Warum Machine Learning, Frau Hinterleitner?
Im Interview mit Isabella Hinterleitner gehen wir Machine Learning auf den Grund und bewegen uns erneut an der Schnittstelle Recht und Technik. Wo kann man Machine Learning konkret einsetzen und wie sollte man an die Implementierung herangehen ? Diese Fragen und viele mehr beschäftigen uns heute.
Sophie Martinetz: Frau Hinterleitner, stellen Sie bitte sich und ihre Arbeit vor!
Isabella Hinterleitner: Als Frau in der Technik habe ich einen untypischen Weg gewählt, da ich zuerst an der TU Wien Medizinische Informatik studiert habe und dann in der Elektrotechnik promoviert habe. Zusätzlich habe ich dann noch das interdisziplinäre Studium „Cognitive Science“ absolviert.
Den größten Teil meiner Berufserfahrung im autonomen Fahren sammelte ich in Deutschland bei Robert Bosch in Hildesheim. Neben meiner Tätigkeit dort hatte ich eine Lehrtätigkeit an der Georg August Universität in Göttingen. Nach meiner Rückkehr nach Österreich startete ich in Kärnten bei Silicon Austria Labs um dort ein Lab im Bereich ML zu etablieren. Im November 2019 habe ich die Plattform und Firma TechMeetsLegal gegründet die das Ziel hat, Techniker und Wissenschaftler in komplexen Fragen des Rechts durch juristische Expertise zu unterstützen.
SM: Es gibt drei verschiedene Arten von Machine Learning: Supervised Learning, Unsupervised Learning, Reinforcement Learning. Welche dieser Methodiken würde sich für die Anwalterei am Besten anbieten oder kann man das so generalisiert gar nicht sagen und wo sehen Sie konkrete Einsatzmöglichkeiten im Alltag von Juristinnen und Juristen?
IH: Ja, grundsätzlich gibt es drei weit verbreitete Arten des Machine Learning (ML), die sich etabliert haben (supervised Learning, unsupervised und semi-supervised Learning). Alle drei Arten haben gemeinsam, dass ein Verfahren (am Computer) aufgrund von aufbereiteten Daten lernt z.B. Objekte zu erkennen. Für die Juristerei eignen sich die Verfahren des semi-supervised Learning am besten. Dort werden Datensätze durch Experten wie Juristen korrekt benannt und mit nicht korrekt zugeordneten Daten zusammengebracht. Dadurch lernt das Verfahren aus den zugeordneten Daten Zusammenhänge zu erkennen. Neben einer Lernphase gibt es beim ML eine Verifizierungsphase in der beurteilt wird, ob die Daten erkannt wurden. Eingesetzt wird das obige Verfahren in der Juristerei in der Textanalyse von Verträgen, wobei hier ein Jurist zuerst eine geringe Anzahl an Vertragsbestandteilen korrekt anlernt. War das ML Verfahren erfolgreich, dann werden in einem neuen Vertrag die Vertragsbestandteile korrekt erkannt.
SM: Oftmals wird von Machine Learning im Zusammenhang mit Due-Dilligence oder anderen zeitaufwendigen und arbeitsintensiven Aktivitäten gesprochen. Wo sehen Sie die Vorteile von Machine Learning und was könnten die Technologie für Berufseinsteigende bedeuten, welche oft mit jenen zeitintensiven Aufgaben betraut werden?
IH: Wie bereits im Vorfeld erwähnt benötigt ML eine Menge von Daten, die qualitativ hochwertig sein müssen. In der erwähnten Textanalyse ist es nicht ausreichend die Verträge einfach einzulesen. Der menschliche Experte und damit der Jurist, muss das Verfahren so parametrisieren, dass es dazu in der Lage ist jene Bestandteile eines Vertrages zu erkennen, die man in zukünftigen Verträgen erkennen will. Das Einlernen von konkreten Merkmalen dauert in Abhängigkeit des Verfahrens unterschiedlich lange. In der Regel muss man jedoch mit einigen hundert Lerndurchgängen rechnen, in denen das Verfahren die Datensätze lernt. Je komplexer die Texte und Zusammenhänge sind, desto länger kann eine Lernphase andauern.
Der Einsatz von ML für heutige Berufseinsteiger in der Juristerei bedeutet eine Zeitersparnis durch den Einsatz von Bild und Texterkennungssystemen. Zusätzlich kann mittels ML die Suche in einem System deutlich schneller werden indem man Gewichtungen einführt und jene Elemente die hoch gewichtet sind schneller gefunden werden. Die Einführung eines solchen Systems sollte jedoch gut geplant und fachmännisch umgesetzt werden.
SM: Bei der Inkorporation von Machine Learning: ist es sinnvoller externe Hilfe in Anspruch zu nehmen oder vielleicht intern eine fachkundige Arbeitsgruppe aufzustellen die sich mit dem Thema auseinandersetzt?
IH: Bei der Einführung von ML im juristischen Umfeld unterscheidet man zwischen Anwendungssoftware und der Einführung von Systemen auf Basis von ML zum Beispiel durch Dateimanagementsysteme, die eine effizientere Suche ermöglichen. Geht es um eine Anwendungssoftware, die beispielsweise auf Basis von ML Methoden Texte erkennt, dann ist es sinnvoll sich als Kanzlei/Jurist konkret einschulen zu lassen um die Software richtig einsetzen zu können. Ein qualifizierter Anbieter passt die Software in der Regel an ihre Anforderungen an.
Bei der Einführung von ML in Managementsystemen empfiehlt es sich strukturiert vorzugehen und zuerst die Anforderungen an das System festzustellen. Der erste Schritt kann durch eine juristisch-fachkundige Gruppe abgedeckt werden, die mit Technikern zusammen die Anforderungen besprechen sollte. Im zweiten Schritt wird das System durch den Techniker modelliert. Auch hier ist eine enge Abstimmung zwischen Techniker & Jurist empfehlenswert. Das System sollte schließlich auch ausreichend getestet werden ehe es in den Echtzeitbetrieb übergeht.
SM: Schlägt sich die Nutzung von Machine Learning auch auf die Beziehung zu Klienten durch?
IH: Die Verwendung von ML Methoden kann sich in mehrerlei Hinsicht auswirken. Einerseits direkt – hier geht man davon aus, dass durch die Verwendung von ML Verfahren die Effizienz im alltäglichen Arbeitsbetrieb gesteigert wird und Sie schneller Dokumente finden und ihre juristisch qualifizierte Arbeit fokussiert gestalten.
Anderseits ist davon auszugehen, dass durch ML Methoden wie nachvollziehbare Empfehlungssysteme Information über Rechtsgebiete fachgerecht dargestellt wird. Damit unterstützen Sie ML Verfahren indirekt in einer umfangreichen Recherche indem rechtliche Expertise gut aufbereitet und strukturiert wird.
