
The Atticus Project, un’organizzazione no-profit che vuole usare l’intelligenza artificiale per ottimizzare la revisione dei contratti, ha pubblicato “Contract Understanding Atticus Dataset” (CUAD): un corpus contenente più di 13.000 annotazioni da 510 contratti commerciali.
Come sapete i dati correttamente etichettati/annotati sono necessari per realizzare molti sistemi di machine learning. Le annotazioni del CUAD sono state realizzate sotto la supervisione di avvocati esperti al fine di identificare 41 tipi di clausole legali considerate importanti nella revisione dei contatti commerciali.
Scopo del progetto è sia ridurre i costi della revisione dei contratti (la tesi del gruppo è che moltissimi contratti non beneficiano di una revisione accurata in parte a causa dei costi) sia studiare con quale efficacia i modelli NLP generalizzino verso domini specializzati, come quello giuridico.
I risultati di una ricerca sulle prestazioni dei modelli NLP addestrati sul CUAD dimostrano che – come ci si poteva aspettare – i dati sono il principale collo di bottiglia, visto che diminuire la quantità di dati di un ordine di grandezza riduce drasticamente le prestazioni dei modelli di linguaggio presi in esame.
Per approfondire: CUAD Performance Results & Github Code are now available
Il codice è disponibile su Github.