Belge İncelemesi Yapay Zeka: E-Keşiften Gizlilik Kontrollerine

Belge incelemesi e-keşif sürecinin en pahalı aşamasıdır, tarihsel olarak toplam dava harcamalarının yaklaşık dörtte üçüne mal olmuştur ve hukuki yapay zeka (legal AI) araçlarının en büyük kazanımları sağladığı yer tam olarak burasıdır. Bir belge incelemesi yapay zeka sistemi kullanıldığında, makine öğrenimi modelleri bir belge seti genelinde materyalleri sınıflandırır, önceliklendirir ve gizli olanları işaretler; ancak her zaman son sözü avukatlar söyler.

Bu iş akışı veri alımından sınıflandırmaya ve savunulabilir bir gizlilik günlüğü oluşturmaya kadar uzanır; süreç belgelendiği ve döngüde bir insan kaldığı sürece, mahkemeler yapay zeka destekli incelemeyi on yılı aşkın süredir kabul etmektedir. Bunların hiçbiri yasal muhakemenin yerini almaz; sadece bir yapay zeka avukat gibi çalışmayıp, avukatın ilk başta bakması gerekenleri daraltan bir sistemdir.

E-Keşifte Yapay Zeka Belge İncelemesi Ne Anlama Gelir

Belge incelemesi daha büyük bir e-keşif iş akışının içinde yer alır: elektronik olarak depolanmış bilgi (ESI) toplanıp işlendikten sonra, birinin neyin yanıt verici, neyin alakasız ve neyin gizli olduğuna karar vermesi gerekir. Yaygın olarak alıntılanan 2012 tarihli bir maliyet dökümüne göre, e-keşif harcamalarının toplamında belge incelemesi yapay zeka kullanılmadığı dönemlerde inceleme kabaca %73’lük bir paya sahipken, toplama %8 ve işleme %19’da kalıyordu; günümüzde ortalama bir davada e-postalara ve PDF’lere sohbet platformları, Slack akışları ve IoT günlükleri de katıldıkça veri hacimleri çok daha fazla büyüdü.

Anahtar kelime aramasından TAR’a ve üretken yapay zekaya

Anahtar kelime araması tam eşleşmeleri döndürür; ancak iğnelemeleri, kod adlarını ve dolaylı ifadeleri gözden kaçırır; bir belge arama terimini hiç kullanmadan da son derece ilgili olabilir. Öngörülü kodlama olarak da adlandırılan Teknoloji Destekli İnceleme (TAR), belgeleri olası ilgilerine göre sıralar ve sabit terimlere güvenmek yerine inceleyicinin kodlama kararlarından öğrenir; ABD mahkemeleri bunu Da Silva Moore v. Publicis Groupe (S.D.N.Y. 2012) davasından (ABD’de) beri kabul etmektedir. TAR hala büyük ölçüde yapılandırılmış metinler (e-posta, Word dosyaları, PDF’ler) için tasarlanmıştır.

Üretken yapay zeka ilk geçiş incelemesini daha da ileriye taşır: benzer belgeleri gruplandırır, gizlilik ve sır saklama riskini otomatik etiketler, uzun kayıtları özetler; anahtar kelime aramasının ve klasik TAR’ın zayıf kaldığı ses deşifreleri, sohbet dışa aktarımları, taranmış görüntüler ve yabancı dildeki içeriklerde dahi iyi sonuç verir.

Yapay Zeka İnceleme İş Akışı Adım Adım Nasıl İşler

Tipik bir belge incelemesi yapay zeka destekli olduğunda, davanın kapsamına göre sıra değişebilse de platformdan bağımsız olarak genellikle aynı yedi aşamadan geçer:

1. İçeri alma. Veriler bağlayıcılar (Microsoft 365, Google Vault, Slack dışa aktarımları) aracılığıyla inceleme platformuna gelir.
2. Tekilleştirme ve OCR. Neredeyse aynı olan kopyalar birleştirilir ve taranan görüntüler aranabilir metne dönüştürülür.
3. Seti kapsamlandırma. Belgeler tarih aralığına, saklayıcıya ve dosya türüne göre filtrelenir; yapay zeka, ham ve kapsamlandırılmamış bir yığın yerine odaklanmış bir set üzerinde daha iyi performans gösterir.
4. Sınıflandırma. Model, belgeleri olası ilgilerine göre sıralar, benzer kayıtları gruplandırır ve inceleyicinin onayladığı veya geçersiz kıldığı etiketler önerir.
5. Gizlilik ve PII işaretleme. Potansiyel olarak gizli materyaller ve kişisel olarak tanımlanabilir bilgiler (PII) üretime geçmeden önce işaretlenir.
6. Kalite kontrol çalıştırma. Örnekleme tabanlı bir QC geçişi (mahkemelerin yıllardır TAR için uyguladığı aynı döngüde insan standardı) modelin etiketleme doğruluğunu kontrol eder.
7. Üretim. Karartma, Bates numaralandırması, bir gizlilik günlüğü, meta veri raporları ve her işlemin denetim izi seti tamamlar.

