Przegląd i adnotacja dokumentów prawnych dla platformy Legal Tech
Firma z branży technologii prawnych budująca AI do przeglądu umów potrzebowała ustrukturyzowanej adnotacji dokumentów prawnych, aby wytrenować model do prawidłowego rozpoznawania klauzul, zobowiązań i wskaźników ryzyka w różnych typach umów.
Client snapshot
| Industry | Technologie prawnicze |
|---|---|
| Region | Ameryka Północna i Wielka Brytania |
| Engagement type | Adnotacja klauzul w dokumentach prawnych i oznaczanie wskaźników ryzyka |
The challenge
Klient potrzebował adnotatorów zdolnych do prawidłowego rozpoznawania typów klauzul prawnych i języka ryzyka w szerokiej gamie formatów umów, co wymagało większej znajomości dziedziny niż ogólne etykietowanie tekstu oraz większego wolumenu, niż mógł obsłużyć jego wewnętrzny zespół prawny.
The approach
Jwuma przydzieliła adnotatorów przeszkolonych na podstawie taksonomii klauzul klienta i przykładów rozwiązań, zastosowała wielopoziomową weryfikację ze względu na złożoność dziedziny, a niejednoznaczne klasyfikacje klauzul eskalowała do poziomu QA, zamiast pozostawiać je osądowi jednego adnotatora.
Results
Klient otrzymał spójnie opisane dane umów zgodnie z docelową taksonomią klauzul, co wsparło zdolność jego modelu do uogólniania na różne formaty umów wykraczające poza pierwotny zbiór treningowy.
Frequently asked questions
Czy adnotacja dokumentów prawnych wymaga wykształcenia prawniczego?
Adnotatorzy są szkoleni konkretnie na podstawie taksonomii klauzul klienta i przykładów rozwiązań, bez wymogu dyplomu prawniczego, a niejednoznaczne przypadki są eskalowane do poziomu weryfikacji.
Dlaczego różnorodność formatów umów jest wyzwaniem dla danych treningowych AI w prawie?
Ponieważ umowy znacznie różnią się strukturą i językiem w zależności od branży i jurysdykcji, a model wytrenowany na wąskim zestawie formatów słabo uogólnia się na pozostałe.
Jak weryfikuje się dokładność adnotacji danych dokumentów prawnych?
Poprzez wielopoziomową eskalację weryfikacji dla niejednoznacznych klasyfikacji klauzul, co zapewnia, że interpretacja żadnego pojedynczego adnotatora nie jest ostateczna w sprawach spornych.
Related case studies
Dane do weryfikacji twarzy i tożsamości dla globalnej platformy mobilności
Globalna platforma mobilności i przewozu osób potrzebowała zweryfikowanych danych twarzy i tożsamości z wielu regionów, aby wzmocnić system weryfikacji bezpieczeństwa kierowców i pasażerów, przy ścisłych wymogach dotyczących zgody i postępowania z danymi biometrycznymi.
Zbieranie egocentrycznych danych wideo dla programu AI w robotyce
Firma zajmująca się AI w robotyce potrzebowała wideo z perspektywy pierwszej osoby przedstawiającego ludzi wykonujących codzienne zadania fizyczne, rejestrowanego spójnie w zróżnicowanych środowiskach i dla różnych typów sylwetki, aby wytrenować model ucieleśnionej AI tak, by uogólniał się poza jedno środowisko laboratoryjne.
Ocena RLHF dla modelu konwersacyjnej AI
Firma zajmująca się konwersacyjną AI potrzebowała ustrukturyzowanego, skalowalnego procesu oceny przez ludzi, aby oceniać jakość odpowiedzi chatbota w procesie dostrajania RLHF, po tym jak jej dotychczasowa doraźna pula oceniających dawała niespójne wyniki.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.