पाकिस्तानातील न्यायालयीन खटल्यातून दिसले की आधी प्रशिक्षण असेल तर AI न्यायाधीशांना प्रकरणांचा ताण कमी करण्यात मदत करते

फक्त प्रवेश नव्हे, तर प्रशिक्षणानेच न्यायालयीन AI परिणामकारक ठरवले

पाकिस्तानच्या न्यायव्यवस्थेत झालेल्या एका मोठ्या यादृच्छिक क्षेत्रीय प्रयोगातून सूचित होते की, संस्था लोकांना ते चांगल्या प्रकारे वापरण्याचे प्रशिक्षण देण्यात गुंतवणूक करतात तेव्हाच कृत्रिम बुद्धिमत्ता सार्वजनिक क्षेत्राची उत्पादकता वाढवू शकते. ETH Zurich, Imperial College London, आणि New Economic School येथील संशोधकांनी केलेल्या या अभ्यासात JudgeGPT नावाच्या AI सहाय्यकाची 118 न्यायालयांतील 1,559 न्यायाधीशांवर, म्हणजे पाकिस्तानच्या ट्रायल कोर्ट न्यायाधीशांच्या सुमारे निम्म्या संख्येवर, चाचणी केली.

मुख्य निष्कर्ष फक्त इतकाच नव्हता की AI मदत करते. केवळ प्रवेशाने फारसा फरक पडला नाही. ज्यांना प्रणालीचा प्रवेश मिळण्याबरोबरच लक्ष्यित प्रशिक्षणही मिळाले, त्यांनी ती खूप अधिक वापरली आणि प्रकरणे निकाली काढण्यात मोजता येण्याजोगी सुधारणा दिसून आली. स्रोत सामग्रीतील अभ्यास सारांशानुसार, प्रशिक्षित न्यायाधीशांच्या मध्यम संपर्क असलेल्या जिल्ह्यांनी वर्षाला सुमारे 1,848 अतिरिक्त प्रकरणे निकाली काढली, जे 6.3 टक्के वाढीच्या समतुल्य आहे.

त्यामुळे हा प्रयोग पाकिस्तानपुरता मर्यादित राहत नाही. जगभरातील सरकारे कायदेशीर संशोधन, प्रकरण व्यवस्थापन, दस्तऐवज मसुदा, आणि प्रशासकीय सहाय्यासाठी मोठ्या भाषा मॉडेल्सची चाचणी घेत आहेत. या चाचणीतून एक अधिक स्पष्ट कार्यपद्धतीचा धडा मिळतो: तैनातीची रणनीती मॉडेलइतकीच महत्त्वाची आहे.

दबावाखालील न्यायव्यवस्थेने कठीण चाचणीसाठी मैदान दिले

पाकिस्तानची न्यायालयीन व्यवस्था अशी होती जिथे लहान उत्पादकता वाढही महत्त्वाची ठरू शकते. संशोधकांच्या मते, देशात दर 100,000 रहिवाशांमागे दोनपेक्षा कमी न्यायाधीश आहेत, तर युरोपियन युनियनमध्ये 22 आणि इंग्लंड व वेल्समध्ये 30 आहेत. 2024 च्या अखेरीस 22.6 लाख प्रकरणे प्रलंबित होती, त्यापैकी 82 टक्के ट्रायल कोर्टांमध्ये होती.

ही आकडेवारी अशा प्रणालीकडे निर्देश करते जी तीव्र दबावाखाली, मर्यादित मनुष्यबळासह, आणि कमी तांत्रिक मदतीसह चालते. प्रयोगापूर्वी, केवळ सुमारे चतुर्थांश न्यायाधीशांनी कधीही ChatGPTसारखे मोठे भाषा मॉडेल वापरले होते. हे महत्त्वाचे आहे, कारण हा अभ्यास डिजिटलदृष्ट्या प्रगल्भ नोकरशाहीतील power users वर AIची चाचणी घेत नव्हता. तो वेळ, कर्मचारी, आणि तांत्रिक परिचय या सर्व मर्यादित असलेल्या प्रत्यक्ष न्यायालयीन व्यवस्थेत एक विशेष सहाय्यक फरक पाडू शकतो का, हे तपासत होता.

JudgeGPT स्वतः OpenAI च्या GPT-4 वर आधारित होते आणि retrieval-augmented generation द्वारे पाकिस्तानी ट्रायल कोर्टांसाठी अनुकूलित केले गेले. स्रोत मजकुरानुसार, त्याने 129,235 दस्तऐवजांच्या डेटाबेसमध्ये शोध घेतला, ज्यात 128,292 न्यायालयीन निकाल आणि 943 पाकिस्तानी कायदे होते. प्रत्येक प्रश्नासाठी, प्रणालीने सर्वात संबंधित 10 उतारे निवडले आणि संदर्भित उत्तर तयार केले.

