was successfully added to your cart.

    Legal NLP releases new LLM demos, LLM-based Question Answering, Longformer and Camembert models , Greek Regulation Classification and notebooks and demos

    Legal NLP 1.14 comes with a lot of new capabilities added to the 926+ models and 125+ Language Models already available in previous versions of the library. Let’s take a look at each of them!

    Question / Answering in Legal NLP using Flan-T5

    LLM demos

    A new demo has been released showcasing how to use Flan-T5 models, finetuned on legal texts to carry out summarization, text generation and question answering.

    Demo available here.

    Summarization

    Question Answering

    Text Generation

    New Question Answering annotator and models

    We included new generation QA models, based on Flan T5, in addition to what we already had that was Bert/RoBerta based, thus improving the quality of the responses.

    The new annotator is available in johnsnowlabs library as legal.QuestionAnswering()

    New Legal Longformer, Camembert and T5 models

    The following Legal Language Models have been included in the Spark NLP suite:

    • Legal English Longformer (base and large) LMs
    • Legal Multilingual Longformer LM
    • Legal French Camembert LM
    • Legal French DistilCamembert LM
    • Legal T5-based Portuguese Summarization for legal texts

    New Legal Contract Understanding notebooks

    Three notebooks have been added to the legal notebooks workshop, which is available here:

    • Legal Contract Understanding: Carry out Document Classification, Clause Identification, Name Entity Recognition, Relation Extraction and put all the extracted information in a graph.
    • Legal Contract Understanding for NDA: A variation of the above, including Document Classification, Clause Identification, Name Entity Recognition, as well as Summarization and Question Answering.

      Example of NER on specific NDA clauses

      Summary of the agreement in 4 lines

    • Subpoenas: Carry out NER on subpoenas using Legal NLP.

    New Greek Legal Regulations Classification Model

    We included a new Greek Topic Classification model for Legal Regulations on different sectors.

