我们震撼了市场并且引起全世界的巨大兴趣，这些兴趣不止来自于北美，还包括丹麦、澳洲到巴西。这也让我们认识到我们解决的问题并非只是个地区性问题，而是一个全球性的问题。不久之后，我们决定离开多伦多去硅谷，毕竟如果要做成一个全球性的业务，我们需要去那里。当我们打好包，买好机票准备出发去硅谷的时候，我们的顾问说，「你们应该去一下 Y Combinator。」当时我们只是听过这个名字，其实并不太了解 Y Combinator 是做什么的，于是我们问「啥是 Y Combinator？」（笑）后来我们了解到 YC 会投一些钱（那时我们没钱），并提供导师指导，带你认识有价值的人，总体来说好像还是不错的。

于是我们提交了申请，并进入了 YC，——后来我们才知道这有多难！所有申请中，仅有大约 2% 的申请被接收。那段经历非常难以置信，我们和顶级创业者一起工作，学到了很多技巧和经验，并且改掉了很多坏习惯。这对 ROSS 产生了重大影响。在 YC 的那段时间，我们得到了许多律所合伙人的帮助，他们给予反馈帮助我们改善产品。

从 YC 出来之后，我们筹集到了第一轮投资。我们用这笔钱将 BETA 产品继续开发为真正的商业应用。2016 年三月，我们发布了这款产品，并且拿到不少 AM Law 200（编者注：类似法律界的财富 500 强）的客户，例如 Latham Walkins（全世界收入最多的律所），Denton（全世界职员最多的律所），著名律所 Baker Hostetler 和 Briesen & Roper 等。

最终这些客户的成功获得某种程度上是逐渐积累起来的。我们刚刚起步的时候法律行业对技术的态度是非常冷淡的，他们不明白为什么要做这些，我们的做的这些有何重要价值。我的合伙人 Andrew 可以说像传教士一样，他传播的不仅是 ROSS，而且还包括了人工智能对法律行业的重要影响。如今，法律行业的从业者们逐渐认识到可以如何使用技术扩大市场，增加为客户带来的价值；就像其他行业一样，法律行业也可以享受到技术革新的红利。

在过去几个月我们看到了行业许多喜人的变化。现在我们正在继续扩大我们的业务，并将主要精力放在销售和产品技术两个方面。

机器之心：听起来你们和 Kensho 似乎有很多相似处——他们致力于用人工智能改变金融行业，你们致力于用人工智能改变法律行业；他们去年获得了纽约时报的深度报道，而你们前一段时间获得了 American Lawyer 的深度报道。你怎么看？

Jimoh Ovbiagele： 哈哈，说起来是有那么一点！

二、ROSS 的技术

机器之心：能否介绍一下公司产品所使用的一些技术，比如 NLP 或 Knowledge Representation？

Jimoh Ovbiagele：我们使用了很多不同的自然语言和机器学习技术。我们使用了深度神经网络、依存解析（dependency parsing）、命名实体识别等（name entity recognition），language model 等。我觉得 language model 超酷的，我们使用了 word embedding , 比如词嵌入（word2vec），以百万计的法律案例训练我们的 word embedding。同时，我们发现了一些有趣的东西，比如，总统减去权利，我们得到副总统；不幸的是，我们用律师减去金钱，得到遵守道德。（笑）

这里面存在一些问题，其中一个是在使用机器学习解决判刑问题或预测罪犯时，发现有很强的种族偏见。人们批判机器学习存在种族歧视，但现实是我们的社会存在种族歧视。机器学习像镜子一样反映出社会的歧视，它如同镜子反应出社会的看法。这些机器学习系统是从数据中进行学习，但是这些数据来自我们人类，所以最终其实还是是学习我们人类。

机器之心：那 ROSS 是如何搭建 knowledge base 以及如何做信息提取？

Jimoh Ovbiagele：这取决于具体的方法。比如使用 word embedding 这样的无监督学习技术，我们把判例法输进去，搞清楚单词的语境然后建立词的表征。我们也会进行大量人类互动，让系统更加完善。我们采用多种自然语言理解方法来决定推荐的文章是否回答了问题。虽然有很多种办法，但是我们得搞清楚如何给与每个特征或参数恰当的权重或得分。一种方法是我们使用机器学习来从历史问题和已知答案的训练数据组中学习，进行数以千计的迭代，为那些权重测试不同参数，看看哪些可以得出最理想的结果（基于训练数据集）。