谢尔盖·尼文/ Adobe股票
在本文的最后两部分中人工智能在CLM合同生命周期管理中的人工智能介绍了主题然后深入知识表示的概念它讨论了以丰富的合同条款、相关数据(例如，风险)和元数据(而不仅仅是合同文档工件)存储库的形式构建合同领域知识模型的重要性。
事实上，更广泛地说，你可以将合同、条款、义务、风险、补救措施、里程碑、供应商等概念视为代表那些物理/逻辑实体知识的“对象”类别。
这些对象越来越具有丰富的分类、属性和相互关联(超越了在erp类型系统中使用的传统关系数据库模型)，但要弄清它们的意义在哪里推理出现的原因。你可以让专家建立特定的规则来指导他们的互动，最终甚至开始给他们设定帮助他们自己的目标。
但是，您也可以教/“监督”软件做一些事情，比如将非结构化或半结构化的契约数据分类/属性/关联到这些高级知识结构中。
从推理到计划(和行动)
教机器学习(即“机器学习”)也是实现这一目标的关键预测分析在风险管理和规范的分析这有助于指导你做决定。所有这些知识建模都很棒，但接下来呢?
嗯，广义的专家系统使用领域特定的逻辑(即规则)对这些“对象”进行操作。CLM应用程序中的这种业务逻辑(与大多数其他系统一样，通常不是使用面向对象的数据实现的)正越来越多地允许业务用户自己定义和扩展业务逻辑。
例如，一个新兴的最佳实践是“引导契约”，它向终端用户提供自动化的问卷，帮助灵活地从子句库中的原子级子句配置“标准”契约。这种功能可以用传统的类似配置器的业务规则来构建，以模拟专家，指导您利用适当的子句来满足商业/业务需求。
这样的系统在使用深度学习的意义上是不智能的IBM的Watson或谷歌DeepMind(这些系统在一定程度上使用，机器学习——我马上就会讲到)，但是它可以帮助灵活的合同创作，从原子级别的合同条款出发，开发一个自下而上的合同草案。这可以大大减少或消除律师冗长的法律合同审查。
在未来，我希望CLM中的专家系统将具有规划和推理逻辑，以支持基于代理的行为，其中契约将成为目标寻求实体，可以自我监控，并可以与指定的人(和其他系统)交互。这样的人类交互将需要自然语言处理(NLP)，我将在后面讨论这个问题。
在过程自动化方面，有些人使用术语“机器人过程自动化”(RPA)来表示这种智能过程自动化，它还包括许多其他传统的工作流/集成技术，但我发现这个流行词术语有点误导和混淆，所以尽量不要使用它。
顺便说一下，即使你完全忽略了人工智能的话题，将与合同相关的活动和触发器嵌入到其他利益相关者流程和系统的工作流程中的概念仍然是有价值的。灵活的集成和直观的用户界面是这里的关键。
讨论: