Studio legale Avvocato Giuseppe Briganti — Pesaro – Urbino

Intelligenza artificiale e Avvocati

12. IA e Avvocati: possibili estensioni del progetto

L’integrazione di sistemi avanzati di Intelligenza Artificiale (IA) negli studi legali sta trasformando il modo in cui Avvocati e personale legale gestiscono quotidianamente il flusso di informazioni e documenti.

In questo e nei prossimi articoli esploreremo alcune possibili estensioni innovative per il nostro progetto di implementazione di un sistema RAG (Retrieval-Augmented Generation) locale sperimentale.

Chatbot interno: un assistente virtuale sempre disponibile

Un chatbot interno basato sull’IA offre agli studi legali la possibilità di automatizzare e migliorare significativamente le interazioni quotidiane.

Integrando un chatbot con un sistema RAG, gli Avvocati possono:

• Ottenere rapidamente risposte precise a domande frequenti su normativa, giurisprudenza, precedenti casi trattati.
• Automatizzare la raccolta iniziale di informazioni dai Clienti, ottimizzando il tempo del personale.
• Offrire un primo livello di supporto in ambito interno, fornendo chiarimenti su procedure, norme interne e modelli documentali.

Come implementare un chatbot interno

L’implementazione pratica prevede l’utilizzo di strumenti open-source come Python, LangChain e Ollama, in combinazione con interfacce utente semplici ed intuitive realizzabili con librerie come Streamlit o Gradio.

Questo consente un rapido sviluppo e test del chatbot in ambiente Windows senza bisogno di grandi risorse hardware.

Query vocali: dialogare naturalmente con il sistema

L’introduzione delle query vocali migliora ulteriormente l’accessibilità e l’interattività dei sistemi di IA, permettendo agli utenti di interagire in maniera più naturale e immediata.

Tecnologie per le query vocali

Per implementare un sistema di query vocali è possibile utilizzare librerie Python come SpeechRecognition per catturare l’input vocale e pyttsx3 per la sintesi vocale. Questi strumenti possono essere facilmente integrati con il sistema RAG sperimentale già operativo, migliorando notevolmente l’esperienza utente.

• SpeechRecognition consente di convertire l’input vocale degli utenti in testo elaborabile dal sistema.
• pyttsx3 offre funzionalità per restituire risposte tramite voce sintetizzata, creando una vera e propria conversazione vocale con il sistema.

Questa tecnologia permette agli Avvocati di interagire col sistema mentre lavorano su documenti o eseguono altre attività, riducendo al minimo le interruzioni del flusso di lavoro.

Gestione intelligente delle cartelle documentali

La gestione documentale è cruciale in ambito legale, dove l’organizzazione efficiente dei documenti può determinare l’efficacia dell’intero studio.

Sistemi di gestione documentale basati su IA

Implementare un sistema di gestione intelligente delle cartelle significa utilizzare algoritmi di intelligenza artificiale per categorizzare automaticamente i documenti, semplificare il reperimento delle informazioni e ridurre il rischio di errori manuali.

• Utilizzo di Natural Language Processing (NLP) per analizzare i testi legali, estrarre informazioni rilevanti (es. tipo di documento, parti coinvolte, riferimenti normativi) e taggare automaticamente i documenti.
• Impiego di modelli di classificazione supervisionata (es. Naive Bayes, SVM) e di clustering (es. KMeans, DBSCAN) per raggruppare logicamente i documenti anche in assenza di categorie predefinite.
• Conversione dei documenti in embedding semantici tramite modelli BERT o Sentence-Transformers, per creare ricerche testuali avanzate e cartelle virtuali dinamiche basate su significato e contesto.
• Integrazione con strumenti già esistenti attraverso script Python e interfacce semplificate per garantire la compatibilità con l’infrastruttura esistente.