İçeri alma, kapsamlandırma ve yapay zekanın sınıflandırmasına izin verme

Birinci ve üçüncü adımlar temeli atar: veriler platform bağlayıcıları aracılığıyla ulaştığında, tekilleştirme ve OCR her şeyi aranabilir hale getirir; kapsamlandırma evreni dava için gerçekten önemli olan şeylere daraltır. Doğruluk tam da burada kazanılır veya kaybedilir; filtrelenmemiş bütün bir saklayıcı arşivini sınıflandırması istenen bir model, tarih ve dosya türüne göre filtrelenmiş kapsamlı bir set üzerinde çalışan aynı modelden daha kötü performans gösterir. Kapsam belirlendikten sonra, bir yapay zeka hukuk danışmanı sistemine benzer şekilde çalışan yapay zeka, olası ilgiyi sıralar, küme düzeyinde etiketler önerir; inceleyici de sıfırdan etiketlemek yerine bunları onaylar veya düzeltir.

Gizlilik ve PII işaretleme, QC çalıştırma, üretim

Dördüncü ve yedinci adımlar sınıflandırılmış belgeleri savunulabilir bir üretime dönüştürür. Otomatik işaretler herhangi bir dışa aktarımdan önce potansiyel olarak gizli içeriği ve PII’yi yakalar; üretken yapay zeka, kaynak belgelere atıflar yaparak derlem genelinde doğal dil sorularını yanıtlayabilir. Kalite kontrol (QC) örnekleme geçişi, döngüde insan incelemesinin karşılığını verdiği yerdir: inceleyiciler her belge yerine istatistiksel olarak anlamlı bir dilimi kontrol eder, bu mahkemelerin 2012’den beri TAR için kabul ettiği savunulabilirlik mantığının aynısıdır. Nihai üretim paketi karartma, Bates numaralandırması, gizlilik günlüğü ve bir denetim izini bir araya getirir. Uygulamada, ekipler genellikle alakasız materyali ayıklamak için önce yanıt verilebilirlik incelemesi yapar, ardından geriye kalan daha küçük set üzerinde hukuki araştırma yapay zeka süreçlerinden de faydalanarak gizlilik incelemesine geçerler; eğer arama terimleri ve saklayıcılar üretim kapsamını daha baştan daraltmışsa, gizlilik incelemesi hemen başlayabilir.

Avukat-Müvekkil Gizliliği Kontrolleri Yapay Zeka ile Nasıl Çalışır

Gizlilik incelemesinin tek bir görevi vardır: avukat-müvekkil gizliliği yapay zeka ile incelenirken veya çalışma ürünü doktrini tarafından korunan belgeleri, ilgili materyalleri gereğinden fazla saklamadan diğer her şeyden ayırmak. İşin çoğunu dört teknik yapar ve bunlar bağımsız çalışmak yerine birleşirler:

• Makine öğrenimi
• Doğal dil işleme (NLP)
• Bağlamsal analiz
• Öngörülü kodlama

Aşağıdaki tablo, her birinin inceleme sırasında gerçekte ne yaptığını göstermektedir.

Avukatları bulma: varlık çıkarma ve kimlik çözümleme

Herhangi bir gizlilik incelemesindeki ilk görev, veri setindeki her yasal aktörü belirlemektir; bu sadece isme göre değil, o kişiye bağlı her takma ad, kişisel e-posta adresi ve lakaba göre yapılmalıdır. Varlık çıkarma bu kimlikleri çözer ve aynı zamanda unvana göre de arama yaparak sadece isme dayalı bir aramanın gözden kaçıracağı “başhukuk müşaviri” veya “özel danışman” referanslarını da yakalar. Herkese açık Enron e-posta derlemi üzerinde yapılan bir tanıtım çalışmasında, varlık çıkarma işlemi kabaca 1.400 farklı hukuk bürosunu ortaya çıkarmıştır; tek başına “Vinson & Elkins” için yapılan hedefli bir arama 123 belgede 103 e-posta akışı döndürmüştür.

