外部法律数据库的建设，设有专门的法律编辑及技术团队，需要安排专门的时间、地点进行工作，对于绝大多数律所而言，这并不经济。

新三板上市文件可以堆积1.5米之高，律师团队积攒7年的邮件也会超过10w+；前者人工整理1人至少需要3天，后者则需要3人整理2个月。

▲ 自动为邮箱中的文件打上标签

而这些或许都可以借助AI技术，以效率更高，成本更少，成果更优的方式来实现。

整理的第一步是分类医疗智能问答系统的作用，分类是从文件资料中识别不同的特征进行标签，而后进行区分整理。

利用NLP算法训练出标签分类模型，提取出关键知识维度，比如行业分类（医疗、房地产…）、文档类型（诉状、意见书…）、专业分类（民法、刑法…），自动进行标签分组。实践证明用该算法整理前述邮件，只用了2天。

▲ 构建标签体系

这类标签应用于律所内部数据，即形成一套律所专属标签体系，如同钥匙码，串联起不同维度的律所知识成果，进行有效整理和应用。

3 搜索引擎：更好地应用数据

标签建立的目的在于数据的有效应用，其有效提升的，是检索效率。而检索本身也有自己的技术突破，比如语义检索。

《著作权法》、《专利法》和《商标法》统称为“知识产权相关法律”。

在关键词检索下，输入“知识产权”，结果多为《中华人民共和国知识产权海关保护条例》这样明确带有“知识产权”字符的行政法规；

▲ 知识产权关键词检索结果（左） 知识产权语义检索结果（右）

而语义理解检索，则能基于法律体系理解上位法与下位法之间的关系，在“知识产权”的检索条件下，可以检索出《著作权法》、《专利法》和《商标法》等知识产权相关法律文件。

语义检索也是NLP技术的应用场景之一，其需要构建大量专业领域的数据集，并训练出算法模型。

目前清华大学人工智能研究院自然语言处理与社会人文计算研究中心推出的多领域中文预训练模型仓库。

其中民事文书BERT（预训练的语言表征模型）在超过2千万篇法律民事文书上进行训练，在民事文书相关任务领域，相比于世界搜索引擎巨头中文BERT，其学习速度更快，详见下图。

▲ 民事文书BERT在训练集上的学习速度

刑事文书领域亦如是。

该算法模型不仅可以用于公开领域的数据检索，亦可用于律所内部数据的检索，可以有效提高知识的检索效率，结合标签体系，形成律师个人或团队的独有知识库。

未来：从知识管理到知识发现

智能引擎已经逐渐从搜索引擎走向推荐引擎，律所知识库建设也从管理走向发现，未来的知识世界，将从人去找知识进化为知识来找人。

1 知识的主动推荐

当律师在写作X公司专利侵权相关法律文件时，系统将会主动推荐相应信息。

比如：X公司相关知识产权、诉讼案件、企业信用等信息；与案件相关的判例、研究报告等；主审法官的历审案例医疗智能问答系统的作用，对手律师的相关案例等；以及本所律师相关案件、知识成果等。

主动推荐不仅可以有效提高律师的信息获取效率，也能起到查漏补缺的效用。

机器将从帮助人更具效率地完成工作转变为帮助人发现其原本发现不了的机会点。

▲ 知识的智能推荐

同时，也会根据律师个人或常联系人员近期的关注领域、在办案件等，主动推荐相关行业热点、公开报告等，进行个性化推荐，提高律师专业领域的信息嗅觉。

对于律所而言，则有利于共享社区建设，类似于知乎、豆瓣等社区推荐引擎，聚合同专业、同领域或相同关注点的律所成员，强化专业领域的交流，交流信息沉淀下来亦是一重知识成果，有利于律师协同，助力法律服务产品的研发。

▲ MeBox智能社区

2 知识的自动发现

当律所数据积累成一定规模，就会形成律所数据独有的一套算法模型。

随着机器学习不断深入于律所数据和业务细节，它将帮助律所管理团队，梳理出团队管理或法律服务的共性流程，沉淀出一套律所内部或对外法律服务的业务管理流程；

也有可能发现行业规律或业务异常点，由此辅助律所决策，改善法律服务，从而有效提升律所运营效率及法律服务品质。

▲ 知识的有序化

随着自动抽取、自动标签等功能的完善，可以在邮件、压缩包、pdf、图表等多种格式文件中抽取出结构化信息，比如从法律意见书、法律咨询回复邮件、研究报告等知识成果中抽取出法律知识问答，形成智能问答或智能社区系统，更创新、高效地提供法律服务。

律所正在推进的数字化转型，不仅是推崇无纸化办公，将知识数据电子化或线上化，也不止在时空或管理上解开对律师的桎梏；

而是从充分理解律师业务工作的知识性出发，最高效率实现工作任务执行系统的智能化，最大程度发现律师的知识需求，挖掘法律服务的创造力。

知识是法律服务的第一生产力，发现有价值的知识信息并精准将其推送到律师。未来，以AI为动力的法律服务智能，由此起步。