Les grands modèles linguistiques en tant qu’avocats fiscalistes cet article d’IA explore les capacités des LLM dans l’application du droit fiscal.

Cet article d'IA explore les capacités des LLM en droit fiscal.

Des avancées sont en cours dans le domaine de l’IA. Les grands modèles linguistiques (LLM) sont là où se produisent les avancements rapides. Les LLM modernes peuvent utiliser des outils, planifier et réussir des évaluations standardisées. Mais même pour leurs créateurs, les LLM restent des boîtes mystérieuses. Ils ne savent pas beaucoup comment ils pensent à l’intérieur et ne peuvent pas prédire comment un LLM agirait dans une nouvelle situation. Avant d’utiliser les modèles en dehors du cadre de la recherche, il est préférable d’évaluer les performances des LLM sur une longue liste de critères. Cependant, ces critères doivent souvent refléter des activités du monde réel qui nous sont importantes ou qui peuvent avoir été mémorisées par le LLM pendant l’entraînement. Les données nécessaires pour l’évaluation des performances sont généralement incluses dans les ensembles de données utilisés pour l’entraînement des LLM, qui sont fréquemment téléchargés depuis Internet.

Le chevauchement peut surestimer les performances du modèle, créant l’impression de compréhension alors qu’il ne s’agit peut-être que d’une simple reconnaissance. Ils concentrent en particulier leurs efforts d’évaluation sur les compétences analytiques juridiques des LLM pour trois raisons. Premièrement, déterminer dans quelle mesure les LLM comprennent le droit peut aider à réglementer de manière plus générale les LLM et les systèmes automatisés. Une stratégie pertinente sur le plan politique consiste à utiliser le raisonnement juridique et réglementaire dans les LLM pour une “IA informée par le droit” qui s’aligne sur les idéaux sociaux établis par le biais de procédures démocratiques et de législation. Cette stratégie “Le droit informe le code” repose sur la capacité démontrée du processus démocratique à produire des normes juridiques flexibles telles que les obligations fiduciaires grâce à une délibération et une litige itératives. L’idée est d’enseigner aux systèmes d’IA l’esprit de la loi pour les aider à prendre des décisions défendables dans des situations inconnues. Lorsqu’un système alimenté par un LLM soutient un principe humain, cette capacité précoce à détecter les violations des obligations fiduciaires pourrait permettre des déploiements d’IA plus sûrs. Deuxièmement, que ce soit en libre-service ou avec l’aide d’un avocat qualifié, les LLM peuvent être utilisés comme des outils par les personnes pour fournir des services juridiques plus rapidement et efficacement. Les modèles peuvent être plus fiables et précieux s’ils comprennent mieux le droit. Les LLM peuvent aider dans diverses activités, de la prédiction de cas à l’analyse de contrats, ce qui démocratise l’accès à l’assistance juridique et réduit le coût et la complexité pour les personnes qui auraient autrement du mal à comprendre le système juridique.

Étant donné la nature délicate du travail juridique, certaines protections doivent être mises en place lors de la mise en œuvre de ces modèles. Cela implique d’améliorer la confidentialité des données, de réduire les biais, de respecter la responsabilité des choix de ces modèles et d’évaluer l’applicabilité des LLM pour un cas d’utilisation particulier. Ainsi, des évaluations systématiques sont nécessaires. Troisièmement, si les LLM ont une connaissance juridique suffisante, ils peuvent être utilisés par le gouvernement, les personnes et les chercheurs pour repérer les contradictions juridiques. Les LLM peuvent améliorer l’efficacité globale et l’ouverture des gouvernements. Par exemple, les LLM peuvent souvent expliquer les règles et réglementations complexes de manière claire et intelligible.