हे डिझाइन महत्त्वाचे आहे कारण ते मॉडेलचे काम मर्यादित करते. सर्वसाधारण वापराच्या मॉडेलला आठवणीतून कायदेशीर विश्लेषण तयार करायला सांगण्याऐवजी, प्रणालीने उत्तरांना परिभाषित स्थानिक कायदेशीर सामग्रीच्या संग्रहात आधार दिला. प्रत्यक्षात, याचा अर्थ हा साधन स्वायत्त न्यायाधीशापेक्षा संशोधन आणि मसुदा सहाय्यक म्हणून जास्त वापरले गेले.

सर्वात मोठे लाभ संरचित मार्गदर्शनातून आले

संशोधकांनी न्यायाधीशांना तीन गटांत विभागले. एका गटाला JudgeGPT प्रवेशाबरोबरच तीन आठवड्यांत दिलेल्या सहा 90-मिनिटांच्या व्याख्यानांचे लक्ष्यित प्रशिक्षण मिळाले. त्या सत्रांमध्ये कोणत्या कामांसाठी हे साधन योग्य आहे, त्याच्या मर्यादा कुठे आहेत, आणि त्याचे आउटपुट कसे पडताळायचे यावर भर होता. दुसऱ्या गटाला त्याच AI प्रणालीचा प्रवेश मिळाला, पण तंत्रज्ञान आणि कायदा यांवरील एक सर्वसाधारण सेमिनारच मिळाला. नियंत्रण गटाने JudgeGPT प्रवेशाशिवाय तो सेमिनार घेतला.

या गटांमधील फरक हा मुख्य शोध आहे. लक्ष्यित प्रशिक्षण मिळालेल्या न्यायाधीशांनी फक्त सामान्य सेमिनार मिळालेल्यांच्या तुलनेत प्रणालीचा वापर जवळपास चारपट केला. 40 आठवड्यांनंतर, प्रशिक्षित गटाने सरासरी जवळपास 60 लॉगिन आणि 200 पेक्षा जास्त prompts केले. तुलनात्मक गटात सरासरी सुमारे 20 लॉगिन आणि 50 पेक्षा कमी prompts होते.

वापरातील हा फरक प्रणाली-स्तरीय परिणामांत रूपांतरित झाला. अधिक प्रशिक्षित न्यायाधीश असलेल्या जिल्ह्यांनी लक्षणीय अधिक प्रकरणे निकाली काढली. एक्सपोजरच्या खालच्या चतुर्थांशातील जिल्ह्यांनीही, अहवालित निकालांनुसार, वर्षाला सुमारे 616 अतिरिक्त प्रकरणे निकाली काढली.

याचा अर्थ सरळ आहे. संस्थांमध्ये AI स्वीकारणे ही केवळ सॉफ्टवेअर रोलआउटची समस्या नाही. ती workflow आणि क्षमता यांची समस्या आहे. प्रत्यक्ष मार्गदर्शनाशिवाय, वापरकर्ते प्रणाली कमी वापरू शकतात, ती कुठे मदत करते हे चुकीचे समजू शकतात, किंवा अर्थपूर्ण कामासाठी तिच्यावर अवलंबून राहणे टाळू शकतात. प्रशिक्षणासह, तेच मॉडेल रोजच्या निर्णय-समर्थनाचा भाग बनू शकते.

गुणवत्तेत घसरण दिसली नाही

न्यायालयांमध्ये उत्पादकता वाढ जर निर्णय गुणवत्तेच्या किंवा न्याय्यतेच्या खर्चावर आली असती, तर तिचे फारसे महत्त्व नसते. स्रोत मजकुरानुसार निकालांची गुणवत्ता स्थिर राहिली किंवा थोडी सुधारली. निकाली काढलेल्या प्रत्येक 1,000 प्रकरणांमागे अपील दर किंचित कमी झाला, तर न्यायाधीशांच्या कामाच्या तासांमध्ये आणि work-life balance मध्ये कोणताही लक्षणीय बदल झाला नाही.

हे निष्कर्ष न्यायिक AI संदर्भातील सर्व चिंता दूर करत नाहीत, पण एक सामान्य भीती कमी करतात: जलद आउटपुट म्हणजे नक्कीच निकृष्ट निर्णय. या प्रयोगात, नोंदवलेले लाभ जास्त तास काम करण्यामुळे किंवा स्पष्ट गुणवत्ता घसरणीमुळे आले नाहीत. उलट, ते अधिक कार्यक्षम संशोधन आणि प्रकरण हाताळणीमुळे आले असे दिसते.

