Guía Justicia Digital
Box 6. EL SOLUTION EXPLORER
1. Para la fase de diagnóstico e información el CRT pone a disposición de los usuarios el Solution Explorer, 152 preparado para ofrecer información en cada una de las materias sobre las que tiene jurisdicción. El Solution Explorer ofrece a los usuarios el diagnóstico de su problema jurídico, la posibilidad de escribir una carta formal a la parte reclamada proporcionándole la plantilla para esta finalidad, la in - formación sobre las vías legales para la presentación de una demanda y la guía durante este proceso evitando que se cometan errores. 2. Para la preparación de la máquina no se requiere un equipo de personas muy amplio: un ingeniero de conocimiento, responsable de la adquisición y recopilación del conocimiento de los expertos sobre una materia concreta y de hacer la estructura lógica interna de la máquina; y un especialista en contenidos, que se encarga de grabar la información, redactar los recursos informativos y asegurarse de que todo queda escrito en un lenguaje sencillo. Para la selección de los expertos el CRT ha preferido contar con personas que trabajan directamente con el público, pues el enfoque del Solution Explorer es ser utilizado sin contar con la asistencia de un abogado. Por ello se intenta encontrar expertos que estén acostumbrados a trabajar directamente con el público. Estos son a menudo abogados. 3. Para la preparación del Solution Explorer para un concreto ámbito de litigios se han invertido entre seis y nueve meses, incluyendo en ese tiempo la prueba por parte de los usuarios y la carga de la máquina en la plataforma. El CRT cuenta con una persona de manteni - miento que se ocupa de actualizar su contenido en caso de necesidad, algo que es relativamente sencillo. Si los cambios por introducir afectan a la base de conocimientos y a la estructura lógica del árbol de decisiones, esto puede llevar más tiempo e implica la necesidad de una nueva actuación de los expertos para revisar el sistema.
La minería de datos es una metodología de resolución de problemas que se basa en el descubrimiento de patrones y regularidades en un conjunto de datos. 153 El programa evalúa el grado de repetición de determinados factores y, mediante un análisis iterativo, detecta las relaciones que podrían no ser apreciables para el análisis humano. 154 Para resolver problemas, las tecnologías basadas en datos no aplican reglas ni tampoco la lógica humana. Se ocu- pan únicamente de procesar de forma mate- mática una gran cantidad de datos de los que se nutren para identificar asociaciones o corre - laciones entre ellos. Los programas, por tanto, ni saben ni tampoco explican por qué existen esas relaciones, simplemente las identifican. La existencia y disponibilidad de una gran cantidad de datos ha incrementado el poder de las máquinas basadas en machine learning . A su vez, la técnica de las redes neuronales, 155 basada en una colección de unidades conec- tadas o nodos llamados neuronas artificiales, que asemejan las neuronas de un cerebro biológico, 156 han conseguido imitar el modo en
que los seres humanos procesan la informa- ción, permitiendo dar mayor peso a unos datos sobre otros. Los sistemas de IA de este tipo se corresponden con sistemas de autonomía decisional o autónomos cuya actividad consis- te en valorar el supuesto de hecho concreto en función de lo que han ido aprendiendo e irán ajustando los resultados a medida que cambie el contexto. Para el ámbito de la Administra - ción de Justicia se han indicado las siguientes limitaciones para los sistemas de IA basados en datos: 1. El proceso de aprendizaje debe ser apoyado con un conjunto de datos de entrenamiento específico y bien definido en términos de formato, lenguaje y demás características. La inexistencia de datos suficientes, o de datos no preparados, impide el estable- cimiento de relaciones estadísticamente válidas. 157 Cualquier proyecto de creación de una máquina basada en datos para el ámbito judicial debe considerar de qué da - tos se nutrirá la máquina y el modo en que
152. Véase S. Salter, «Online dispute resolution and justice system integration: British Columbia’s Civil Resolution Tribunal». https://wyaj.uwindsor.ca/index.php/ wyaj/article/view/5008; S. Salter y D. Thompson, «Public-centred civil justice redesign: A case study of the British Columbia Civil Resolution Tribunal». https:// papers.ssrn.com/sol3/papers.cfm?abstract_id=2955796 . 153. Véase U. Fayyad, G. Piatetsky-Shapiro y P. Smyth, «From data mining to knowledge discovery in databases», AI Magazine, vol. 17, n.º 3 (1996). 154. Véase J. R. Quinlan, «Induction of decision trees», Machine Learning, n.º 1.1 (1986), pp. 81-106. 155. Véase A. Stranieri, J. Zeleznikow, M. Gawler y B. Lewis, «A hybrid rule-neural approach for the automation of legal reasoning in the discretionary domain of
family law in Australia», Artificial Intelligence and Law vol. 7, n.º 2 (1999), pp. 153-183. 156. A. Stranieri y J. Zeleznikow, Knowledge discovery from legal databases, Springer, 2005. 157. Véase R. W. Campbell, op. cit .
79
Made with FlippingBook - Online Brochure Maker