Designing AI for Prosecutorial Governance: Case Prioritization and Statutory Oversight in Mexico
यह शोध पत्र मेक्सिको के ज़काटेकास स्टेट प्रॉसिक्यूटर'स ऑफिस के लिए सह-विकसित एक मशीन लर्निंग सिस्टम प्रस्तुत करता है जो केस समाधान की समयसीमा का पूर्वानुमान लगाने के लिए रैंडम फॉरेस्ट क्लासिफायर का उपयोग करता है, जिससे मौजूदा कार्यप्रवाह को बाधित किए बिना अभियोजक दक्षता में सुधार करने के लिए प्राथमिकता वाली सूचियाँ तैयार की जाती हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक विशाल पुस्तकालय की कल्पना करें जहाँ प्रत्येक पुस्तक एक आपराधिक मामले का प्रतिनिधित्व करती है। ज़ाकातेकास, मैक्सिको के राज्य में, लाइब्रेरियन (सरकारी वकील) डूब रहे हैं। उनके पास अपनी अलमारियों पर 2,34,000 से अधिक पुस्तकें हैं, लेकिन उनके पास प्रति सप्ताह केवल कुछ सौ पुस्तकों की जाँच करने के लिए ही पर्याप्त हाथ हैं। कई पुस्तकें बिना छुए वर्षों तक पड़ी रहती हैं, जिन पर धूल जम जाती है, जबकि हर दिन नई पुस्तकें जुड़ती जा रही हैं। परिणाम? "अनपढ़ी" मामलों का एक विशाल ढेर, और इनमें से कुछ पुस्तकें कानूनी रूप से समाप्त (एक्सपायर) भी हो सकती हैं (जैसे कि एक ऐसी पुरानी लाइब्रेरी बुक जिसके लिए लाइब्रेरी अब आपसे जुर्माना नहीं वसूल सकती)।
यह शोध पत्र बताता है कि कैसे डेटा वैज्ञानिकों ने इन लाइब्रेरियन के साथ मिलकर एक स्मार्ट सॉर्टिंग रोबोट बनाने के लिए टीम बनाई। यह रोबोट निर्णय नहीं लेता, रिपोर्ट नहीं लिखता या गिरफ्तारियाँ नहीं करता। इसके बजाय, यह एक बहुत ही व्यवस्थित सहायक की तरह कार्य करता है जो फुसफुसाता है, "हे, पहले इन 300 पुस्तकों को देखें; ये वे हैं जिनके जल्द ही समाप्त होने की सबसे अधिक संभावना है।"
यह प्रणाली कैसे काम करती है, इसका सरल भागों में विवरण यहाँ दिया गया है:
1. समस्या: "अनंत ढेर"
अभियोक्ताओं के पास एक विशिष्ट अनुभाग है जिसे MAT (अर्ली अटेंशन मॉड्यूल) कहा जाता है। यहीं नए मामले आते हैं। क्योंकि इतने सारे मामले आते हैं और इतने कम पूरे होते हैं, इसलिए यह ढेर बढ़ता जा रहा है। अभियोक्ताओं को यह पता लगाने के तरीके की आवश्यकता है कि कौन से मामले "तैयार" हैं (अगले छह महीनों में हल होने की संभावना है) और कौन से मामले "अटके" हुए हैं (जिनके हमेशा के लिए वहीं पड़े रहने या कानूनी समाप्ति तिथि पार कर जाने की संभावना है)।
2. समाधान: मामलों के लिए एक "क्रिस्टल बॉल"
टीम ने एक कंप्यूटर प्रोग्राम (मशीन लर्निंग मॉडल) बनाया जो प्रत्येक मामले के इतिहास को देखता है। इसे एक मौसम पूर्वानुमानकर्ता की तरह समझें, जो बारिश की भविष्यवाणी करने के बजाय, मामला पूरा होने की भविष्यवाणी करता है।
- यह क्या देखता है: रोबोट पूरी कहानी नहीं पढ़ता। इसके बजाय, यह डिजिटल सिस्टम में छोड़े गए "पदचिह्नों" को देखता है। क्या हाल ही में मामला एक डेस्क से दूसरे डेस्क पर स्थानांतरित हुआ? क्या किसी वकील ने फाइल को अपडेट किया? फाइल को आखिरी बार कब छुआ गया था और कितना समय बीत चुका है?