Gestione documentale: flusso consigliato per l’automazione

1. Acquisizione: ogni nuovo documento inserito nel sistema viene automaticamente intercettato da un file watcher o da un’integrazione con email o sistemi di gestione documentale (DMS).
2. Preprocessing: tramite OCR (se necessario) e normalizzazione testuale si prepara il documento per l’elaborazione NLP.
3. Classificazione e tagging: il sistema analizza il contenuto del documento e assegna categorie, metadati e riferimenti rilevanti.
4. Controllo di qualità e validazione: un operatore può essere coinvolto per verificare o correggere il risultato del sistema di gestione documentale nei casi ambigui o a bassa confidenza.
5. Organizzazione automatica: il file viene salvato in una cartella coerente oppure indicizzato in una struttura virtuale (es. FAISS).
6. Accesso intelligente: l’utente può interrogare il sistema di gestione documentale in linguaggio naturale per trovare ciò che cerca, grazie a un motore di ricerca semantico o a un RAG.
7. Audit e tracciabilità: tutte le operazioni compiute sul documento possono essere registrate in log per garantire trasparenza e controllo.

Codice di esempio (semplificato) per clustering e tagging automatico

Prima di procedere con l’implementazione del codice di esempio per la gestione documentale, assicuratevi di aver completato la preparazione dell’ambiente Windows come descritto nel post 6, dove vengono illustrati i passaggi per installare Python, creare un ambiente virtuale e configurare l’ambiente di lavoro.

Per installare i pacchetti necessari, aprite il terminale nell’ambiente virtuale e digitate:

pip install scikit-learn
pip install numpy
pip install pandas

Questi pacchetti sono fondamentali per l’elaborazione del testo, la vettorializzazione e il clustering.

Una volta installati, potete utilizzare il seguente script come esempio per la gestione automatica dei documenti:

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import KMeans
import os

# Carica documenti
docs = []
file_names = []
for filename in os.listdir("./documenti_legali"):
    with open(f"./documenti_legali/{filename}", "r", encoding="utf-8") as file:
        docs.append(file.read())
        file_names.append(filename)

# TF-IDF + clustering
vectorizer = TfidfVectorizer(stop_words=None)  # 'italian' non è supportato, si può usare None o una lista personalizzata
X = vectorizer.fit_transform(docs)
model = KMeans(n_clusters=4)
labels = model.fit_predict(X)

# Stampa etichette suggerite
for i, label in enumerate(labels):
    print(f"{file_names[i]} --> Gruppo di appartenenza in base alla similarita' del contenuto testuale: cluster num. {label}")

Spiegazione passo passo:

Come eseguire lo script:

1. Salvare il codice in un file, ad esempio clustering_documenti.py
2. Aprire il terminale o prompt dei comandi, spostarsi nella cartella dove si trova il file
3. Eseguire lo script con il comando: python clustering_documenti.py
   Assicurarsi di avere la cartella documenti_legali con file .txt nella stessa directory.

Nota: questo codice di esempio è progettato per leggere solo file di testo (.txt) presenti nella cartella documenti_legali. Non funziona direttamente con file PDF, Word o immagini. Per supportare questi formati, è necessario integrare librerie specifiche.

1. Importazione dei moduli: si importano i componenti di Scikit-learn per la vettorializzazione del testo (TfidfVectorizer) e per il clustering (KMeans), oltre al modulo os per navigare nelle cartelle locali.
2. Caricamento dei documenti: lo script legge tutti i file di testo presenti nella cartella ./documenti_legali/, li apre in lettura e salva sia il loro contenuto (docs) che i nomi dei file (file_names).
3. Vectorizzazione TF-IDF: ogni documento viene trasformato in un vettore numerico usando la tecnica TF-IDF, che misura l’importanza delle parole all’interno del corpus.
4. Clustering con KMeans: si applica l’algoritmo KMeans per dividere i documenti in 4 gruppi (cluster) in base alla similarità del contenuto testuale.
5. Output dei risultati: per ogni file, viene stampato a schermo il nome del file e il numero del cluster a cui appartiene, suggerendo un’organizzazione automatica dei documenti secondo criteri tematici impliciti.

Questo approccio può essere esteso per creare una pipeline completamente automatica, abbinando classificatori addestrati a dashboard per la revisione manuale dei risultati nei casi più complessi.

Il codice è una buona base didattica e pratica per il clustering di documenti legali in italiano. Per applicazioni professionali (ad esempio, organizzazione di archivi legali), si consiglia di:

• Integrare uno stopwording specifico per l’italiano,
• Gestire eventuali eccezioni sui file,
• Valutare il numero ottimale di cluster,
• Eseguire un preprocessing più raffinato.

Generatore di modelli legali personalizzati

Una delle attività più ripetitive all’interno di uno studio legale è la redazione di documenti standard: atti, contratti, istanze, diffide, lettere formali.

