పాకిస్తాన్ కోర్టు కేసు, ముందు శిక్షణ ఉంటే AI న్యాయమూర్తులకు కేసుల భారాన్ని తగ్గించడంలో సహాయపడుతుందని చూపింది

కేవలం యాక్సెస్ కాదు, శిక్షణే కోర్టు AI ఫలితాలను నిర్ణయించింది

పాకిస్తాన్ న్యాయవ్యవస్థలో జరిగిన ఒక పెద్ద యాదృచ్ఛిక ఫీల్డ్ ప్రయోగం, సంస్థలు ప్రజలను దాన్ని బాగా ఉపయోగించేందుకు శిక్షణలో పెట్టుబడి పెడితేనే కృత్రిమ మేధస్సు ప్రజా రంగ ఉత్పాదకతను పెంచగలదని సూచిస్తోంది. ETH Zurich, Imperial College London, మరియు New Economic School కు చెందిన పరిశోధకులు నిర్వహించిన ఈ అధ్యయనం, JudgeGPT అనే AI సహాయకాన్ని 118 కోర్టులలోని 1,559 న్యాయమూర్తులపై, అంటే పాకిస్తాన్ ట్రయల్ కోర్టు న్యాయమూర్తులలో సుమారు సగం మంది మీద, పరీక్షించింది.

ముఖ్యమైన ఫలితం AI సహాయపడింది అన్నదే కాదు. కేవలం యాక్సెస్ alone చాలా తక్కువ పని చేసింది. వ్యవస్థను పొందినప్పటికీ లక్ష్యిత శిక్షణ కూడా పొందిన న్యాయమూర్తులు దాన్ని చాలా ఎక్కువగా ఉపయోగించారు మరియు కేసుల పరిష్కారంలో కొలవగల మెరుగుదలలతో సంబంధం చూపించారు. మూల పదార్థంలో ఇచ్చిన అధ్యయన సారాంశం ప్రకారం, శిక్షణ పొందిన న్యాయమూర్తులకు మధ్యస్థ ప్రభావం ఉన్న జిల్లాలు సంవత్సరానికి సుమారు 1,848 అదనపు కేసులను పరిష్కరించాయి, ఇది 6.3 శాతం పెరుగుదలకు సమానం.

అందువల్ల ఈ ప్రయోగం పాకిస్తాన్‌కే పరిమితం కాకుండా ప్రాముఖ్యత కలిగినది. ప్రపంచవ్యాప్తంగా ప్రభుత్వాలు చట్ట పరిశోధన, కేసు నిర్వహణ, పత్రాల ముసాయిదా, మరియు పరిపాలనా సహాయానికి పెద్ద భాషా నమూనాలను పరీక్షిస్తున్నాయి. ఈ ట్రయల్ మరింత స్పష్టమైన ఆపరేషనల్ పాఠాన్ని అందిస్తుంది: అమలు వ్యూహం మోడల్‌తానే సమానంగా ముఖ్యం.

ఒత్తిడిలో ఉన్న న్యాయవ్యవస్థ కఠినమైన పరీక్షా వేదికను అందించింది

పాకిస్తాన్ కోర్టు వ్యవస్థ, స్వల్ప ఉత్పాదకత పెరుగుదల కూడా విలువైనదిగా ఉండే పరిస్థితిని అందించింది. పరిశోధకుల ప్రకారం, దేశంలో ప్రతి 100,000 మందికి ఇద్దరు న్యాయమూర్తులు కూడా లేరు; ఇది యూరోపియన్ యూనియన్‌లో 22, ఇంగ్లాండ్ మరియు వేల్స్‌లో 30తో పోలిస్తే చాలా తక్కువ. 2024 చివరికి 22.6 లక్షల కేసులు పెండింగ్‌లో ఉండగా, వాటిలో 82 శాతం ట్రయల్ కోర్టుల్లో ఉన్నాయి.

