I en verden, hvor globalisering og digitalisering binder alle sammen, er det ikke længere muligt at ignorere de komplekse systemer, der udfordrer både menneskelig forståelse og teknologisk kapacitet. Kunstig intelligens (AI) står som et af de mest markante værktøjer til at forstå og håndtere disse systemer. De komplekse dynamikker, som findes i næsten alle aspekter af vores moderne liv – fra økonomi til klima – kræver en forståelse af de underliggende matematiske principper, som kan hjælpe os med at forstå, hvordan små ændringer kan føre til store og ofte uforudsigelige effekter.

Et af de mest kendte koncepter i denne sammenhæng er "butterfly-effekten". Denne effekt blev populær gennem arbejdet af den amerikanske meteorolog Edward N. Lorenz, der i 1972 stillede spørgsmålet, om et butterfly-flap i Brasilien kunne udløse en tornado i Texas. Selvom dette virker som en overdrivelse, viser det, hvordan selv de mindste ændringer i begyndelsesbetingelserne i et ikke-lineært system kan føre til helt uforudsigelige resultater. Denne type systemer kaldes deterministisk kaotiske systemer, da de følger faste regler, men på grund af deres følsomhed over for initialbetingelserne, bliver deres langsigtede adfærd umulig at forudse.

Lorenz's arbejde blev oprindeligt udløst af hans arbejde med meteorologiske beregninger, hvor han brugte et forenklet konvektionsmodel til at simulere adfærd i atmosfæren. Hans model, som senere blev kendt som Lorenz-attractoren, viste, hvordan små ændringer i inputdataene kunne føre til radikalt forskellige resultater. Denne opdagelse var ikke bevidst, men opstod som et resultat af en ubetydelig ændring i beregningsmetoden, hvor Lorenz kun anvendte tre decimaler i stedet for seks. Dette førte til en markant afvigelse i resultaterne, selvom de oprindelige data kun var forskellig med et lille beløb.

I teorien om kaos handler det ikke om tilfældigheder, som mange fejlagtigt antager. I stedet beskæftiger det sig med systemer, der følger deterministiske love, men hvor små variationer kan føre til fundamentalt forskellige resultater. Den største udfordring med kaotiske systemer er, at de ikke kan forudsiges på lang sigt, selvom de følger bestemte matematiske regler. Dette adskiller sig fra stochastiske systemer, hvor udfaldet er baseret på sandsynlighed snarere end determinisme. Et system, der er kaotisk, kan derfor i praksis ikke gentages eller præcist forudses, hvilket gør sådanne systemer svært håndterbare, især når de er en del af et større, globalt netværk.

For at forstå kompleksiteten af sådanne systemer er det vigtigt at gribe fat i begrebet kompleksitetsberegning. Hvis man ser på en simpel situation, som at lede efter en bestemt bog på en hylde, kan man gennemgå bøgerne én ad gangen. Hvis der er n bøger på hylden, kan det tage mellem 1 og n trin at finde den ønskede bog. Dette beskrives med en lineær søgning, og kompleksiteten af denne proces er O(n), hvor n er antallet af bøger. Hvis der er flere hylder, og hver hylde indeholder n bøger, stiger kompleksiteten hurtigt til O(n^2). Hvis biblioteket indeholder mange sådanne hylder, kan kompleksiteten nå O(n^3). På den måde beskriver man, hvor lang tid det tager at løse et problem i forhold til dets størrelse, og hvordan tiden forøges, når systemets størrelse vokser.

Polynomiel tid er en vigtig grænse for, hvilke problemer der kan løses effektivt. Når et problem kan løses i polynomiel tid, betyder det, at løsningen er praktisk gennemførbar. For eksempel blev det først muligt at bestemme, om et naturligt tal er et primtal i polynomiel tid i 2002, da Agrawal, Kayal og Saxena introducerede deres AKS primtalsalgoritme. Før det kunne det tage meget længere tid, afhængig af tallets størrelse. Dette viser, hvordan udviklingen af beregningskapacitet og algoritmer kan ændre, hvad vi anser som praktisk muligt.

Et område, hvor kompleksiteten er en stor udfordring, er udviklingen af kunstig intelligens. Når AI-systemer skal trænes på store mængder data, møder de hurtigt problemer, der relaterer sig til både polynomiel og eksponentiel kompleksitet. For eksempel, når man træner dybe neurale netværk, vokser antallet af nødvendige beregninger hurtigt, efterhånden som netværkene bliver større og mere komplekse. Denne eksponentielle vækst betyder, at selv avancerede computeres regnekraft hurtigt kan blive utilstrækkelig, når systemer bliver for store.

