quinn emanuel trial lawyers tokyo

• 防御的文書開示（ディスカバリー）におけるAIの進化する展望
   (26/04/24)

  
  

長年、テクノロジー支援レビュー（Technology-Assisted Review、以下「TAR」）は、AI支援型ディスカバリーにおける最先端技術であった。しかし、それはもはや過去のことである。生成AIツールは、それまでの単なる目新しいものから、ディスカバリーにおける防御的な文書レビューおよび提出（プロダクション）における日常的なものへと移行した。

複雑な訴訟を管理する企業の法務部門にとって、これらのツール、その限界、そしてそれらが引き起こす開示義務や専門家としての責任（倫理）義務を理解することは、もはや必須と言って良い。

テクノロジー支援レビュー（TAR）
防御的な文書開示を促進するためにAIが主流として初めて使用されたのはTARであった。これは「コンピューター支援レビュー」や「予測コーディング」と呼ばれることもある。TARレビューの裏側で動いているテクノロジーは機械学習の一種であり、例示文書（「関連あり」と「関連なし」の両方）を提供し、アルゴリズムを使用して類似の文書を特定し、それらの文書が関連性を持つ可能性を予測するものである。 TARの第一世代は、「単純受動学習」または「単純能動学習」を伴う。そこでは、人間のレビュアーがサンプルセット（「シード」セット）の文書に対して関連性の有無をコーディングし、ソフトウェアがそのデータを使用して残りの文書をコーディングする。単純受動学習アプローチを使用する利点は、一度シードセットのレビューが終われば、モデルが残りの未レビューの文書群（コーパス）について予測を行えるという点にある。
TARの第二世代は、継続的能動学習（TAR 2.0）を伴う。この世代では、モデルを訓練するために少量のシードセットから開始する。この初期訓練の後、ソフトウェアは関連性がある可能性が最も高いと判断した追加文書をワークフローの最上位に提示し、人間にレビューさせる。人間のレビュアーがそれらの文書を関連性の有無で評価・コーディングするにつれて、モデルはリアルタイムで継続的に洗練されていく。継続的能動学習アプローチの利点は、モデルの訓練と精緻化を継続できる点にあるが、より多くの人間によるレビューが必要となる。

いずれの世代であれ、TARは現在、防御的文書開示を実施するための、裁判所に承認された周知の手法となっている。「Rio Tinto PLC 対 Vale S.A.事件（306 F.R.D. 125, 127 (S.D.N.Y. 2015)）」を参照されたい（「提出側当事者が文書レビューにTARを利用することを希望する場合、裁判所はそれを許可することが、現在では確立された法原則（black letter law）となっている」）。但し、TARはレビュー対象の文書群と比較するための「例（サンプル）」を必要とするため、ユニークな文書や複雑な文書の分類には苦慮する場合があるので、この点には注意が必要である。

→本文は英語で提供しています。
The Evolving Landscape of AI in Defensive Document Discovery

クイン・エマニュエル・アークハート・サリバン
外国法共同事業法律事務所
東京オフィス代表　ライアン･ゴールドスティン