பாகிஸ்தான் நீதிமன்ற வழக்கு, முதலில் பயிற்சி இருந்தால் AI நீதிபதிகளின் வழக்கு சுமையை குறைக்க உதவுகிறது என்பதை காட்டுகிறது

அணுகல் மட்டும் அல்ல, பயிற்சியே நீதிமன்ற AI முடிவுகளைத் தீர்மானித்தது

பாகிஸ்தானின் நீதித்துறையில் நடந்த ஒரு பெரிய சீரற்ற களப் பரிசோதனை, நிறுவனங்கள் மக்களை அதை நன்றாகப் பயன்படுத்த பயிற்றுவிக்க முதலீடு செய்தால் மட்டுமே செயற்கை நுண்ணறிவு பொது துறை உற்பத்தித்திறனை உயர்த்த முடியும் என்பதைச் சுட்டுகிறது. ETH Zurich, Imperial College London, மற்றும் New Economic School ஆகியவற்றைச் சேர்ந்த ஆராய்ச்சியாளர்கள் நடத்திய இந்த ஆய்வு, JudgeGPT எனும் AI உதவியாளரை பாகிஸ்தானின் 118 நீதிமன்றங்களில் உள்ள 1,559 நீதிபதிகள் மீது, அதாவது அந்நாட்டின் விசாரணை நீதிமன்ற நீதிபதிகளின் சுமார் பாதியை உள்ளடக்கி, சோதித்தது.

முக்கிய முடிவு வெறும் AI உதவியது என்பதல்ல. அணுகல் மட்டுமே மிகச் சிறிய தாக்கத்தை மட்டுமே அளித்தது. அமைப்பை அணுகுவதோடு குறிவைத்த பயிற்சியும் பெற்ற நீதிபதிகள் அதை மிக அதிகமாக பயன்படுத்தினர், மேலும் வழக்குகளைத் தீர்ப்பதில் அளவிடக்கூடிய முன்னேற்றங்களுடன் தொடர்புடையவர்களாக இருந்தனர். மூலப் பொருளில் வழங்கப்பட்ட ஆய்வு சுருக்கத்தின் படி, பயிற்சி பெற்ற நீதிபதிகளின் மிதமான வெளிப்பாடு கொண்ட மாவட்டங்களில் ஆண்டுக்கு சுமார் 1,848 கூடுதல் வழக்குகள் தீர்க்கப்பட்டன, இது 6.3 சதவீத உயர்விற்கு சமம்.

இதனால் இந்த பரிசோதனை பாகிஸ்தானைத் தாண்டியும் முக்கியத்துவம் பெறுகிறது. உலகம் முழுவதும் அரசுகள் சட்ட ஆராய்ச்சி, வழக்கு மேலாண்மை, ஆவண வரைவு, மற்றும் நிர்வாக ஆதரவு ஆகியவற்றுக்கு பெரிய மொழி மாதிரிகளை சோதித்து வருகின்றன. இந்த விசாரணை சேர்ப்பது இன்னும் தெளிவான ஒரு செயல்பாட்டு பாடம்: பயன்பாட்டு உத்தி மாடலைப் போலவே முக்கியம்.

அழுத்தத்தில் இருக்கும் நீதித்துறை ஒரு கடினமான சோதனைப் பின்புலத்தை வழங்கியது

பாகிஸ்தானின் நீதிமன்ற அமைப்பு, சிறிய உற்பத்தித்திறன் உயர்வும் முக்கியமாக இருக்கும் சூழலை வழங்கியது. ஆராய்ச்சியாளர்கள் கூறுவதன்படி, அந்த நாட்டில் 100,000 மக்களுக்கு இரண்டு நீதிபதிகளுக்கும் குறைவாகவே உள்ளனர்; இது ஐரோப்பிய ஒன்றியத்தில் 22, இங்கிலாந்து மற்றும் வேல்ஸில் 30 ஆக உள்ளது. 2024 இறுதியில் 22.6 லட்சம் வழக்குகள் நிலுவையில் இருந்தன, அவற்றில் 82 சதவீதம் விசாரணை நீதிமன்றங்களில் இருந்தன.