I sådanne tilfælde er det ikke kun størrelsen af dataene, der skaber problemer. Algoritmerne, der anvendes til at håndtere og analysere disse data, skal være i stand til at operere effektivt i store netværk, som hurtigt kan blive kaotiske. Netværk, der er stærkt sammenkoblede, kan hurtigt føre til utilsigtede konsekvenser, hvis der sker en lille ændring i systemet. På grund af dette skal kunstig intelligens være i stand til at operere i et system med høj kompleksitet og skal kunne håndtere både polynomiel og eksponentiel vækst i data og beregninger.

Det er derfor nødvendigt for udviklere og forskere indenfor AI at overveje både de teoretiske og praktiske aspekter af kompleksitet, når de arbejder med systemer, der skal håndtere massive mængder data og finde løsninger på problemer, der ikke umiddelbart er opløselige på en polynomiel måde. For at håndtere sådanne udfordringer er det vigtigt at forstå, at kompleksitet ikke kun handler om algoritmernes effektivitet, men også om at forstå, hvordan systemets dynamik kan føre til uforudsigelige og kaotiske resultater, som kan være svært at forudse på lang sigt.

Hvordan AI Ændrer Fremtiden for Juridiske Tjenester og Advokatfirmaer

Ikke alle regulatoriske spørgsmål vedrørende brugen af dyb læring i retssystemet er blevet afklaret. Kun i april i år offentliggjorde EU-Kommissionen et udkast til en regulering, der fastsætter harmoniserede regler for kunstig intelligens. Den tyske Foreningsbarforening betragter dette som et første vigtigt skridt, men udtrykker også behovet for yderligere præciseringer. I mellemtiden fortsætter striden på det juridiske marked mellem juridiske teknologivirksomheder og advokatforeninger, især omkring, at rådgivningstjenester kun må leveres af advokater for at beskytte mod ukvalificeret juridisk rådgivning. At dette ikke altid er klart, vises i den seneste afgørelse fra den Føderale Højesteret om online kontrakter tilbud fra Smartlaw. BGH afgjorde til fordel for den online kontraktudbyder, mens den klagende advokatforening stadig ser en risiko for fejlinformation til forbrugerne. Mens afgørelsen måske er en lille sejr for udbydere af automatiserede kontrakttilbud, understregede BGH, at dette ikke kan erstatte rådgivning fra en advokat.

Selv hvis nogle juridiske tech-virksomheder konsolideres eller forsvinder delvist i fremtiden, bringer det bevægelse på markedet. På lang sigt vil AI og algoritmer bestemt kunne konkurrere med advokatfirmaer i visse juridiske sager. Dog vil de ikke erstatte dem. Det handler om at forme udviklingen af AI i den juridiske profession – teknisk, etisk, reguleringsmæssigt og kulturelt. Især under coronakrisen blev mange processer i den juridiske sektor digitaliseret, noget der ellers ville have taget langt længere tid. Denne effekt skal udnyttes yderligere, for i sidste ende vil det komme ned til en kombination af mennesker og maskiner, der supplerer hinanden. For at opnå dette mål er eksperter og specialister i området nødvendige for at støtte advokatfirmaer på denne vej. Derfor vil veluddannet personale og know-how forblive drivkræfterne bag innovation i fremtiden – kun måden, hvorpå dette anvendes, vil ændre sig.

LawBot, den chat-bot til juridiske spørgsmål lanceret af en gruppe jurastuderende fra Cambridge Universitet, udvider sine funktioner ved at lancere i syv lande og tilføje en funktion til at forudsige udfaldet af sager, som kan bruges til at estimere sandsynligheden for at vinde en sag, der er analyseret af botten. Bister, LawBot-X fokuserede på engelsk strafferet, men den nye version understøtter nu USA, Canada, Hong Kong, Singapore, Australien og New Zealand samt en kinesisk sprogindstilling. Den kan også analysere information, der gives af brugerne, før den anvender datavidenskabsteknikker til at beregne sandsynligheden for, at en sag vinder. Ifølge CEO Ludwig Bull forudser systemet i øjeblikket sagsudfald med 71% nøjagtighed. "Vi er stolte af at gøre denne tjeneste tilgængelig for offentligheden. LawBot-X er vigtig både for grundlæggende forskning i anvendelsen af AI til juridiske tjenester og for at fremme retsstaten." Dette betyder, at når AI lærer brugerens situation at kende, vil det kunne vælge faktiske advokater i det rigtige land eller jurisdiktion, som kan hjælpe. LawBots marketingchef, Rebecca Agliolo, udtalte, "Efter succes med LawBots første pilot er vi glade for at bringe en platform på markedet til at analysere kvaliteten af brugernes krav. Vi er gået fra beslutningstræer til datadrevet intelligens."

