Les modèles mathématiques probabilistes au service de la justice quantitative

Publié le 16/02/2021

Il est régulièrement avancé que la justice quantitative permettrait de désengorger les tribunaux en incitant les parties à négocier un accord amiable sur la base d’éléments chiffrés reflétant l’issue prévisible de leur litige. Cette nouvelle forme de justice est rendue possible par une conjonction de facteurs que sont les dernières évolutions en matière d’apprentissage automatique ou, en anglais, de machine learning.

Le machine learning1 est un procédé qui repose sur l’intelligence artificielle, laquelle peut être définie comme « la science qui consiste à faire faire aux machines ce que l’homme ferait moyennant une certaine intelligence »2. Les algorithmes, qui y sont très liés, sont un « ensemble de règles qui définit précisément une séquence d’opérations de sorte que chaque règle soit effective et définie et que la séquence se termine dans un temps fini »3. Les algorithmes d’apprentissage regroupent des méthodes qui permettent de trouver des relations pertinentes et compréhensibles par l’homme, au sein d’un jeu de données qui décrit un ensemble d’observations. Il s’agit, dans l’analyse sérielle, des équations, des règles, des regroupements (clusters), des structures de données (graphes)4. Cette méthode permet la création automatique d’un processus décisionnel à partir des données et non plus à partir des règles créées explicitement par l’homme5.

L’utilisation de ces nouvelles techniques dans le domaine juridique et judiciaire a conduit à la nécessité de lui donner un nom, celui de « justice prédictive »6 ou de « justice quantitative »7. Les solutions obtenues par la justice quantitative fonctionnent de la manière suivante : dans l’interface, l’utilisateur renseigne un certain nombre de mots (tels que « cour d’appel de X », « divorce pour faute ». L’outil interroge une base de données pour extraire toutes les décisions contenant les termes demandés. Enfin, à partir des décisions de jurisprudence trouvées, le logiciel calcule des statistiques sur ces décisions (pourcentage de cas où telle ou telle partie a pu avoir gain de cause, montant moyen de l’indemnité accordée, etc)8.

Le jugement prédictif devient ainsi le fruit d’un calcul effectué à partir des décisions déjà rendues. Il est vrai, ainsi que l’avait souligné Loïc Cadiet, que la justice prédictive « ouvre des perspectives d’étude de l’activité des juridictions jusqu’alors inexistantes »9. Si l’on s’en tient à ses promesses d’une justice augmentée, venant aider le juge dans sa tâche, la justice digitale présente bien des points positifs. Toutefois, le numérique, par la nouvelle forme de vérité qu’il amène, concurrencerait la forme rituelle du procès, traditionnellement admise dans notre procédure depuis plusieurs siècles. Il suscite parfois, proches du scientisme, les espoirs les plus fous, les plus inattendus et surtout les plus démesurés. Cette approche d’un jugement automatisé, déshumanisé, voire décontextualisé fait oublier qu’un jugement est nécessairement le fruit d’une réflexion, le fruit du temps. C’est sur cela que repose l’efficacité symbolique du procès10. Le juge de chair et d’os ne doit pas s’effacer devant le juge virtuel. Il ne faut pas oublier que les corrélations statistiques ne font pas toujours sens. La corrélation ne doit pas se confondre avec la causalité. Si une corrélation est un lien statistique qui ne permet pas de savoir quelle variable agit sur l’autre, la causalité est un lien qui affirme qu’une variable agit sur une autre. Autrement dit, si deux événements sont rapprochés dans le temps ou dans l’espace, on peut dire qu’ils sont corrélés. Toutefois, cela ne signifie pas nécessairement que l’un a causé l’autre…11. Par là, la justice prédictive pourrait présenter comme vérité ce qui n’est qu’un artifice. Le langage juridique a une valeur performative au sens que lui donne John Austin12. Lorsqu’un juge énonce dans un jugement qu’il condamne quelqu’un à une peine, son énoncé se traduit généralement en une peine effective13. Il s’agit là de la valeur quasi magique des mots juridiques14. La justice prédictive pourrait devenir performative à partir du moment où les algorithmes s’appliqueraient directement au litige15. Si pour l’heure, ces outils ne sont qu’une aide accompagnant le juge dans son travail, il ne faut pas négliger le risque de transformation des normativités. La justice prédictive pourrait, en effet, générer une sorte de normativité seconde, voire en quelque sorte la norme d’application se substituer à la règle de droit elle-même16. Le juge serait alors presque obligé de se soumettre à la prédiction de l’algorithme. C’est en cela que la justice prédictive pourrait devenir une « prophétie auto-réalisatrice »17 (self-fulfilling prophecy). Il s’agit d’une définition d’abord fausse d’une situation, mais cette définition erronée suscite un nouveau comportement, qui la rend vraie. C’est une assertion qui induit des comportements de nature à la valider18. En suivant cette logique, la justice prédictive présentera une telle chose comme ce qui apparaît être une situation normale et obligerait le juge à s’y conformer. La matérialisation de l’effet performatif est exponentielle dans la mesure où la réaction d’obéissance qu’elle entraîne renforce alors l’algorithme dans la réalité de son énoncé19. Dans sa fonction d’aide à la décision à disposition du magistrat, la justice digitale aurait un effet performatif indirect. L’intelligence artificielle prédit la décision du juge à partir de données accumulées dans une base contenant des décisions antérieures. La démarche invite donc à reproduire le passé, en ne permettant pas d’évolution. L’avenir serait donc condamné au passé.