Aktif öğrenme ile gizlilik olasılığını puanlama

Yasal aktörler belirlendikten sonra, NLP modelleri yasal terminolojiyi ve avukat-müvekkil iletişimlerinin çevresindeki bağlamı okurken, bağlamsal analiz yalıtılmış anahtar kelime isabetleri yerine tam e-posta zincirlerini ve meta verileri tartar. Aktif öğrenme ise döngüsel kısmı yönetir: inceleyiciler belgelerden bir örneği etiketler, sistem bir gizlilik puanı atar ve daha fazla etiket geldikçe model kendini geliştirir. Bir iş akışında, 95 veya daha yüksek puanlı bir filtre 359.233 belgeden oluşan başlangıç setini 1.708 adaya indirmiş, ardından yapılan inceleme ile bu sayı son ruhsatlı avukat onayı gerektiren 22 mektuba düşmüştür. Önceki davalarda eğitilmiş modelleri yeniden kullanmak, ofis dışı yanıtları, toplu pazarlama postaları gibi tahmin edilebilir, gizlilik içermeyen gürültüyü sıfırdan yeniden eğitime gerek kalmadan filtreleyerek ek bir verimlilik katmanı sağlar.

Gizlilik günlüğünü otomatikleştirme

Gizlilik günlüğü oluşturmanın davalarda kötü bir şöhrete sahip olmasının haklı bir nedeni vardır.

Gizlilik günlüğü oluşturma ve analiz etme, elektronik belge incelemesinin en çok zaman alan, en pahalı ve en zorlu bileşenlerinden biri olabilir.Laura Riff ve Michelle Six, Kirkland & Ellis

Rakamlar da bunu destekliyor: manuel gizlilik günlüğü tutma tipik olarak saatte yaklaşık 7 belge hızında ilerlerken, yapay zeka destekli günlük tutmanın saatte 35 belgeye kadar çıktığı bildirilmiştir; bu da kabaca beş katlık bir artış anlamına gelir. Yapay zeka, düzenleyici kurumlara, mahkemelere veya müşteriye özel standartlara uyacak şekilde biçimlendirilmiş gizlilik kararlarını ve günlük anlatımlarını önceden doldurur; bir inceleyici her girişi boş bir sayfadan belge hazırlama mantığıyla tasarlamak yerine sadece çıktıyı kontrol eder ve düzenler. Bu hız, yüz binlerce belgenin haftalar, bazen de günler içinde incelenmesi gereken İkinci Taleplerde çok daha büyük bir önem taşır.

Savunulabilirlik: Mahkemeler E-Keşif Yapay Zeka İncelemesinden Ne Bekler

Geri alma, FRE 502 ve kötü bir sürecin maliyeti

Gizli bir belgenin yanlışlıkla ifşa edilmesi gerçek bir risk yaratır: gizlilikten feragat ve bazı durumlarda yaptırımlar. ABD delil kuralı FRE 502(b) (ABD’de), yanlışlıkla ifşa edilen gizli bir belgenin geri alınmasına olanak tanır, ancak yalnızca üretici taraf ifşayı önlemek ve hatayı derhal düzeltmek için makul adımlar atmışsa. DR Distribs., LLC v. 21 Century Smoking, Inc., 2022 WL 2905838 (N.D. Ill. 2022) davasında, mahkeme, üretici tarafın inceleme süreci ve dokümantasyonu yetersiz olduğu için geri alma korumasını reddetmiştir. Dava avukatlarının bazen ifade ettiği gibi, karşı tarafın avukatı gördüklerini görmemiş gibi yapamaz; işte tam da bu nedenle üretime geçtikten sonra değil, öncesinde yapılan bir gizlilik incelemesi, e-keşif yapay zeka asistanlarının en fazla ağırlık taşıdığı noktadır. ABD medeni usul kuralı FRCP 26(b)(1) (ABD’de) kapsamındaki geçerli geri çağırma standardı makul ve orantılı olmayı gerektirir, her gizli belgeyi yakalama garantisi sunmaz.

Döngüdeki insan standardı ve ABA rehberliği

Uygulamada savunulabilirlik üç şeye dayanır:

• Belgelerin nasıl kapsamlandırıldığını, sınıflandırıldığını ve kontrol edildiğini açıklayan belgelenmiş bir süreç
• Etiket onayından nihai gizlilik imzasına kadar her aşamada insan gözetimi
• İnceleyicinin körü körüne kabul etmek yerine izleyebileceği ve doğrulayabileceği yapay zeka çıktısı

Mahkemeler bu mantığı 2012’den beri TAR’a uygulamaktadır ve aynı gerekçeyi üretken yapay zeka destekli incelemeye de genişletmektedirler. Amerikan Barolar Birliği (ABA) (ABD baro düzenleyicisi) tarafından yayımlanan Formal Opinion 512 (Temmuz 2024), temel etik yükümlülükleri doğrudan ortaya koyar: üretken yapay zeka araçlarını kullanan bir avukat, teknolojinin yeteneklerini ve sınırlamalarını anlamalı, müvekkil gizliliğini korumalı ve çıktısını denetlemelidir; nihai gizlilik kararları ise her zaman davaya bakan avukata aittir. Yapay zeka sürecin arka ucunda da bir rol kazanır: avukat tarafından etiketlenmiş gizli bir seti derlemin geri kalanıyla karşılaştırmak, üretimden çıkmadan önce yanlış sınıflandırmaları yakalamanın etkili bir yoludur.

