CoverPhotoCredit:Georges Lemmen, Man Reading, WikiArt
沒有一個律師敢說，在執行業務的時候，可以完全不用查資料。查資料這件事，對於一個年輕律師，大概佔了30%的時間甚至更多，然後隨著經驗的累積（或是受雇律師的增加）而逐漸變少。如果不考慮業務開發或是行政管理等等的事宜，把律師業務的核心限縮在處理案件上，那律師的業務大概可以分為四個部分:
其中大多數的業務類型，律師會把大量的時間花在researching和production…
過去的法學資料庫發展
大約20年前，電子法學資料庫（後來逐漸轉為線上資料庫）的誕生，把律師們從紙本research的工作中解放出來。那時在技術上最大的突破，就是電腦運算速度的提升，足以把關鍵字和文本的比對速度，壓縮到大家在工作上可以接受的程度。
這20年來我們所理解到、所認知到的『搜尋』，基本上就是構築在『關鍵字和文本的比對』這件事情上。
在電子資料庫誕生前，律師們還在仰賴紙本research的時候，索引是最重要的搜尋工具，透過人工把所有文本分類完成並建立索引，以節省律師在查閱的時間。但在關鍵字和文本比對的搜尋功能下，索引所能節省的時間和能完成的工作，已經微不足道。
把所有符合關鍵字的文本搜尋出來，這就是第一代搜尋引擎的概念。
隨著搜尋引擎技術成熟，搜尋引擎設置門檻下降，政府機關也建立自己免費、開放的搜尋功能。民營的法學資料庫開始把資源投入在兩件事情上以提高自己的價值：
1.進一步協助使用者過濾資料
2.跨平台資料整合
由於第一代搜尋引擎只是把所有符合關鍵字的資料找出來，律師們還是必須靠自己一筆一筆過濾不需要的資料。法學資料庫為了協助律師們過濾這些資料，『裁判要旨』因應而生，『要旨』提供了使用者一個快速確認這筆資料是否符合需求的欄位，進一步節省律師的時間。
法學資料庫公司請了許多人，就是專門產出裁判要旨，以便協助律師們過濾判決書，加快搜尋速度。另一個就是透過人工建立不同資料間的連結，來加速不同資料間的交互參照，達到以資料找資料的目的，這些功夫都是為了協助使用者過濾及加快搜尋資料。
同時，由於許多法學資料散落在不同的機關網站資料庫中，律師們查找的時候非常困難，因此法學資料庫必須承包政府法學資料維護，並且透過這樣的方始把分散四處的資料集中到同一個平台，也就是『跨平台資料整合』
這兩件事造成了進入法學資料庫市場的高門檻，在『沒有裁判要旨』與『無法取得跨平台資料』的法學資料庫，幾乎無法有效切入市場。也因此過去20年來，台灣的法學資料庫版圖幾乎沒有改變。
但法學搜尋市場在資料取得的高門檻，卻也造成在『搜尋』這件事情上和外界的技術落差。
時間來到了20年後的現在
事實上，所有的搜尋引擎都專注在三件事情上。
更全面、更快速、更精確
在這20年間，法學資料庫不斷墊高『更全面』和『更快速』這兩個門檻，然而在搜尋引擎領域發展最具代表性的，其實是『更精確』。
很多人一直以為『搜尋』本質是把符合關鍵字的資料找出來，而搜尋的過程應該像上面這個圖。
但搜尋的本質應該是像上圖。每一個人是希望得到一筆（或數筆）想像中的資料，才去搜尋，而關鍵字是使用者把希望得到的資料轉換後的工具。也就是說，符合關鍵字的資料，未必就是使用者想找的資料（如果關鍵字下得不好）。
而什麼是『使用者想找的資料』，就是這20年來所有搜尋引擎不斷嘗試努力的目標。我們可以發現google從page rank的關聯度演算法，到自動修正關鍵字功能、或是『你是不是要找…』等等，都是嘗試去猜測使用者輸入關鍵字真正的『意圖』。
因此，在法學資料搜尋上，『Lawsnote』採取的就是專注在『更精確』這個功能上，來與傳統的法學資料庫做出區分。
因為深知在『資料完整性』與產出『裁判要旨』無法與傳統的法學資料庫競爭，Lawsnote索性專心研究『關鍵字辨識』與『關聯度排序演算法』，並透過這兩個優勢打造一框式的的搜尋方式，進一步節省律師在找資料上所花的時間。
很難說哪一種方法比較好或效率更高，當然有不同的產品問世，是使用者所樂見的。
法律系統的未來
人工智慧！
今年，精確一點，從AlphaGo初試啼聲以來，法律人便不斷被這四個字轟炸著，但人工智慧如果用法律術語來說，他是一個不確定的法律概念，我們回到通用搜尋引擎，來想想法律搜尋系統的未來。
剛才有提到，一個理想的『搜尋』，是我想找資料—->給我我想找的資料這樣一個過程，而過去20年來，所有搜尋引擎都不斷在深入挖掘到底什麼是『我想找的資料』，這個挖掘在第三代搜尋引擎，也就是以使用者為中心的搜尋引擎問世後達到一個里程碑。
那麼下一代，也就是第四代搜尋引擎會往哪裡去呢？
大部份人認為會往這裡發展，也就是搜尋引擎給出的，不再是符合搜尋結果的資料，而是一個『結果』。
舉例來說：當一個人搜尋Lebron James的時候，他想要得到什麼？
是Lebron James的官方網站、最近的新聞，還是『誰是Lebron James？』
第三代以前的搜尋引擎，沒有辦法告訴你誰是Lebron James，只能給你相關資料，讓使用者從相關資料拼湊出『誰是Lebron James？』搜尋引擎的下一個目標，將轉向提供使用者一個實體（entity）用來補充搜尋結果。而Google透過不斷擴充的『知識圖譜』來達到這個目標。
那對於法律系統呢？
我認為方向是一樣的。
法律系統將會往提供一個結果的方向前進，用來補充只是單純的提供資料。
這件事有沒有可能做到呢？有！而且正在發生。
在deep learning技術的成熟下，理論上，只要給予適當的訓練，電腦可以做到和人類類似的判斷邏輯。而許多legal tech公司也正在研究如何讓電腦『理解』法律文件，進而產出更有價值的結果。
記得上面的律師工作流程嗎？
目前很可能的想像是，法律系統將會從協助research進一步提供統整分析甚至是production的協助。
因此，在我們知道deep learning可以徹底改變資料科學rule base的資料處理方式，並且已經具體應用在包含翻譯在內的許多領域中，法學系統發生翻天覆地的改變也只是時間上的問題而已。
也因此，那些未來10年內都不會改變的事，對現在的律師來說顯得更重要。在未來10年有什麼不會變？應該有幾件事情：
- deep learning訓練電腦需要律師的協助，這也說明了大多數legal tech公司的創辦人通常是律師。
- 懂法律的資料科學家永遠是稀缺。（基本上任何領域都是）
- 信任、溝通、說服、理解對律師仍然很重要，那些事情電腦無法處理。
- 審判程序仍是以人為中心來進行，因為這是人類制定的規則，機器人法官這件事我們有生之年都不會發生。
- 考試不會廢除
責任編輯：Leona
