‌ای، غفلت، مسئولیت مدنی، رضایت، تکالیف مواظبت، «قصد مجرمانه» (mens rea)). مسائل مرتبط با حق بازجویی متقابل و/یا ادعاهای حمایت‌های انحصاری هم‌اکنون در حال ظهورند. افزون بر این، پرسش‌هایی مطرح خواهد شد که نیازمند اصول حقوقی کاملاً نوینی هستند. هم‌اکنون در برخی حوزه‌های قضایی تلاش‌هایی برای تنظیم‌گری AI و داده‌هایی که آن را تغذیه می‌کنند وجود دارد، و نیز تلاش‌هایی برای اعمال استانداردهای موجود در بسترهای جدید (ر.ک. ضمیمه A).

• مسئولیت و استانداردهای اثبات: افزون بر این، دادگاه‌ها به‌زودی با مسائلی درباره میزانی که انسان‌ها می‌توانند یا بهتر است بر فناوری اتکا کنند روبه‌رو خواهند شد. آیا بهتر است انسان‌ها پیش از اقدام بر پایه خروجی‌ها و تصمیم‌های توصیه‌شده توسط سیستم‌های AI، آن‌ها را نظارت یا بازبینی کنند؟ چه کسی در قبال خرابی یا هک^۱۰ فناوری‌های مبتنی بر AI مسئول است؟ انتظار استدلال‌هایی درباره ناتوانی طرف‌ها در فهم یا کنترل کامل برخی کارکردهای مبتنی بر AI و دعاوی قضایی درباره اینکه چه چیزی معقول است، می‌باشد.

• جبران خسارت: اینکه چگونه ضمانت‌اجراهای سنتی بر آسیب‌های مرتبط با AI «نگاشت» (Map) می‌شوند، پرسشی باز و عظیم است. جبران نقض شرایط مجزا از قرارداد یا پروانه ممکن است نسبتاً ساده باشد، اما پرداختن به داده‌های ورودی پیچیده، پرسش‌های «زنجیره تأمین» (Supply Chain)، رفتار مستمر، و به‌طور کلی، ترمیم قضایی ساده نخواهد بود. افزون بر این، مسائل مربوط به میزانی که انسان‌ها در حال نظارت یا بازبینی خروجی‌ها هستند یا بهتر است باشند^۱۱ و/یا اینکه چه کسی در قبال خرابی یا هک فناوری‌های مبتنی بر AI مسئول است، مطرح خواهد شد. انتظار استدلال‌هایی درباره ناتوانی طرف‌ها در فهم یا کنترل کامل برخی کارکردهای مبتنی بر AI می‌باشد.

• اصحاب دعوا: هم‌اکنون اصحاب دعوا ابزارهای تحلیلی جدیدی در اختیار دارند تا دعاوی خود و خودِ دادگاه‌ها را ارزیابی کنند. همچنین ابزارهایی برای کسب بینش درباره موکلان، طرف‌های مقابل، داوران بالقوه، خصم‌ها و شهود در دسترس است.