讓 BERT 帶你成為契象主播：
自然語言模型於契約合法性判定之應用
契象預報
隊伍名稱 : LAW電 LEE
LEE
1
目錄
2
需求與痛點
3
前處理程序
5-6
科技說明
7-10
提案分析
11-12
DEMO
4
結語
13
耗時
無預算
由法務部門提供意見
以既往經驗草擬
小企業
大企業
低預算、
省時之改善方案
需求
需求與痛點
現況
3
審閱修訂
簽約
執行
完成
合約草擬
DEMO
4
5
約款無效
條款與其所排除不予適用之任意規定之立法意旨顯相矛盾者
契約之主要權利或義務，因受條款之限制，致契約之目的難以達成者
當事人間之給付與對待給付顯不相當者
消費者應負擔非其所能控制之危險者
其他顯有不利於消費者之情形者
違反平等互惠
顯失公平
違反誠信
消費者違約時，應負擔顯不相當之賠償責任者
前處理程序
建立消保法第12條與消保法施行細則第14條
體系關聯性
包含契約約款、判決理由、違反條款
標記判決
建立體系關聯性
建立資料庫，以訓練機器模型
資料庫與訓練
LEE
建立消保法第12條與消保法施行細則第14條
體系關聯性
包含契約約款、判決理由、違反條款
標記判決
建立體系關聯性
建立資料庫，以訓練機器模型
資料庫與訓練
前處理程序
6
契約內容
顯失公平
平等互惠
...
判決字號
最高法院xxx年度
台上字第xxx號判決
台北地方法院yyy年度
訴字第yyy號判決
契約證卡持卡人…
買方連帶保證…
1
1
0
0
1
1
...
Model 3
Model 1
Model 2
無顯失公平
違反誠信原則
是否當事人間之給付與對待給付顯不相當
危險是否為消費者所能控制
消費者違約，賠償是否顯不相當
違反誠信原則或平等互惠原則之預測
違反平等互惠
Binary
classificaiton
Multi label classificaiton
Multi label
classificaiton
有顯失公平
7
Model:
Roberta-Chinese*
顯失公平之預測
甲
承
方
諾
*RoBERTa: A Robustly Optimized BERT Pretraining Approach [Liu, et al., arXiv’19]
8
顯失公平預測
Loss function (BCELoss)
Accuracy : 0.88 (是否顯失公平)
Result
顯失公平各款預測
Loss function (BCEwithLogitLoss)
Accuracy : 0.67
9
相似度判斷
LEE
10
對各消費族群之效益
提案分析
效益與優勢
企業法務、律師，節省時間
01
政府，參考設計
消費者，先行把關
11
他牌AI自動合約生成
技術上為分析法院見解，無資料偏見問題
提案分析
效益與優勢
優勢
02
本產品
他牌AI契約審閱
35小時→數秒
藉由輸入特定資料後，
生成契約條文
就契約內容審查是否妥適
12小時→15分鐘
技術上為分析一般契約，可能有資料偏見問題
20~40小時→數小時
技術上以一般契約為準，可能有資料偏見問題
產品內容
使用時間
缺陷
12
結語
13
模型在地化
精準風險預測
節省時間成本
THANK YOU
14
LEE