Les modèles mathématiques probabilistes au service de la justice quantitative

N’oublions pas que si la loi mathématique est absolue, la loi juridique est relative ; sa mise en pratique passe par l’interprétation du juge et son adaptabilité aux situations en présence. Ainsi, deux juges appliquant la même règle peuvent rendre deux décisions différentes, en fonction de l’espèce qui se présente à eux.

Il est nécessaire de penser la justice quantitative, non pas comme un procédé performatif ou prédictif, mais tout simplement informatif.

Il faut en effet se méfier de la simple corrélation statistique. Il est nécessaire de dépasser ce stade pour construire des modèles. Concrètement, une fois que des corrélations ont été repérées entre des variables, il faut rechercher des équations (par exemple le calcul du montant des indemnités) qui permettent, en prenant en compte certaines de ces variables (en distinguant les juridictions par exemple), de calculer ce qui nous intéresse. La création d’un modèle mathématique permet d’éviter les corrélations parasites nées de l’approche statistique dès lors que l’on utilise un nombre trop important de critères. La justice quantitative est en effet plus précise que l’approche statistique20.

L’utilisation de ces logiciels permet de visualiser par anticipation, pour les affaires où il existe un contentieux massif et où la solution est chiffrée, à la fois les différents résultats possibles et la probabilité de leur survenance. La justice quantitative permet de valoriser mathématiquement le « patrimoine jurisprudentiel »21, en permettant d’utiliser les millions de décisions rendues annuellement par toutes les juridictions. Cet outil permet probablement d’orienter les parties vers des solutions amiables qui, en raison de la possibilité d’interroger le patrimoine jurisprudentiel, pourront s’harmoniser. En revanche, il paraît primordial de souligner que la justice quantitative n’a vocation qu’à informer les parties du contenu du patrimoine jurisprudentiel dans les cas similaires aux siens. Il faut naturellement conserver la possibilité de remettre en cause la solution proposée en saisissant le juge.

Notes de bas de pages

  • 1.
    Dupré J. et Levy Vehe J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », Dalloz IP/IT 2017, n° 10, p. 500.
  • 2.
    Cnil, Comment permettre à l’Homme de garder la main, Rapport sur les enjeux éthiques des algorithmes et de l’intelligence artificielle, 15 déc. 2017, p. 16.
  • 3.
    Stone H., Introduction to Computer Organization and Data Structures, 1972, McGraw-Hill Book Compagny.
  • 4.
    Hand D., Manila H. et Smyth P., « Principles of data mining », Drug safety 2007, vol. 30, n° 7, p. 621-622.
  • 5.
    Langley P., « Applications of machine learning and rule induction », Communications of the ACM 1995, vol. 38, n° 11, p. 54.
  • 6.
    Dondero B., « Justice prédictive : la fin de l’aléa judiciaire ? », D. 2017, p. 532.
  • 7.
    Dupré J. et Levy Vehe J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », Dalloz IP/IT 2017, n° 10, p. 500.
  • 8.
    Dupré J. et Levy Vehe J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », Dalloz IP/IT 2017, n° 10, p. 500.
  • 9.
    Cadiet L. (dir.), L’open data des décisions de justice, Rapport au ministre de la Justice, nov. 2017, p. 23.
  • 10.
    Garapon A., « Le jugement judiciaire aux prises avec de nouvelles “formes de vérité” : marché, calcul, numérique », Archives de philosophie 2019/2, t. 82, p. 286.
  • 11.
    Vigneau V., « Le passé ne manque pas d’avenir », D. 2018, p. 1100.
  • 12.
    Austin J., How to do things with words, 1962, Clarendon Press.
  • 13.
    Garapon A., Bien juger : essai sur le rituel judiciaire, 1997, Paris, Odile Jacob, p. 209.
  • 14.
    Garapon A., Bien juger : essai sur le rituel judiciaire, 1997, Paris, Odile Jacob, p. 209.
  • 15.
    Garapon A., « Les enjeux de la justice prédictive », JCP G 2017, n° 01-02, p. 52.
  • 16.
    Benoit D., « De l’émergence de “nouvelles réalités” : les “prédictions créatrices” », Revue internationale de psychosociologie 2007, vol. XIII, n° 29, p. 49.
  • 17.
    Croze H., « La factualisation du droit », JCP G 2017, n° 5, p. 175.
  • 18.
    Benoit D., « De l’émergence de “nouvelles réalités” : les “prédictions créatrices” », Revue internationale de psychosociologie 2007, vol. XIII, n° 29, p. 49.
  • 19.
    Ferrié S., « Intelligence artificielle : Les algorithmes à l’épreuve du droit au procès équitable », JCP G 2018, n° 11, p. 502.
  • 20.
    Dupré J. et Levy Vehe J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », Dalloz IP/IT 2017, n° 10, p. 500.
  • 21.
    Dupré J. et Levy Vehe J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », Dalloz IP/IT 2017, n° 10, p. 500.
X