Yapay Zeka İncelemesinin Maliyetleri, Tasarrufları ve Sınırları

Rakamlar ne gösteriyor

Birleşik yapay zeka iş akışlarından (gizlilik incelemesiyle eşleştirilmiş ilk geçiş yanıt verebilirlik incelemesi) elde edilen tasarruflar, veri hacmine, kapsam belirleme kalitesine ve iş akışının ne kadarının otomatikleştirildiğine bağlı olarak geleneksel doğrusal insan incelemesine kıyasla kabaca %20’den %80’e kadar geniş bir yelpazede değişmektedir. Piyasada ücretsiz hukuki yapay zeka araçları bulunsa da, kurumsal seviyede bir satıcı maliyet analizi bir milyon belgelik bir meseleyi modellemiştir: belge başına 0,45 ABD doları olarak fiyatlandırılan yapay zeka incelemesi yaklaşık 24 saatte ~450.000 ABD doları civarında sonuçlanırken; saatte 50 ABD doları varsayımsal bir ücretle faturalandırılan 31 kişilik bir insan inceleme ekibi (25 inceleyici, 5 inceleme lideri, 1 inceleme yöneticisi), gizlilik günlüğü oluşturma ve karartmalar öncesinde yaklaşık altı buçuk ayda ~1.705.000 ABD doları seviyelerine ulaşmıştır. İnceleme safhası, yapay zeka odaklı tasarrufların en çok katlandığı yerdir çünkü e-keşif bütçesinin yaklaşık %73’ünü taşıyan aşama tam olarak burasıdır.

Yapay zekanın hala bir avukata ihtiyaç duyduğu yerler

Yapay zeka incelemesinin gerçek ön koşulları vardır ve bunları atlamak doğrudan doğruluğa yansır. Güvenilir, çıkarılabilir bir metne (ki bu OCR kalitesine ve dosya setinin ne kadar taranmış veya görsel ağırlıklı olduğuna bağlıdır), uygun şekilde kapsamlandırılmış bir belge evrenine ve daha önceki inceleyici kararlarından gelen temiz eğitim verilerine ihtiyaç duyar. Bazı gizlilik soruları, hiçbir puanlama modelinin kendi başına çözemeyeceği yasal muhakeme gerektirir; özellikle de sadece belge içeriğinden ziyade ilişki ve role dayanan ortak çıkar gizliliği ve işlevsel eşdeğerlik doktrini meseleleri.

Yapay zeka destekli inceleme projelerinde beş hata sürekli olarak ortaya çıkar:

• Bir QC örnekleme geçişi olmadan yapay zeka tarafından oluşturulan etiketleri kabul etmek
• Modele filtrelenmiş bir saklayıcı seti yerine kapsamı belirlenmemiş bir veri yığını beslemek
• Zamandan tasarruf etmek için kalite kontrol örneklemesini tamamen atlamak
• Daha eski eğitim verilerinin yeterince temsil edemediği modern veri türlerini (sohbet dışa aktarımları, işbirliği aracı akışları) görmezden gelmek
• Süreci metodolojiyi belgelemeden yürütmek (ki bu daha sonra itiraz edildiğinde savunulabilirliği zedeler)

Konu uzmanının rolü süreç boyunca merkezi önemini korur. Birisinin sınıflandırmayı yönlendiren komutları yazması ve geliştirmesi, QC örneklerini temel doğrulara karşı onaylaması ve kaydın bir parçası olmadan önce her gizlilik açıklamasını denetlemesi gerekir. İnceleme tamamlandıktan sonra, aynı temel modeller çoğu zaman bitişik çalışmalara aktarılır: madde düzeyindeki riskte sözleşme analizi yapay zeka uygulamalarını desteklemek veya incelemede ortaya çıkanlardan hareketle verilecek dilekçe ve mektupların belge hazırlama aşamasını hızlandırmak gibi.

Sıkça Sorulan Sorular

Bu makale yalnızca hukuki bilgi amaçlıdır ve hukuki danışmanlık teşkil etmez. Kendi durumunuza özel rehberlik için ruhsatlı avukat ile görüşün.