À l’avenir, les LLM pourront prévoir les effets probables de nouvelles lois ou politiques. Les LLM pourraient identifier des législations potentiellement “obsolètes” ou des situations où la loi est silencieuse lorsque, dans d’autres cas comparables, le législateur ou les régulateurs donnent des orientations en analysant d’énormes quantités de langage juridique et de mises en œuvre associées. Dans cette recherche, des chercheurs de l’Université de Stanford, de l’Université du Michigan, de l’Université de Washington, de l’Université de la Californie du Sud, de la Northwestern Pritzker School of Law et de SimPPL étudient la création des LLM avec l’aide de l’U.S. Code (une collection de législations fédérales) et du Code of Federal Regulations (CFR) des États-Unis. Ils évaluent la compréhension croissante des LLM en matière de droit fiscal. Ils ont choisi le droit fiscal pour quatre raisons.

L’autorité juridique en matière de droit fiscal est principalement contenue dans deux sources : les réglementations du Trésor en vertu du CFR et le Titre 26 du U.S. Code (communément appelé le Code des impôts internes). Cela contraste avec plusieurs domaines juridiques où les doctrines sont tirées de plusieurs précédents. Cela nous permet de compléter la récupération du LLM en utilisant un univers prédéfini de documents potentiellement pertinents. Deuxièmement, de nombreuses lois fiscales permettent des réponses concluantes aux questions. Cela nous permet de mettre en place des flux de travail de validation automatique cohérents. Troisièmement, répondre aux questions de droit fiscal pour un cas spécifique nécessite généralement plus que la simple lecture de l’autorité juridique pertinente ; ainsi, ils peuvent évaluer les compétences des LLM d’une manière qui s’applique à la pratique réelle.

Quatrièmement, le droit fiscal a un impact considérable sur les activités économiques quotidiennes de pratiquement chaque citoyen et entreprise. À l’aide de plusieurs configurations expérimentales, y compris l’utilisation du LLM seul, l’intégration du LLM avec les textes juridiques sous-jacents et diverses techniques de récupération (avec des comparaisons entre différentes méthodes de récupération), nous évaluons l’exactitude des réponses produites par les LLM sur des milliers de questions de droit fiscal. Nous effectuons ces tests sur une gamme de LLM, des modèles les plus petits et les plus faibles jusqu’au plus grand modèle moderne, le GPT-4 d’OpenAI. Chaque LLM que nous avons examiné était à la pointe de la technologie lorsqu’il a été rendu disponible.

Ils découvrent des preuves de développement des capacités de compréhension juridique des LLM, s’améliorant avec chaque mise à jour de modèle en analysant les résultats à travers des modèles de plus en plus grands. Si la technologie continue de croître rapidement, ils pourraient bientôt assister au développement de capacités juridiques d’IA surhumaines.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Découvrez GETMusic un cadre de représentation et de diffusion unifié qui peut générer n'importe quelle piste de musique avec un cadre de représentation et de diffusion unifié.

Ces dernières années, des progrès significatifs ont été réalisés dans la génération de musique à l’aide de modè...

AI

Découvrez le créateur un étudiant en robotique met au point un fauteuil roulant autonome avec le NVIDIA Jetson.

Avec l’aide de l’IA, des robots, des tracteurs et des poussettes pour bébés – même des skate parks ...

AI

OpenAI dévoile 6 fonctionnalités passionnantes de ChatGPT pour révolutionner l'expérience utilisateur

OpenAI, l’entreprise pionnière derrière ChatGPT, continue d’innover et d’améliorer l’expérien...

AI

Évaluer la maîtrise linguistique de l'intelligence artificielle Une plongée profonde dans les compétences morphologiques de ChatGPT dans différentes langues

Les chercheurs examinent rigoureusement les capacités morphologiques de ChatGPT dans quatre langues (anglais, alleman...

AI

La FTC enquête sur les éventuels préjudices causés aux consommateurs par ChatGPT

La demande de l'agence concernant les documents d'OpenAI sur les risques de l'IA marque la plus grande menace régleme...

AI

Système de communication portable pourrait réduire la fracture numérique en matière de santé.

Les chercheurs de l'Université de l'Arizona (UA) ont développé un système de surveillance portable qui peut envoyer d...