ఈ గణాంకాలు భారీ ఒత్తిడిలో, పరిమిత సిబ్బందితో, తక్కువ సాంకేతిక మద్దతుతో నడుస్తున్న వ్యవస్థను చూపుతున్నాయి. ప్రయోగానికి ముందు, సుమారు నాలుగో వంతు న్యాయమూర్తులే ChatGPT వంటి పెద్ద భాషా నమూనాను ఎప్పుడైనా ఉపయోగించారు. ఇది ముఖ్యమైన విషయం, ఎందుకంటే ఈ అధ్యయనం డిజిటల్‌గా పరిపక్వమైన బ్యూరోక్రసీలో పవర్ యూజర్లపై AIని పరీక్షించడం కాదు. సమయం, సిబ్బంది, సాంకేతిక పరిచయం అన్నీ పరిమితంగా ఉన్న నిజమైన కోర్టు వ్యవస్థలో ప్రత్యేక సహాయకుడు మార్పు తీసుకురాగలడా అనే దాన్ని పరీక్షించింది.

JudgeGPT itself was built on OpenAI’s GPT-4 and adapted for Pakistani trial courts through retrieval-augmented generation. According to the source text, it searched a database of 129,235 documents, including 128,292 court rulings and 943 Pakistani laws. For each query, the system selected the 10 most relevant passages and generated a cited answer.

ఈ రూపకల్పన ప్రాధాన్యమైనది, ఎందుకంటే ఇది మోడల్ పనిని కుదిస్తుంది. సాధారణ ప్రయోజనాల మోడల్‌ను జ్ఞాపకం ఆధారంగా చట్టపరమైన విశ్లేషణను ఊహించమని అడగడం బదులు, వ్యవస్థ స్థానిక చట్టపరమైన పదార్థాల నిర్వచిత సంకలనం లోపల సమాధానాలను ఆధారపెట్టింది. వాస్తవానికి, ఈ సాధనం స్వతంత్ర న్యాయమూర్తిగా కాకుండా పరిశోధన మరియు ముసాయిదా సహాయకుడిగా స్థితిచేయబడింది.

అతి పెద్ద లాభాలు నిర్మితమైన సూచనల నుంచే వచ్చాయి

పరిశోధకులు న్యాయమూర్తులను మూడు గుంపులుగా విభజించారు. ఒక గుంపుకు JudgeGPT యాక్సెస్‌తో పాటు మూడు వారాల పాటు ఇచ్చిన ఆరు 90 నిమిషాల ఉపన్యాసాల రూపంలో లక్ష్యిత శిక్షణ ఇచ్చారు. ఆ సెషన్లు ఏ పనులకు ఈ సాధనం సరిపోతుంది, దాని పరిమితులు ఎక్కడ ఉన్నాయి, దాని అవుట్‌పుట్‌ను ఎలా ధృవీకరించాలి అన్న వాటిపై దృష్టి పెట్టాయి. రెండవ గుంపుకు అదే AI వ్యవస్థకు యాక్సెస్ ఇచ్చారు, కానీ సాంకేతికత మరియు చట్టంపై సాధారణ సెమినార్ మాత్రమే ఇచ్చారు. నియంత్రణ గుంపు JudgeGPT యాక్సెస్ లేకుండా ఆ సెమినార్‌కు హాజరైంది.

ఆ గుంపుల మధ్య తేడానే ప్రధాన కనుగొను విషయం. లక్ష్యిత శిక్షణ పొందిన న్యాయమూర్తులు, సాధారణ సెమినార్ మాత్రమే పొందిన వారికంటే దాదాపు నాలుగు రెట్లు ఎక్కువగా వ్యవస్థను ఉపయోగించారు. 40 వారాల తర్వాత, శిక్షణ పొందిన గుంపు సగటున దాదాపు 60 లాగిన్లు మరియు 200కి పైగా prompts నమోదు చేసింది. పోలిక గుంపులో సగటున సుమారు 20 లాగిన్లు మరియు 50కి తక్కువ prompts ఉన్నాయి.

వినియోగంలో ఉన్న ఆ గ్యాప్, వ్యవస్థ స్థాయి ఫలితాలుగా మారింది. ఎక్కువ శిక్షణ పొందిన న్యాయమూర్తులు ఉన్న జిల్లాలు గణనీయంగా ఎక్కువ కేసులను పరిష్కరించాయి. ఎక్స్‌పోజర్‌లో దిగువ క్వార్టైల్‌లో ఉన్న జిల్లాలు కూడా, నివేదించిన ఫలితాల ప్రకారం, సంవత్సరానికి సుమారు 616 అదనపు కేసులను పరిష్కరించాయి.