ही तफावत गर्दीने त्रस्त न्यायालये, संस्था, किंवा public defender offices मध्ये अशा साधनांचा विचार करणाऱ्या धोरणकर्त्यांसाठी महत्त्वाची आहे. AI वापरून संबंधित precedent उघड करणे, नोंदींचा सारांश करणे, आणि सहाय्यक साहित्याचा मसुदा तयार करणे शक्य असेल, तर अंतिम कायदेशीर जबाबदारी न्यायाधीशांकडून दूर न नेता अडथळे कमी करता येऊ शकतात.

अर्थशास्त्रामुळे हा निकाल दुर्लक्षित करणे कठीण होते

अभ्यासानुसार, गुंतवणूक केलेल्या प्रत्येक डॉलरमागे सुमारे $38.50 बचत होईल, असा अंदाज होता, जो समान प्रकरण-निराकरण वाढ मिळवण्यासाठी अतिरिक्त न्यायाधीश नेमण्याच्या समकक्ष खर्चावर आधारित आहे. हा आकडा हमखास बजेट परिणाम म्हणून नव्हे, तर एक अंदाज म्हणून वाचला पाहिजे; परंतु सार्वजनिक संस्था अशा प्रणालींची चाचणी घेत राहतील, हे का ते समजते.

अनेक देशांमध्ये, न्यायाधीश, लिपिक, किंवा कायदेशीर संशोधक वाढवणे महाग आणि धीमे असते. विद्यमान न्यायाधीशांना संकुचितपणे डिझाइन केलेला AI सहाय्यक वापरायला शिकवणे स्वस्त आणि जलद ठरू शकते, विशेषतः जेव्हा प्रकरणांचा backlog राजकीयदृष्ट्या संवेदनशील आणि संस्थात्मकदृष्ट्या हानीकारक असतो. कामाचे तास न वाढवता किंवा अपील्स खराब न करता throughput सुधारू शकणारे साधन पाकिस्तानपुरतेच नव्हे तर व्यापक लक्ष वेधून घेईल.

तरीही, स्रोत सामग्री एक सावधगिरीही दाखवते जी सर्वसाधारणपणे लागू होऊ शकते. हे हस्तक्षेप यशस्वी झाले कारण त्यात मॉडेल प्रवेश, curated legal retrieval, आणि मर्यादा व पडताळणीबद्दल दिलेले जाणीवपूर्वक प्रशिक्षण एकत्र केले गेले. हे घटक काढून टाकले तर उत्पादकता वाढीचा युक्तिवाद खूपच कमकुवत होतो.

न्यायालयाबाहेरही हा अभ्यास का महत्त्वाचा आहे

या प्रयोगाचे व्यापक महत्त्व हे नाही की AI कायदेशीर निर्णयाची जागा घेऊ शकते. महत्त्वाचे म्हणजे, चांगल्या प्रकारे मर्यादित AI प्रणाली पुरेशी ऑपरेशनल शिस्त ठेवून सादर केल्या गेल्यास तणावग्रस्त संस्थांची कामगिरी सुधारू शकतात. हा धडा न्यायालयांना लागू होतो, तसेच कर विभाग, लाभ व्यवस्था, रुग्णालये, शाळा, आणि नियामक संस्थांना देखील: मानवी स्वीकृती हा केंद्रस्थानी असलेला घटक आहे, नंतरची गोष्ट नाही.

जेनरेटिव AI बद्दलची सार्वजनिक चर्चा अजूनही hype आणि dismissal यांच्यात हेलकावत आहे. हा अभ्यास अधिक उपयुक्त जागी येतो. तो सूचित करतो की ही तंत्रज्ञान एका कठीण सार्वजनिक वातावरणात खरे फायदे देऊ शकते, पण फक्त अशा अटींमध्ये ज्या त्या फायद्यांना शक्य करतात: domain-specific retrieval, स्पष्ट सुरक्षा उपाय, आणि असे प्रशिक्षण जे वापरकर्त्यांना साधन काय करू शकते आणि काय फक्त त्याच्यावर विश्वास ठेवून करु नये हे शिकवते.

उच्च-जोखमीच्या प्रशासकीय प्रणालींमध्ये AI असावे का, याचा विचार करणाऱ्या सरकारांसाठी, हा कदाचित सर्वात महत्त्वाचा निष्कर्ष आहे. परतावा एखादे मॉडेल तैनात करून बदलाची वाट पाहण्यातून आला नाही. AI ला शिकवायचे, एकत्रित करायचे, आणि तपासायचे अशा संस्थात्मक क्षमतेप्रमाणे पाहण्यातून तो आला.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.