Automatizzare questa fase con un generatore intelligente di modelli legali consente di standardizzare la produzione, ridurre gli errori e velocizzare il lavoro quotidiano.

Il sistema si basa su template dinamici (es. in formato Word o Markdown) compilabili automaticamente in base a input forniti dall’utente (es. tipo di parte, data, clausole opzionali).

Può essere realizzato facilmente con Python usando il motore Jinja2 per i modelli, e interfacce user-friendly come Streamlit o Gradio per la compilazione. 

I dati possono essere inseriti manualmente o recuperati da moduli precedenti, integrando così un flusso coerente con il sistema documentale interno.

È una soluzione a basso impatto tecnico, ma di altissimo rendimento operativo per gli studi che redigono frequentemente atti simili.

Funzionalità e benefici

• Velocità nella redazione: Riduce drasticamente i tempi di preparazione dei documenti.
• Uniformità: Garantisce coerenza formale e sostanziale tra atti prodotti in studio.
• Personalizzazione automatica: Compila in automatico i dati ricorrenti (es. anagrafiche, riferimenti normativi, clausole standard) mantenendo la possibilità di modifiche manuali prima della stampa o dell’invio.

Tecnologie consigliate

• Python + Jinja2: per creare template dinamici HTML o TXT in cui inserire variabili prelevate da form o database.
• Streamlit o Gradio: per realizzare interfacce semplici in cui l’Avvocato può inserire i dati necessari (es. nome cliente, data udienza, oggetto del contratto).
• LangChain + Ollama: opzionalmente per la generazione del contenuto testuale a partire da prompt descrittivi o checklist giuridiche.

Esempio di flusso

1. Scelta modello: l’utente seleziona il tipo di documento da un elenco (es. contratto di locazione).
2. Inserimento dati: viene compilato un form con i dati del caso (parti, durata, importi, ecc.).
3. Generazione automatica: il sistema compila il template Jinja2 con i dati inseriti.
4. Esportazione: il documento viene reso disponibile in formato PDF, DOCX o TXT per revisione e invio.

Approfondiremo l’aspetto della gestione documentale in un post successivo.

Riepilogo automatico di atti giudiziari e contratti

Una delle estensioni più utili è la possibilità di generare automaticamente sintesi strutturate di atti giudiziari, contratti e altri documenti complessi.

Questa funzione, integrabile nel sistema RAG, consente:

• La creazione automatica di riepiloghi in linguaggio naturale, comprensibili anche da non tecnici;
• L’identificazione e l’evidenziazione di clausole chiave, riferimenti normativi e scadenze;
• L’indicizzazione delle sintesi per consentire ricerche rapide, confronti tra versioni e monitoraggio dei cambiamenti.

Tecnicamente, è possibile combinare modelli di linguaggio come quelli integrati con Ollama e LangChain con strumenti NLP avanzati (es. spaCy, transformers) per elaborare il testo e restituire un output sintetico, archiviabile e riutilizzabile.

Questa estensione rappresenta un passo avanti rispetto alla semplice risposta on-demand di un sistema RAG, in quanto permette allo studio legale di costruire nel tempo un vero e proprio archivio di schede riassuntive automatizzate, pronte per essere consultate o confrontate in ogni momento.

Anche questo aspetto sarà approfondito in un post successivo.

Fine-tuning: personalizzare il modello per compiti specifici

Un’ulteriore estensione del sistema RAG locale è rappresentata dal fine-tuning dei modelli linguistici.

Questa tecnica consente di adattare un modello pre-addestrato alle esigenze specifiche dello studio legale, migliorando la precisione e la pertinenza delle risposte generate.

Il fine-tuning è particolarmente utile quando:

• Si desidera che il modello comprenda e utilizzi terminologie legali specifiche.
• È necessario adattare il modello a stili redazionali o formati documentali propri dello studio.
• Si lavora con dati sensibili o proprietari che richiedono un trattamento personalizzato.
• Si intende migliorare le prestazioni del modello in compiti specifici, come la redazione di contratti o l’analisi di giurisprudenza.

Per implementare il fine-tuning in modo efficiente, è possibile utilizzare tecniche come LoRA (Low-Rank Adaptation), che permettono di aggiornare solo una piccola parte dei parametri del modello, riducendo significativamente il costo computazionale.

