Réseaux de neuroneset raisonnement du juge

Réseaux de neuroneset raisonnement du juge

Filipe BORGESFilipe BORGES

Atelier Complexité et Politiques Publiques23-24 septembre 2010

ISC-PIF, 57-59 rue Lhomond 75005 PARIS

1. Le processus décisionnel du juge

• Phénomène complexe existence de critères flous interactions nombreuses forte récursivité Difficilement justifiable en l’absence de règles

Pistes de modélisation

• Les systèmes experts Limite : applicables en présence de règles.

Donc non applicables dans un contexte ‘flou’

• Les réseaux de neurones artificiels

1. Le processus décisionnel du juge

2. Représentation du processus décisionnel par réseaux de neurones artificiels (RNA)

• Outil statistique permettant de construire un modèle de comportement

• Modèle de RNA utilisé : perceptron multicouche à algorithme de rétropropagation :

• couches successives de neurones• algorithme d’apprentissage

Mode de fonctionnement du RNA

1- Série de cas juridiques fournis au réseau

2- Apprentissage progressif de cette base de cas et reconstitution du processus décisionnel

3- Résolution correcte de nouveaux cas

2. Représentation du processus décisionnel par réseaux de neurones artificiels (RNA)

Objectif : évaluer la capacité des RNA à modéliser un processus décisionnel juridique entièrement flou

• Contentieux retenu : la réparation du préjudice esthétique -> détermination du montant de la réparation à attribuer en fonction de l’estimation de la gravité d’un préjudice esthétique. Critères identifiés, en nombre limité Aucune règle décrivant le rôle/la valeur de chaque critère Conclusion chiffrée (montant)

2. Représentation du processus décisionnel par réseaux de neurones artificiels (RNA)

Montant

Importance d’un préjudice (de 1 à 7)

Age de la victime (de 0 à 100)

Genre de la victime (H/F)

Degré d’exposition au public (de 0 à 100)

Descripteurs du cas

Traitement par RNA

Résultat interprétable en droit

Après 200 000 itérations :

• apprentissage réussi (taux d’erreur moyen de 13%)

• généralisation à de nouveaux cas satisfaisante (taux d’erreur moyen de 18%)

2. Représentation du processus décisionnel par réseaux de neurones artificiels (RNA)

Résultat de l’expérimentation

• Le RNA peut être considéré comme un modèle possible du processus décisionnel du juge

• Des expériences similaires sur d’autres contentieux présentent des résultats conformes

Limite du modèle• Absence de justification du résultat (outils non

valorisables en droit)

2. Représentation du processus décisionnel par réseaux de neurones artificiels (RNA)

• Hypothèse : la valeur et l’influence d’un critère constituent les éléments de la justification du raisonnement

• Développement : algorithme chargé d’analyser le mode de propagation du signal au sein du RNA et d’identifier l’influence de chaque neurone sur la valeur de sortie

3. Dé-complexification par RNA

Résultats les justifications produites par l’algorithme de

justification sont équivalentes à celles des juges (testeurs)

En situation complexe, il permet une justification que le décideur n’est plus en mesure de fournir

Une combinaison RNA + algorithme de justification peut être utilisée par le magistrat pour analyser son propre processus décisionnel

L’utilisation de cet algorithme montre qu’il est possible de comprendre un phénomène complexe au moyen d’un découpage pas à pas.

3. Dé-complexification par RNA

Interface d’un RNA chargé de déterminer un montant d’indemnisation(domaine : licenciement sans cause réelle et sérieuse)

Liste des descripteurs

Liste des descripteurs

Description d’un cas particulier

Description d’un cas particulier

Montant de l’indemnisation

Montant de l’indemnisation

Influence par groupe(en gras les critères

augmentant le montant)

Influence par groupe(en gras les critères

augmentant le montant)Influence de

chaque critère

Influence de chaque critère

Observation d’un phénomène de catégorisation

• Lors de l’apprentissage du mode de résolution d’un contentieux juridique le RNA modifie sa structure interne : en situation de surentraînement cette modification peut faire émerger des ‘patterns’.

• Ces patterns peuvent correspondre aux catégories juridiques utilisées pour solutionner le contentieux.

3. Dé-complexification par RNA

Modélisation par RNA du contentieux de l’applicabilité de la clause de non-concurrence (CNC)

Descripteurs du cas Traitement par RNA (surentraînement)

Les patterns observés dans la

structure correspondent aux catégories utilisées

en droit

CNC prévue au contrat de travail

CNC prévue à la convention collective

CNC portée à la connaissance du salarié

Salarié ayant accès à des informations stratégiques

Durée excessive

Périmètre géographique excessif

Liste des entreprises visées excessive

Contrepartie financière prévue au contrat de travail

Liste des activités excessive

Contrepartie financière prévue à la convention collective

Contrepartie financière payée

CNC annulée par le salarié

Levée de la CNCE prévue

CNC levée par l’employeur

Protection des intérêts légitimes de l’entreprise

Protection des intérêts légitimes de l’entreprise

Existence de la clause

Existence de la clause

Contrepartie financière

Contrepartie financière

Respect de la liberté du

travail

Respect de la liberté du

travail

Levée de la clause par l’employeur

Levée de la clause par l’employeur

CNC applicable

ou

CNC non applicable

Observation d’un phénomène de catégorisation

• En contraignant la structure interne du RNA on peut le forcer à faire émerger de nouvelles catégories : prospection des contentieux juridiques afin de faire émerger de nouveaux « chemins décisionnels»

3. Dé-complexification par RNA

• Autres champs d’application en droit à prospecter Identification des règles cachés au sein d’une base de cas, Identification d’incohérences au sein d’un corpus de règles, Candidats en tant qu’outils d’identification de critères

juridiques ‘bas-niveaux’ (par orthogonalisation des vecteurs d’entrée du RNA)

Limites à surmonter automatiser des process qui relèvent pour l’instant de la

technique et de l’expérience de l’utilisateur développer des interfaces plus ‘user-friendly’, visant à

rendre autonomes sur ces outils les experts des domaines à modéliser

4. Conclusion et travaux futurs