У кількох нещодавніх справах ми розгорнули штучний інтелект, щоб допомогти з аналізом важливих колекцій вмісту, пов’язаних із спірними заявами.

Виявлення об’єктів зображень із відкритим словником

У колективному позові споживачів із звинуваченнями у відповідальності за товар ми доповнили аналіз пошуку за ключовими словами аналізом 100 000 зображень із соціальних мереж і традиційних ЗМІ. Використовуючи LLM-аналіз контенту зображення в масштабі, ми полегшили ідентифікацію різних суб’єктів, пов’язаних із звинуваченням. Спеціально розроблена модель, створена Data Science Center фірми, була меншою, швидшою та простішою у створенні, ніж більша універсальна LLM.

Класифікація текстів на основі LLM і тематичне моделювання оглядів продуктів на основі експертів

Щоб підтвердити свідчення експерта, ми застосували підхід тематичного моделювання на основі LLM до оглядів продуктів. Цей підхід мав академічну підтримку та, на відміну від традиційних підходів, не вимагав уточнення початкових термінів, попередньо встановлених номерів тем або суб’єктивної людської інтерпретації. Цей аналіз продемонстрував неоднорідність споживчих уподобань і відсутність акценту на спірній властивості продукту.

Ми застосували ту саму модель LLM, щоб виявити посилання на проблемні характеристики продукту та розрізнити їх за допомогою простих посилань на назву продукту. Щоб перевірити класифікацію тексту, ми перепрофілювали суворі стандарти надійності між оцінювачами, які містяться в традиційній літературі з аналізу контенту, кодованої людиною.

LLM аналіз настроїв дописів у соціальних мережах

Під час нещодавнього розгляду справи про шахрайство споживачів ми доручили програмі магістра права загального призначення виконати аспектний аналіз настроїв сотень тисяч публікацій у соціальних мережах. Коли протилежний експерт оскаржив наші результати, використовуючи переглянуті підказки, ми продемонстрували, що наша стратегія підказок дотримується кращих практик, породжує набагато менше галюцинацій і, що найважливіше, дає значно точніші результати.