- जादुई ट्रिक: 10 साल के इतिहास (2014-2024) का अध्ययन करके, रोबोट ने सीखा कि कुछ पैटर्न (जैसे कि एक फाइल का टीमों के बीच स्थानांतरण) आमतौर पर यह संकेत देते हैं कि मामला हल होने वाला है।
3. दो-तरफा दृष्टिकोण
रोबोट एक साथ दो काम करता है, जैसे एक ट्रैफिक पुलिस कार को दो दिशाओं में निर्देशित करती है:
कार्य A: "गो" लिस्ट (टॉप 300)
हर सप्ताह, रोबोट उन शीर्ष 300 मामलों को चुनता है जो अगले छह महीनों में समाप्त होने की सबसे अधिक संभावना रखते हैं। वह यह सूची अभियोक्ताओं को सौंप देता है। लक्ष्य उन्हें "आसान जीत" वाले मामलों को जल्दी निपटाने में मदद करना है, ताकि कार्यप्रवाह गतिमान बना रहे।- परिणाम: रोबोट आश्चर्यजनक रूप से अच्छा है। परीक्षण के दौरान, इसने अपने शीर्ष 300 चयन में लगभग 74% बार सही ढंग से "समाप्त करने योग्य" मामलों की पहचान की। यह केवल अनुमान लगाने या यादृच्छिक रूप से चुनने की तुलना में बहुत बेहतर है।
कार्य B: "स्टॉप" लिस्ट (बॉटम 1,000)
रोबोट ढेर के निचले हिस्से को भी देखता है—उन 1,000 मामलों को जो कभी पूरे नहीं होंगे। यह जाँचता है कि क्या ये मामले इतने लंबे समय से पड़े हैं कि वे कानूनी समय सीमा (जिसे "स्टैच्यूटरी प्रिस्क्रिप्शन" कहा जाता है) को पार कर चुके हैं।- परिणाम: इन "अटके" हुए मामलों में से लगभग 32% कानूनी रूप से समाप्त हो चुके प्रतीत होते हैं। यह अभियोक्ताओं को प्रशासनिक सफाई के लिए एक "टू-डू" लिस्ट देता है: "इन फाइलों की जाँच करें; ये कानूनी रूप से मृत हो सकती हैं और इन्हें बंद किया जा सकता है।"
4. यह वास्तविक जीवन में कैसे काम करता है
लेखक सावधानीपूर्वक कहते हैं कि यह रोबोट बॉस नहीं है। यह अभियोक्ताओं को यह नहीं बताता कि उन्हें क्या करना चाहिए।
- उपमा: एक कार में जीपीएस (GPS) की कल्पना करें। जीपीएस कहता है, "इस सड़क पर ट्रैफ़िक भारी है, दूसरा रास्ता आज़माएँ।" लेकिन ड्राइवर ही तय करता है कि उसे वह रास्ता लेना है या नहीं। इसी तरह, अभियोकत्ता अभी भी तय करते हैं कि उन्हें किन मामलों पर काम करना है। रोबлот केवल उन मामलों को उजागर करता है जो आशाजनक दिखते हैं।
- योजना: टीम वर्तमान में एक वास्तविक दुनिया का परीक्षण (एक रैंडमाइज्ड कंट्रोल्ड ट्रायल) चला रही है। वे कुछ अभियोक्ताओं को "टॉप 300" की सूची देंगे और देखेंगे कि क्या वे उन अभियोक्ताओं की तुलना में अधिक मामले पूरे करते हैं जिन्हें यह सूची नहीं मिली है।
5. यह क्यों महत्वपूर्ण है
यह परियोजना विशेष है क्योंकि इसे केवल उनके लिए ही नहीं, बल्कि अभियोक्ताओं के साथ मिलकर बनाया गया था।
- यह कार्यप्रवाह में फिट बैठता है: इसके लिए उन्हें नया सॉफ़्टवेयर सीखने या अपने काम करने के तरीके को बदलने की आवश्यकता नहीं है। यह बस उन्हें साप्ताहिक सूची प्रदान करता है।
- यह पारदर्शी है: रोबोट रहस्यमय "ब्लैक बॉक्स" के बजाय सरल, समझने योग्य नियमों (जैसे "फाइल कितनी बार बदली गई?") का उपयोग करता है।
- यह दो समस्याओं को हल करता है: यह बैकलॉग को साफ करने में मदद करता है (दक्षता) और समाप्त हो चुके मामलों को खोजने में मदद करता है (कानूनी निरीक्षण)।
निष्कर्ष
यह शोध पत्र दिखाता है कि डेटा का उपयोग करके काम के अराजक ढेर को व्यवस्थित करके, एक सरकारी कार्यालय अधिक लोगों को काम पर रखे बिना स्मार्ट तरीके से काम कर सकता है। रोबोट एक फिल्टर के रूप में कार्य करता है, जिससे मानव विशेषज्ञों को उन मामलों पर ध्यान केंद्रित करने में मदद मिलती है के आगे बढ़ने की सबसे अधिक संभावना है, जबकि उन मामलों को भी चिह्नित करता है जो बहुत लंबे समय से भुला दिए गए हैं। यह लाइब्रेरियन को लाइब्रेरी प्रबंधित करने में मदद करने के लिए एक उपकरण है, न कि लाइब्रेरियन के विकल्प के रूप में।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।