இந்த எண்ணிக்கைகள் கடும் அழுத்தத்தில், குறைந்த பணியாளர்களுடன், குறைந்த தொழில்நுட்ப ஆதரவுடன் செயல்படும் ஒரு அமைப்பைச் சுட்டுகின்றன. பரிசோதனைக்கு முன், நீதிபதிகளில் சுமார் ஒரு நான்கில் ஒரு பகுதியே ChatGPT போன்ற பெரிய மொழி மாதிரியை ஒருபோதும் பயன்படுத்தியிருந்தனர். இது முக்கியமானது, ஏனெனில் இந்த ஆய்வு டிஜிட்டல் அளவில் முதிர்ந்த அதிகார அமைப்பில் சக்திவாய்ந்த பயனர்களிடம் AIயை சோதித்ததல்ல. நேரம், பணியாளர்கள், மற்றும் தொழில்நுட்பப் பழக்கம் எல்லாம் கட்டுப்பட்டிருந்த ஒரு உண்மை நீதிமன்ற அமைப்பில் சிறப்பு உதவியாளர் மாற்றத்தை ஏற்படுத்துமா என்பதைக் கண்டது.

JudgeGPT தானே OpenAI இன் GPT-4 அடிப்படையில் உருவாக்கப்பட்டு, retrieval-augmented generation மூலம் பாகிஸ்தான் விசாரணை நீதிமன்றங்களுக்கு ஏற்ப மாற்றப்பட்டது. மூல உரையின் படி, அது 129,235 ஆவணங்களைக் கொண்ட தரவுத்தளத்தைத் தேடியது; இதில் 128,292 நீதிமன்றத் தீர்ப்புகள் மற்றும் 943 பாகிஸ்தான் சட்டங்கள் அடங்கும். ஒவ்வொரு கேள்விக்கும், அமைப்பு மிகவும் பொருத்தமான 10 துணுக்குகளைத் தேர்ந்தெடுத்து மேற்கோளுடன் பதிலை உருவாக்கியது.

இந்த வடிவமைப்பு முக்கியமானது, ஏனெனில் இது மாதிரியின் பணியை குறுக்குகிறது. நினைவிலிருந்து சட்டப் பகுப்பாய்வை தற்செயலாக உருவாக்க பொதுப் பயன்பாட்டு மாதிரியை கேட்பதற்குப் பதிலாக, இந்த அமைப்பு உள்ளூர் சட்டப் பொருட்களின் வரையறுக்கப்பட்ட தொகுப்பில் பதில்களை உறுதிப்படுத்தியது. நடைமுறையில், இதன் பொருள் இந்த கருவி ஒரு தன்னாட்சி நீதிபதியாகக் குறைவாகவும், ஆராய்ச்சி மற்றும் வரைவு உதவியாக அதிகமாகவும் நிலைநிறுத்தப்பட்டது.

மிகப்பெரிய பலன்கள் கட்டமைக்கப்பட்ட அறிவுரையிலிருந்தே வந்தன

ஆராய்ச்சியாளர்கள் நீதிபதிகளை மூன்று குழுக்களாகப் பிரித்தனர். ஒரு குழு JudgeGPT அணுகலுடன், மூன்று வாரங்களில் வழங்கப்பட்ட ஆறு 90 நிமிட விரிவுரைகளைக் கொண்ட குறிவைத்த பயிற்சியையும் பெற்றது. அந்த அமர்வுகள் எந்த பணிகளுக்கு கருவி பொருத்தமானது, அதன் வரம்புகள் என்ன, அதன் வெளியீட்டை எப்படிச் சரிபார்ப்பது என்பவற்றில் கவனம் செலுத்தின. இரண்டாவது குழு அதே AI அமைப்பிற்கான அணுகலைப் பெற்றது, ஆனால் தொழில்நுட்பம் மற்றும் சட்டம் குறித்த ஒரு பொது கருத்தரங்கையே மட்டுமே பெற்றது. கட்டுப்பாட்டு குழு JudgeGPT அணுகலின்றி அந்த கருத்தரங்கில் பங்கேற்றது.

அந்த குழுக்களுக்கிடையிலான வித்தியாசமே மையக் கண்டுபிடிப்பு. குறிவைத்த பயிற்சி பெற்ற நீதிபதிகள், பொது கருத்தரங்கு மட்டும் பெற்றவர்களை விட அமைப்பைப் பயன்படுத்தியது சுமார் நான்கு மடங்கு அதிகமாக இருந்தது. 40 வாரங்களுக்குப் பிறகு, பயிற்சி பெற்ற குழு சராசரியாக கிட்டத்தட்ட 60 உள்நுழைவுகள் மற்றும் 200க்கும் மேற்பட்ட prompts-ஐ பயன்படுத்தியது. ஒப்பீட்டு குழுவின் சராசரி சுமார் 20 உள்நுழைவுகள் மற்றும் 50க்கும் குறைவான prompts ஆக இருந்தது.