Strumenti come Hugging Face Transformers e PEFT (Parameter-Efficient Fine-Tuning) offrono le risorse necessarie per effettuare il fine-tuning su modelli open-source compatibili con Ollama, come Mistral o LLaMA.

L’integrazione del fine-tuning nel sistema RAG locale rappresenta un passo significativo verso la creazione di un assistente legale virtuale altamente specializzato, capace di comprendere e rispondere alle esigenze specifiche di un determinato studio legale.

Potenziali benefici per l’efficienza operativa

L’adozione di queste estensioni avanzate porta molteplici benefici concreti per l’organizzazione del lavoro legale, quali:

• Efficienza operativa: velocizza notevolmente la gestione delle informazioni, permettendo allo staff legale di concentrarsi su attività a più alto valore aggiunto.
• Riduzione degli errori: automatizzare processi di routine diminuisce significativamente la possibilità di errori umani.
• Migliore organizzazione interna: sistemi di classificazione e ricerca avanzata favoriscono l’ordine, la reperibilità e la tracciabilità documentale.

Si ricorda, in ogni caso, ancora una volta, che la supervisione umana resta imprescindibile: le soluzioni IA sono strumenti di supporto, non sostituti del giudizio professionale dell’Avvocato.

---

Per un aiuto e per approfondire

Per un aiuto e per approfondire i temi dell’intelligenza artificiale nello studio legale, del legal tech e del legal design è online il GPT Iusreporter.tech (link esterno, richiede ChatGPT)

Per gli altri articoli pubblicati su questo blog sul tema:
Intelligenza artificiale e Avvocati

---

Scritto con l’aiuto di Iusreporter, il tuo assistente per la ricerca giuridica online 

Studio legale Avvocato Giuseppe Briganti

Pesaro – Urbino

Post aggiornato alla data di pubblicazione

📄 Disclaimer

Gli script Python e i contenuti di questo testo sono forniti esclusivamente a scopo informativo, didattico e sperimentale in ambienti di test controllati. Non costituiscono consulenza legale o tecnica e non sostituiscono il parere di un professionista qualificato.

L’autore declina ogni responsabilità per eventuali errori, omissioni, malfunzionamenti, danni diretti o indiretti, incidentali, consequenziali o di altro tipo derivanti dall’uso, dall’uso improprio o dall’impossibilità di utilizzo degli script o delle informazioni contenute nel presente testo. Gli script sono forniti “così come sono” (AS IS), senza garanzie esplicite o implicite, incluse, ma non limitate a, garanzie di commerciabilità, idoneità a uno scopo particolare o assenza di violazioni.

L’utilizzo degli strumenti è sotto la piena responsabilità dell’utente, che è tenuto a verificarne, in particolare:

• la correttezza tecnica e funzionale,
• la conformità alle normative vigenti, incluse, a titolo esemplificativo, l’AI Act, il GDPR, il Codice Deontologico Forense,
• il rispetto delle licenze delle librerie e dei componenti e software di terze parti eventualmente utilizzati, inclusi quelli distribuiti con licenze open source.

Gli script non sono progettati né validati per l’uso in ambienti produttivi o per l’elaborazione di dati personali. Qualsiasi utilizzo in tali contesti è esclusiva responsabilità dell’utente, che deve adottare le opportune misure di sicurezza e valutare l’impatto normativo.

Gli script sono stati testati su Python 3.10 in ambiente Windows. Non è garantita la compatibilità con versioni diverse del linguaggio o con altri sistemi operativi. L’autore non fornisce assistenza tecnica, aggiornamenti periodici o correzione dei malfunzionamenti.

Tutti i contenuti di questo ebook, inclusi i testi e il codice sorgente, sono protetti dal diritto d’autore ai sensi della Legge 22 aprile 1941, n. 633 e successive modificazioni. È vietata la riproduzione, distribuzione, pubblicazione, comunicazione o modifica, totale o parziale, in qualsiasi forma, dei contenuti senza autorizzazione scritta dell’autore, salvo espressa indicazione contraria.

L’uso di questo testo e degli script in esso contenuti implica l’accettazione integrale del presente disclaimer. Se non si accettano tali condizioni, si prega di non utilizzare il materiale fornito.

Eventuali errori, osservazioni o segnalazioni possono essere comunicati all’autore, che si riserva di valutarli senza alcun obbligo di risposta o correzione.