kunstmatige intelligentie in het juridische domein

Presentatie over: "kunstmatige intelligentie in het juridische domein"— Transcript van de presentatie:

1 kunstmatige intelligentie in het juridische domein
Inzet van kunstmatige intelligentie in het juridische domein IBM Watson Cognitive Discovery Proefopstelling voor het Kennis- en Exploitatiecentrum voor Officiële Overheidspublicaties (MinBZK/UBR/KOOP) Project: Mr. Watson en andere slimmeriken Juni 2017, v1.0

2 Inhoud De uitdaging Ons team Uitgangspunten en aanpak Demo Conclusies
Het perspectief Bijlagen “Mr. Watson, is de deelnemingsvrijstelling van toepassing op een moeder-dochterrelatie, waarbij de moeder coöperatie is”?

3 De uitdaging Opdrachtgever Het Kennis- en Exploitatiecentrum Officiële Overheidspublicaties (KOOP) is een onderdeel van de Uitvoeringsorganisatie Bedrijfsvoering Rijk (UBR) van het Ministerie van Binnenlandse Zaken en Koninkrijksrelaties. KOOP biedt publicatie- en informatiediensten en toepassingen voor de keten van wet- en regelgeving, waaronder de website Vraag De collecties wet- en regelgeving zijn over de jaren heen gegroeid tot documenten met daarin artikelen. Traditioneel worden zoekmachines gebruikt om deze collecties toegankelijk te maken. Maar deze leveren zeer veel resultaten, dus welke resultaten zet je bovenaan? Uitdaging KOOP wilde onderzoeken of kunstmatige intelligentie inmiddels de huidige zoekmachines in het juridische domein kan verslaan door relevantere antwoorden te geven op juridische vragen. KOOP wil de ervaring gebruiken om haar dienstverlening verder te verbeteren.

4 Ons team Concept en realisatie: Innovator voor publiek-privaat-wetenschappelijk samenwerken aan innovatieve oplossingen. Initiatiefnemer van REGULIZE™ Specialist op data management, analytics en artificial intelligence. Watson partner. System integrator: Onafhankelijke Nederlandse systeemintegrator, specialist op verbinden van wet- en regelgeving met de uitvoering Technology partner: Mondiaal opererend technologie- en innovatiebedrijf, met klanten in meer dan 170 landen. Cognitive business op basis van Watson-technologie, ten behoeve van de publieke en private sector, heeft een strategische focus

5 Uitgangspunten en aanpak
Onze uitgangspunten: Kunstmatige intelligentie moet worden beheerst door domeinexperts (SME’s) Gebruik maken van bestaande kennisconcepten (DNA van wet- en regelgeving) Geen black box maar herleidbare resultaten Leren uit een dynamische dialoog met gebruikers Niet de resultaten staan centraal maar de validatie van deelonderzoeken Onze aanpak: Vijf sprints, iteratief ontwikkelen In elke sprint is extra functionaliteit van Watson ingezet en is kennis toegevoegd over de manier waarop wet- en regelgeving in elkaar steekt. Aan het einde van elke sprint werd gemeten in hoeverre de standaard casussen, die door fiscaal juristen waren opgesteld, leidden tot relevantere antwoorden. Er is geëxperimenteerd met zowel fiscale wetgeving en beleid als met jurisprudentie.

6 Demo

7 Demo: annoteren en machine learning

8 Conclusies De technologie van artificial intelligence is inmiddels ver genoeg om zinvol toe te passen in het domein van wet- en regelgeving: > de beproefde functies en kennis tonen dit aan, en er is nog meer te onderzoeken Het toepassen van deze technologie is een ontwikkeling: > de toepassing ontwikkelt zich en “leert” > in samenwerking tussen domeinexperts (SME’s) en technisch specialisten De technologie leent zich goed voor een dialoog met gebruikers: > ‘discovery’ versus ‘search’: niet zoeken maar ontdekken via een dialoog Verder optimaliseren – relevantere juridische antwoorden - is binnen handbereik: > met relatief geringe inspanning van domeinexperts Volop perspectief: > nieuwe technische mogelijkheden (NL ondersteuning, on-premise, meer machine learning, …) > talloze functionele toepassingsgebieden (chatbots, vragen in spreektaal, gebruik van klantgegevens …)

9 Het perspectief Over 6 maanden is kunstmatige intelligentie over wet- en regelgeving toepasbaar: Toevoegen van functionaliteit van Watson die nog niet beproefd is Gebruik van aanvullende kennis over wet- en regelgeving Doortrainen op basis van gebruik door kennisexperts Taalmodules, om in gewone mensentaal vragen te kunnen stellen Gebruiken van beschikbare informatie over de vragensteller Mogelijke toepassingsgebieden: Self-service: chatbots en virtuele assistenten voor burgers Ondersteuning voor call-center medewerkers Analyse van regelgeving en uitvoeringstoetsen voor beleidsmedewerkers Kennismanagement: borgen van kennis van domeinexperts (open knowledge) …en nog veel meer

10 Contact Neem voor meer informatie contact op met CSSI of Jibes: Art Ligthart Paul van der Hulst

11 Bijlagen

12 Inhoud van het onderzoek
De volgende technieken zijn gebruikt tijdens de 5 sprints: Natural Language Processing Deep Learning Kennismodellen (DNA: en NFLT: Citation extraction Onderstaande zijn nog niet gehanteerd en bieden perspectief op aanscherping en verbetering: Meer nauwkeurige citation-aantallen aan de hand van de linkextractor. Content-based filtering Collaborative filtering Feedback-based machine learning Lekentaal taxonomie NFLT event taxonomie

13 IBM Watson: perspectief
 IBM Watson Explorer Advanced Edition IBM Watson Explorer Advanced Edition Verwachtingen t.a.v. volgende releases: Machine Learning capabilities naar on-premise met oa. Content Classification & Decision Support Nieuwe architectuur (oa Apache Spark & Hadoop Open + Containerization) Nieuw UX framework, adaptieve UI + Nederlandstalige ondersteuning IBM Content Classification Classificatie m.b.v. Machine Learning wordt naar verwachting op termijn in IBM Watson Explorer ondergebracht) IBM Watson Knowledge Studio Onderscheidend omdat hiermee kennis sneller kan worden geschaald. De modellen die direct door inhoudsdeskundigen worden ‘getraind’ kunnen op WEX worden gedeployed en gemonitord. De closed loop learning die we op deze wijze realiseren is centraal in onze oplossing en de weg voorwaarts. Explorer Content Analytics Application Builder Application Builder IBM Content Classification  +  Watson Knowledge Studio ‘Relevance’

14 Voorbeeldcasus: start

15 Voorbeeldcasus: breder bereik

16 Voorbeeldcasus: dynamische dialoog