I USA er der også et omfattende arbejde for at integrere AI i den juridiske sektor. Tidligere på året sagde Ginni Rometty, formand, præsident og CEO for IBM, til CNBC’s @Work Talent + HR-konference: "Jeg forventer, at AI ændrer 100 procent af arbejdspladserne inden for de næste fem til ti år. Det vil kræve massiv færdighedsudvikling, og virksomhederne bliver nødt til at gøre det på en inkluderende måde - også for personer, der måske ikke har en fireårig universitetsuddannelse. Den sidste gang, vi så et så stort paradigmeskift, var da internettet blev introduceret. Det er ikke et spørgsmål om, om det vil ske, men snarere hvornår og hvordan." Mange er imod forandringer. Advokater, især, er notoriske for at være modstandsdygtige over for forandring. I de to årtier, jeg har arbejdet med advokater fra hele USA, har jeg fundet ud af, at blandt alle professionelle serviceudbydere er advokater nogle af de mest modstandsdygtige over for forandringer. Jeg finder det fascinerende, at en gruppe trænede logikere ikke altid genkender forskellen mellem valgfrie og obligatoriske ændringer. Uanset om de kan lide det eller ej, er advokatfirmaer virksomheder, og de mest succesfulde advokatfirmaer tager hensyn til forretningsgrundlag som return on investment (ROI), marketing og så videre. At genkende og tilpasse sig forandring har altid været - og vil fortsat være - kendetegnet ved succesfulde virksomheder. Tag e-discovery som eksempel. Der var en tid, hvor brugen af e-discovery-værktøjer var sjælden i organisationer. Det var simpelthen utænkeligt, at et firma med et enormt lager af medarbejdere, der gennemgik dokumenter, kunne blive overhalet af et firma, der brugte e-discovery-teknologi. I dag er det præcist det modsatte sandt: et firma, der gennemgik store mængder dokumenter uden at bruge teknologi, ville være et underdog. E-discovery-mønstret har ændret sig relativt hurtigt. I juni 2007 udgav Apple sin første iPhone. Indtil da var Apple primært kendt for computere og iPods. Steve Jobs anerkendte dog tidligt værdien af at kombinere computerteknologi med smartphones. I regnskabsåret 2007 genererede Apple $24,6 milliarder i indtægter, hvor iPhone kun tegnede sig for en lille andel. I modsætning hertil genererede Apple alene næsten $63 milliarder i indtægter i fjerde kvartal af 2019. I dag, kun 12 år efter lanceringen, står iPhone for næsten 70 procent af Apples indtægter (estimeret til mere end $400 milliarder). Evnen til at genkende og proaktivt reagere på den kommende forandring har gjort Apple til et magtfuldt firma. Apple kunne have begravet hovedet i sandet og fortsat fokuseret på iPods og Macs. Hvis de havde gjort det, ville Apple måske ikke engang være i stand til at eksistere i dag. iPhone var først en iPod i en telefon. Nu giver den brugerne adgang til Siri, en nær anvendelse af AI. Fra tjenester som tidsregistrering til kontraktgennemgang til analyse af juridiske brief og forskning, opstår der hele tiden nye teknologivirksomheder for at imødekomme advokaternes behov. Nogle af disse tech-virksomheder går hurtigt under, og det er på trods af at deres idéer ofte er meget lovende. Dertil kommer den omfattende frygt for forandring blandt advokater. Resultatet er, at de fremskridt, den juridiske sektor kunne gøre for at øge sin samlede effektivitet, næsten ikke eksisterer. LawGeex er en automatiseret kontraktgennemgangsplatform, der bruger AI til at besvare det simple spørgsmål "Kan jeg underskrive denne?". Ideen er enkel: en kontrakt sendes til et firma og uploades til LawGeex' AI, som derefter gennemgår kontrakten. Hvis problemer findes, videresendes kontrakten til et juridisk team, der fremhæver den tvivlsomme formulering. Den tid, der spares, er enorm. Endnu vigtigere er nøjagtigheden uovertruffen. I en undersøgelse af fortrolighedsaftaler (NDA’er) blev fem kontrakter analyseret af 20 erfarne advokater.

Hvordan diskursive magtstrukturer former vores politiske bevidsthed: En genealogisk analyse af nutidens politiske diskurser
Hvordan Optimering af MPPT Teknologi Kan Forbedre Effektiviteten af Solenergisystemer
Hvordan Megalitter og Jernværk i Indien Afløste den Tidlige Bronzealder
Hvad sker der med atmosfæren, og hvordan påvirker det os?