Источник: Cambridge Handbook of the Law of Algorithms, 2019
Не все алгоритмы, задействованные в современных технологиях, построены на машинном обучении. Однако, данный подход очень популярен, поэтому нужно хотя бы небольшое понимание внутренних процессов этой технологии, чтобы понять место алгоритмов в договорном праве.
В процессе машинного обучения компьютеры развиваются не с помощью написания кода; им предлагаются примеры решений, которые он анализирует в целях будущего применения в других ситуациях. Например, машинное обучение эффективно при классификации элементов в наборе данных или разработке алгоритмов для дронов.
Существует несколько различных методов машинного обучения. Это большая тема, которую нет нужды полностью охватывать для целей договорного права, но для общего понимания можно рассмотреть один из самых популярных методов: нейросети. Они представляют собой модели, которые подражают биологическим нейронным системам.
Каждый природный нейрон связан с тысячами других нейронов с помощью аксонов и дендритов. Аксоны посылают сигналы, а дендриты их получают. Синапс — это узел связи между дендритом нейрона и другим нейроном. Проводимость сигнала зависит от силы синапса.
Главным элементом компьютерной нейросети являются математические модели нейронов, соединенных в сеть. Нейросети разрабатывают таким образом, чтобы подражать биологическому процессу обучения. Им скармливают обучающие примеры, по которым расставлены специальные пометки. Со временем сеть научится видеть закономерности в этих данных.
Например, систему распознавания объектов можно обучать с помощью фотографий с сопроводительными пометками. Разобравшись в том, какие закономерности есть на фотографиях, допустим, собак, развитая нейросеть сможет позднее выделить собак на фотографиях без помощи пометок.
Некоторые нейросети могут обладать такими функциями как формулирование выводов на основе неполной информации и классификация закономерностей с помощью таких алгоритмов как сопоставление с прошлыми данными и обобщение ранее полученной информации.
Развитие нейросетей сдерживается двумя проблемами: (i) не все знания можно представить в виде символов и (ii) процесс разработки и обновления нейросети требует больших затрат времени и ресурсов. Но развитая нейросеть часто может решить проблему практически мгновенно и дешевле традиционных процедур.
Другой важный недостаток нейросетей: непрозрачность процесса принятия решения. Например, человек без труда узнает кошку на фотографии, но не всякий может объяснить за счет чего он понимает, что это кошка, а не собака. Точно так же будут непонятны конкретные причины, почему нейросеть пришла к определенным выводам.
Построение нейросети для выполнения задач договорного права имеет свои особенности, которые могут не учитываться во многих областях машинного обучения. А именно: для эффективного использования нейросети нужен контакт с клиентом.
Большинство стандартных задач машинного обучения подразумевает применение нейросети только во внутренних процессах компании. Это может быть аналитика рынка, условий эксплуатации или характеристик изделия. Такие процессы не требуют вовлечения сторонних лиц (например, клиентов) во внутренние процессы компании.
Причем, даже если участие клиента возможно (например, в финансовой аналитике), то чаще это происходит на этапе взаимодействия с результатом работы нейросети, а не на этапе ее работы, как это будет при составлении договора.