பயன்பாட்டில் ஏற்பட்ட அந்த இடைவெளி அமைப்பு மட்ட விளைவுகளாக மாறியது. அதிக பயிற்சி பெற்ற நீதிபதிகள் உள்ள மாவட்டங்கள் கணிசமாக அதிக வழக்குகளைத் தீர்த்தன. வெளிப்பாட்டின் கீழ் நான்கில் இருந்த மாவட்டங்கள்கூட, அறிக்கையிடப்பட்ட முடிவுகளின் படி, ஆண்டுக்கு சுமார் 616 கூடுதல் வழக்குகளைத் தீர்த்தன.

இதன் பொருள் தெளிவானது. நிறுவனங்களில் AI தத்தெடுப்பு என்பது வெறும் மென்பொருள் வெளியீட்டு பிரச்சினை அல்ல. அது workflow மற்றும் திறன் பிரச்சினை. நடைமுறை அறிவுரையின்றி, பயனர்கள் அமைப்பை குறைவாகப் பயன்படுத்தலாம், அது எங்கு உதவுகிறது என்பதை தவறாகப் புரிந்துகொள்ளலாம், அல்லது முக்கியமான பணிக்காக அதைப் பயன்படுத்தத் தயங்கலாம். பயிற்சியுடன், அதே மாதிரி அன்றாட முடிவெடுப்பு ஆதரவின் ஒரு பகுதியாக மாறலாம்.

தரத்தில் குறைவு ஏற்படவில்லை

நீதிமன்றங்களில் உற்பத்தித்திறன் உயர்வுகள், தீர்ப்பின் தரம் அல்லது நியாயத்திற்கான செலவில் வந்திருந்தால், அவை அதிக அர்த்தமற்றதாக இருக்கும். மூல உரையில் தீர்ப்பு தரம் நிலைத்திருந்ததாக அல்லது சிறிது மேம்பட்டதாக கூறப்படுகிறது. தீர்க்கப்பட்ட 1,000 வழக்குகளுக்கு மேல்முறையீட்டு விகிதம் சிறிது குறைந்தது, ஆனால் நீதிபதிகளின் வேலை நேரங்களிலும் வேலை-வாழ்க்கை சமநிலையிலும் கணிசமான மாற்றம் இல்லை.

இந்தக் கண்டுபிடிப்புகள் நீதித்துறை AI குறித்து உள்ள எல்லா கவலைகளையும் முடிவுபடுத்தவில்லை, ஆனால் அவை ஒரு பொதுவான அச்சத்தைத் தொடுகின்றன: வேகமான வெளியீடு என்பதால் தவறான தீர்ப்புகள் அவசியம் ஏற்படும் என்பதில்லை. இந்தப் பரிசோதனையில், அறிக்கையிடப்பட்ட முன்னேற்றங்கள் நீண்ட நேர வேலை அல்லது தெளிவான தரக் குறைவிலிருந்து வரவில்லை. மாறாக, அவை அதிக செயல்திறனுடைய ஆராய்ச்சி மற்றும் வழக்கு கையாளுதலிலிருந்து வந்ததாகத் தெரிகிறது.

அந்த வேறுபாடு அதிக சுமை கொண்ட நீதிமன்றங்கள், அமைப்புகள், அல்லது பொது பாதுகாப்பாளர் அலுவலகங்களில் இதேபோன்ற கருவிகளை பரிசீலிக்கும் கொள்கை நிர்ணயர்களுக்கு முக்கியமானது. AI தொடர்புடைய முன்னுதாரணங்களை வெளிச்சமிட, பதிவுகளைச் சுருக்க, மற்றும் ஆதரவு பொருட்களை வரைவு செய்யப் பயன்படுத்தப்பட்டால், இறுதி சட்ட பொறுப்பை நீதிபதிகளிடமிருந்து மாற்றாமல் தடைகளை குறைக்க முடியும்.

பொருளாதாரம் இந்த முடிவை புறக்கணிக்க கடினமாக்குகிறது

ஒத்த வழக்குத் தீர்வு உயர்வுகளைப் பெற கூடுதல் நீதிபதிகளை நியமிப்பதற்கான சமமான செலவை அடிப்படையாகக் கொண்டு, முதலீடு செய்யப்பட்ட ஒவ்வொரு டாலருக்கும் சுமார் $38.50 சேமிப்பு என ஆய்வு மதிப்பிட்டது. இந்த எண்ணிக்கையை உறுதியான பட்ஜெட் முடிவாக அல்ல, ஒரு மதிப்பீடாகப் பார்க்க வேண்டும்; ஆனாலும் இதுவே ஏன் அரசுத் துறைகள் இதுபோன்ற அமைப்புகளை தொடர்ந்து சோதிக்க வாய்ப்புள்ளதாக உள்ளது என்பதை விளக்குகிறது.

