Auteurs: Mathias Hanson, Gregory Lewkowicz, Sam Verboven

Organisaties die machinelearning-gebaseerde (ML) technologieën ontwikkelen, worden geconfronteerd met de complexe uitdaging om een hoge voorspellende prestatie te bereiken terwijl zij de wet respecteren. Dit snijpunt tussen ML en het recht creëert nieuwe complexiteiten. Aangezien het gedrag van ML-modellen wordt afgeleid uit trainingsdata, kunnen juridische verplichtingen niet rechtstreeks in broncode worden geoperationaliseerd. In plaats daarvan vereisen juridische verplichtingen een “indirecte” operationalisering. Het kiezen van context-passende operationaliseringen brengt echter twee elkaar versterkende uitdagingen met zich mee: (1) wetten laten vaak meerdere geldige operationaliseringen toe voor eenzelfde juridische verplichting — elk met verschillende graden van juridische adequaatheid; en (2) elke operationalisering creëert onvoorspelbare afwegingen tussen de verschillende juridische verplichtingen en met de voorspellende prestatie. Het evalueren van deze afwegingen vereist meetinstrumenten (of heuristieken), die op hun beurt moeilijk te valideren zijn ten opzichte van juridische verplichtingen. Huidige methodologieën slagen er niet in deze verweven uitdagingen volledig aan te pakken, aangezien zij zich ofwel richten op juridische naleving voor traditionele software, ofwel op de ontwikkeling van ML-modellen zonder de juridische complexiteiten voldoende in overweging te nemen. Als antwoord hierop introduceren wij een vijfstappen interdisciplinair kader dat juridische en ML-technische analyse integreert tijdens de ontwikkeling van ML-modellen. Dit kader vergemakkelijkt het ontwerpen van ML-modellen op een juridisch afgestemde manier en het identificeren van hoog presterende modellen die juridisch te rechtvaardigen zijn. Juridische redenering stuurt de keuzes voor operationaliseringen en evaluatiemaatstaven, terwijl ML-experts zorgen voor technische haalbaarheid, prestatie-optimalisatie en een correcte interpretatie van metriekwaarden. Dit kader overbrugt de kloof tussen meer conceptuele analyses van het recht en de behoefte van ML-modellen aan deterministische specificaties. Wij illustreren de toepassing ervan aan de hand van een casestudy in de context van de bestrijding van witwassen.

Lees het volledige artikel hier