దాని అర్థం సూటిగా ఉంది. సంస్థల్లో AI స్వీకరణ అనేది కేవలం సాఫ్ట్‌వేర్ రోల్‌ఔట్ సమస్య కాదు. ఇది వర్క్‌ఫ్లో మరియు సామర్థ్య సమస్య. ప్రాయోగిక సూచన లేకుండా, వినియోగదారులు వ్యవస్థను తక్కువగా వినియోగించవచ్చు, అది ఎక్కడ సహాయపడుతుందో తప్పుగా అర్థం చేసుకోవచ్చు, లేదా అర్థవంతమైన పనిలో దానిపై ఆధారపడటాన్ని నివారించవచ్చు. శిక్షణతో, అదే మోడల్ రోజువారీ నిర్ణయ మద్దతులో భాగంగా మారగలదు.

నాణ్యత తగ్గినట్లు కనిపించలేదు

కోర్టుల్లో ఉత్పాదకత పెరుగుదలలు తీర్పు నాణ్యత లేదా న్యాయసమతుల్యత ఖర్చుతో వచ్చి ఉంటే, అవి పెద్దగా అర్థవంతంగా ఉండేవి కావు. మూల పాఠ్యం ప్రకారం తీర్పు నాణ్యత స్థిరంగా ఉండింది లేదా స్వల్పంగా మెరుగైంది. పరిష్కరించిన ప్రతి 1,000 కేసులకు అప్పీల్ రేట్లు స్వల్పంగా తగ్గాయి, కానీ న్యాయమూర్తుల పని గంటలు మరియు పని-జీవిత సమతుల్యతలో గణనీయమైన మార్పు లేదు.

ఈ కనుగొన్లు న్యాయ AI చుట్టూ ఉన్న ప్రతి ఆందోళనను తేల్చవు, కానీ ఒక సాధారణ భయాన్ని పరిష్కరిస్తాయి: వేగవంతమైన అవుట్‌పుట్ అంటే తప్పనిసరిగా అలసత్వపూరిత నిర్ణయాలే అన్న భావన. ఈ ప్రయోగంలో, నివేదించిన లాభాలు ఎక్కువ గంటలు పనిచేయడం లేదా స్పష్టమైన నాణ్యత క్షీణత నుండి రాలేదు. బదులుగా, అవి మరింత సమర్థవంతమైన పరిశోధన మరియు కేసు నిర్వహణ నుండి వచ్చాయి.

ఆ తేడా, భారీ భారంతో ఉన్న కోర్టులు, సంస్థలు, లేదా పబ్లిక్ డిఫెండర్ కార్యాలయాల్లో ఇలాంటి సాధనాలను పరిగణిస్తున్న విధాన నిర్ణేతలకు ముఖ్యమైనది. AIని సంబంధిత precedentలను చూపించడానికి, రికార్డులను సారాంశం చేయడానికి, మరియు సహాయక పదార్థాలను ముసాయిదా చేయడానికి ఉపయోగిస్తే, తుది చట్టబద్ధ బాధ్యతను న్యాయమూర్తుల నుండి తీసివేయకుండా అడ్డంకులను తగ్గించవచ్చు.

ఆర్థిక లెక్కలు ఈ ఫలితాన్ని విస్మరించడం కష్టతరం చేస్తాయి

అధ్యయనం, ప్రతి పెట్టుబడి చేసిన డాలర్‌కు సుమారు $38.50 ఆదా అవుతుందని అంచనా వేసింది, ఇదే స్థాయిలో కేసు పరిష్కార పెరుగుదల సాధించడానికి అదనపు న్యాయమూర్తులను నియమించే సమాన వ్యయాన్ని ఆధారంగా తీసుకుంది. ఈ సంఖ్యను హామీ ఇచ్చే బడ్జెట్ ఫలితంగా కాకుండా ఒక అంచనాగా చూడాలి, కానీ ప్రజా సంస్థలు ఇలాంటి వ్యవస్థలను ఎందుకు పరీక్షిస్తూనే ఉంటాయో ఇది వివరించడంలో సహాయపడుతుంది.