பல நாடுகளில், நீதிபதிகள், எழுத்தர்கள், அல்லது சட்ட ஆய்வாளர்களைச் சேர்ப்பது செலவானதும் மெதுவானதும். ஏற்கனவே உள்ள நீதிபதிகளுக்கு நுணுக்கமாக வடிவமைக்கப்பட்ட AI உதவியாளரைப் பயன்படுத்த கற்றுக்கொடுக்குவது மலிவாகவும் வேகமாகவும் இருக்கலாம், குறிப்பாக வழக்கு நிலுவை அரசியல் ரீதியாகத் தீவிரமானதும் அமைப்பை பாதிப்பதுமானதாக இருக்கும் போது. வேலை நேரத்தை நீட்டிக்காமலும் மேல்முறையீடுகளை மோசமாக்காமலும் throughput-ஐ மேம்படுத்தும் கருவி, பாகிஸ்தானைத் தாண்டியும் கவனத்தை ஈர்க்கும்.

இன்னும், மூலப் பொருள் பொதுப்படுத்தக்கூடிய ஒரு எச்சரிக்கையையும் சுட்டிக்காட்டுகிறது. இந்த தலையீடு வேலை செய்தது, ஏனெனில் அது மாதிரி அணுகல், தேர்ந்தெடுக்கப்பட்ட சட்ட retrieval, மற்றும் வரம்புகள்-சரிபார்ப்பு குறித்த திட்டமிட்ட அறிவுரைகளை ஒன்றிணைத்தது. அந்த கூறுகளை நீக்கினால், உற்பத்தித்திறன் உயர்வுக்கான வழக்கு மிக வலுவிழக்கும்.

நீதிமன்றத்திற்குப் புறமும் இந்த ஆய்வு ஏன் முக்கியம்

இந்தப் பரிசோதனையின் பரந்த முக்கியத்துவம் AI சட்டத் தீர்ப்பை மாற்ற முடியும் என்பதல்ல. முக்கியமானது, நன்கு வரையறுக்கப்பட்ட AI அமைப்புகள் போதுமான செயல்பாட்டு ஒழுக்கத்துடன் அறிமுகப்படுத்தப்பட்டால், அழுத்தத்தில் இருக்கும் நிறுவனங்களின் செயல்திறனை மேம்படுத்த முடியும் என்பதே. இந்தப் பாடம் நீதிமன்றங்களுக்கு மட்டுமல்ல, வரித்துறைகள், நலத்திட்ட அமைப்புகள், மருத்துவமனைகள், பள்ளிகள், மற்றும் ஒழுங்குமுறை அமைப்புகளுக்கும் பொருந்தும்: மனித தத்தெடுப்பு ஒரு மைய மாறிலி, பின்னாள் சிந்தனை அல்ல.

உற்பத்தி AI குறித்த பொதுப் பேச்சின் பெரும் பகுதி இன்னும் ஹைப் மற்றும் மறுப்பு இடையே அலைகிறது. இந்த ஆய்வு அதைவிட பயனுள்ள இடத்தில் நிற்கிறது. கடினமான ஒரு பொது சூழலில் இந்தத் தொழில்நுட்பம் உண்மையான பலன்களை வழங்க முடியும், ஆனால் அந்த பலன்களை சாத்தியமாக்கும் நிபந்தனைகளின் கீழ் மட்டுமே: துறைசார் retrieval, வெளிப்படையான பாதுகாப்புகள், மற்றும் கருவி என்ன செய்ய முடியும், அது தனியாக எதை நம்பக்கூடாது என்பதைக் கற்றுக்கொடுக்கும் பயிற்சி.

உயர்-ஆபத்து நிர்வாக அமைப்புகளில் AI இருக்க வேண்டுமா என்பதை பரிசீலிக்கும் அரசுகளுக்கு, இதுவே மிக முக்கியமான கண்டுபிடிப்பு ஆக இருக்கலாம். பலன் ஒரு மாதிரியை வெளியிட்டு மாற்றத்துக்காக காத்திருப்பதிலிருந்து வரவில்லை. AIயை கற்றுக்கொள்ள, ஒருங்கிணைக்க, மற்றும் சோதிக்க வேண்டிய ஒரு நிறுவனத் திறனாக அணுகுவதிலிருந்தே வந்தது.

இந்தக் கட்டுரை The Decoder வெளியிட்ட செய்தியினை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.