    text = """14. ΠΡΟΕΔΡΙΚΟΝ ΔΙΑΤΑΓΜΑ υπ’ αριθ. 545 της 5/25 Ιουλ. 1979 (ΦΕΚ Α΄ 168) Περί αυξήσεως των υπό του Ταμείου Προνοίας Εργοληπτών Δημοσίων Έργων παρεχομένων εφ’ άπαξ βοηθημάτων. Έχοντες υπ’ όψιν: 1.Τας διατάξεις της παρ. 8 του άρθρ. 2 του Ν.Δ. 75/1946 «περί συστάσεως Ταμείου Προνοίας Εργοληπτών Δημοσίων Έργων». 2.Τας διατάξεις της παρ. 2 του άρθρ. 12 του Νόμ. 400/1976 «περί Υπουργικού Συμβουλίου και Υπουργείων» (ΦΕΚ 203/76 τ.Α΄). 3.Τας διατάξεις των άρθρ. 17 παρ. 2 εδάφ. β΄ περίπτ. αα΄ και 113 παρ. 2 εδάφ. α΄ του Π.Δ. 544/1977 (ΦΕΚ 178/77 τ.Α΄) ως η τελευταία αντικατεστάθη δια της παρ. 1 του άρθρ. 2 του Νόμ. 728/1977 (ΦΕΚ 316/77 τ.Α΄). 4.Την υπ’ αριθ. Δ3/2087/6.12.77 (ΦΕΚ 1278/77 τ.Β΄) απόφασιν του Πρωθυπουργού και του Υπουργού Κοινωνικών Υπηρεσιών «περί αναθέσεως αρμοδιοτήτων στους Υφυπουργούς Κοινωνικών Υπηρεσιών». 5.Την σύμφωνον γνώμην του Διοικητικού Συμβουλίου του Ταμείου Προνοίας Εργοληπτών Δημοσίων Έργων, ληφθείσα κατά την υπ’ αριθ. 1/17.1.79 συνεδρίασιν αυτού και υποβληθείσα ημίν δια της υπ’ αριθ. 583/24.1.79 αναφοράς του Ταμείου. 6.Την γνωμοδότησιν του Συμβουλίου Κοινων. Ασφαλείας, ληφθείσα κατά την υπ’ αριθ. 9/11.4.79 συνεδρίασιν αυτού της Κ΄ περιόδου. 7.Την υπ’ αριθ. 490/1979 γνωμοδότησιν του Συμβουλίου της Επικρατείας, προτάσει του επί των Κοινωνικών Υπηρεσιών Υφυπουργού, αποφασίζομεν: Άρθρον μόνον.-1.Το υπό του Ταμείου Προνοίας Εργοληπτών Δημοσίων Έργων παρεχόμενον εις τους εξερχομένους του επαγγέλματος δι’ οιονδήποτε λόγον ησφαλισμένος αυτού, πλήρες εφ’ άπαξ βοήθημα (χορηγία) δια τους έχοντας συμπεπληρωμένην 35ετή υπηρεσίαν, καθορίζεται εφ’ εξής ως κάτωθι: α)Δια τους ησφαλισμένους Εργολήπτας Δημοσίων Έργων Γ΄ και Δ΄ τάξεως ως και τους μετόχους υπαλλήλους του Ταμείου και των Εργοληπτικών Οργανώσεων από του 6ου βαθμού συμπεριλαμβανομένου και άνω εις 474.500 δραχμάς. β)Δια τους λοιπούς ησφαλισμένους του Ταμείου εις 357.000 δραχμάς. 2.Εις περίπτωσιν κατά την οποίαν η συνολική υπηρεσία οιουδήποτε εκ των ανωτέρω ησφαλισμένων είναι μικροτέρα των 35 ετών και εφ’ όσον συντρέχουν αι προϋποθέσεις του άρθρ. 1 του Β.Δ/τος της 13/29 Μαρτ. 1947 «περί χορηγιών του Ταμείου Προνοίας Εργοληπτών Δημοσίων Έργων» ως ισχύει κατόπιν των τροποποιήσεων και συμπληρώσεων αυτού, ο ησφαλισμένος δικαιούται τόσων τριακοστών πέμπτων του πλήρους εφ’ άπαξ βοηθήματος, όσα και τα έτη της υπηρεσίας αυτού. 3.Προϋπηρεσία πλέον των 35 ετών δεν αναγνωρίζεται. (Αντί για τη σελ. 224,03(α) Σελ. 224,03(β) Τεύχος 709-Σελ. 113 Ταμείο Προνοίας Εργοληπτών 23.Γ.ε.12-14 Εις τον επί των Κοινωνικών Υπηρεσιών Υφυπουργόν ανατίθεμεν την δημοσίευσιν και εκτέλεσιν του παρόντος."""
    
    result = model.transform(spark.createDataFrame([[text]]).toDF("text"))

    Fancy trying?

    We’ve got 30-days free licenses for you with technical support from our legal team of technical and SME. This trial includes complete access to more than 926 models, including Classification, NER, Relation Extraction, Similarity Search, Summarization, Sentiment Analysis, Question Answering, etc. and 120+ legal language models.

    Just go to https://www.johnsnowlabs.com/install/ and follow the instructions!

    How to run

    Legal NLP is very easy to run on both clusters and driver-only environments using johnsnowlabs library:

    !pip install johnsnowlabs
    nlp.install(force_browser=True)
    nlp.start()

    How useful was this post?

    Try Legal NLP

    See in action
    Our additional expert:
    Juan Martinez is a Sr. Data Scientist, working at John Snow Labs since 2021. He graduated from Computer Engineering in 2006, and from that time on, his main focus of activity has been the application of Artificial Intelligence to texts and unstructured data. To better understand the intersection between Language and AI, he complemented his technical background with a Linguistics degree from Moscow Pushkin State Language Institute in 2012 and later on on University of Alcala (2014). He is part of the Healthcare Data Science team at John Snow Labs. His main activities are training and evaluation of Deep Learning, Semantic and Symbolic models within the Healthcare domain, benchmarking, research and team coordination tasks. His other areas of interest are Machine Learning operations and Infrastructure.

    The Ultimate Guide to Recognizing Legal Entities with Legal NLP

    Natural Language Processing (NLP) is changing the way the legal sector operates. According to a report, the NLP market size is expected...
    preloader