చాలా దేశాల్లో, న్యాయమూర్తులు, క్లర్కులు, లేదా చట్ట పరిశోధకులను పెంచడం ఖరీదైనది, నెమ్మదైనది. ఇప్పటికే ఉన్న న్యాయమూర్తులకు ఒక సంకుచితంగా రూపకల్పన చేసిన AI సహాయకుడిని ఎలా ఉపయోగించాలో శిక్షణ ఇవ్వడం తక్కువ ఖర్చుతో, వేగంగా ఉండవచ్చు, ముఖ్యంగా కేసు పెండింగ్‌లు రాజకీయంగా సున్నితమైనవి మరియు సంస్థాగతంగా హానికరమైనవి అయినప్పుడు. పని గంటలను పెంచకుండానే లేదా అప్పీళ్లను చెడగొట్టకుండానే throughput‌ను మెరుగుపరిచే సాధనం, పాకిస్తాన్‌కే కాకుండా మరెక్కడికైనా దృష్టిని ఆకర్షించే అవకాశం ఉంది.

అయితే, మూల పదార్థం సాధారణీకరించదగిన ఒక హెచ్చరికను కూడా సూచిస్తోంది. ఈ చర్య పని చేసింది, ఎందుకంటే అది మోడల్ యాక్సెస్, క్యూయరేటెడ్ లీగల్ retrieval, మరియు పరిమితులు మరియు ధృవీకరణపై ఉద్దేశపూర్వక సూచనలను కలిపింది. ఆ భాగాలను తీసివేస్తే, ఉత్పాదకత లాభాల వాదన చాలా బలహీనమవుతుంది.

కోర్టు బయట కూడా ఈ అధ్యయనం ఎందుకు ముఖ్యం

ఈ ప్రయోగం యొక్క విస్తృత ప్రాముఖ్యత AI చట్ట నిర్ణయాన్ని భర్తీ చేయగలదని కాదు. మంచి పరిధిలో ఉన్న AI వ్యవస్థలను తగిన ఆపరేషనల్ క్రమశిక్షణతో ప్రవేశపెడితే ఒత్తిడిలో ఉన్న సంస్థల పనితీరును మెరుగుపరచగలవు అన్నదే. ఈ పాఠం కోర్టులకు మాత్రమే కాదు, పన్ను శాఖలు, ప్రయోజన వ్యవస్థలు, ఆసుపత్రులు, పాఠశాలలు, మరియు నియంత్రణ సంస్థలకు కూడా వర్తిస్తుంది: మానవ స్వీకరణ ఒక కేంద్ర మార్పిడి, పిదప ఆలోచన కాదు.

జెనరేటివ్ AI గురించి ప్రజా చర్చ ఇంకా హైప్ మరియు నిరాకరణ మధ్య ఊగిసలాడుతోంది. ఈ అధ్యయనం మరింత ఉపయోగకరమైన మధ్యస్థానంలో నిలుస్తోంది. కఠినమైన ప్రజా వాతావరణంలో ఈ సాంకేతికత నిజమైన లాభాలు ఇవ్వగలదని ఇది సూచిస్తోంది, కానీ ఆ లాభాలను సాధ్యపరిచే పరిస్థితులలో మాత్రమే: డొమైన్-స్పెసిఫిక్ retrieval, స్పష్టమైన రక్షణలు, మరియు సాధనం ఏమి చేయగలదో, దేనిని ఒంటరిగా నమ్మకూడదో వినియోగదారులకు నేర్పే శిక్షణ.

అధిక-ప్రమాద పరిపాలనా వ్యవస్థల్లో AI ఉండాలా వద్దా అనే విషయంలో ఆలోచిస్తున్న ప్రభుత్వాలకు, ఇది బహుశా అన్నిటికన్నా ముఖ్యమైన కనుగొను విషయం. ఫలితం ఒక మోడల్‌ని డిప్లాయ్ చేసి మార్పు కోసం వేచి ఉండడం ద్వారా రాలేదు. AIని బోధించాల్సిన, సమగ్రపరచాల్సిన, మరియు తనిఖీ చేయాల్సిన ఒక సంస్థాగత సామర్థ్యంగా పరిగణించడం ద్వారా వచ్చింది.

ఈ వ్యాసం The Decoder నివేదిక ఆధారంగా ఉంది. అసలు వ్యాసాన్ని చదవండి.