Estudio comparativo de métodos de explicabilidad en modelos de clasificación de decisiones en apelaciones judiciales en INDECOPI

Abstract

El presente estudio explora la implementación de modelos de Inteligencia Artificial Explicable (XAI) para mejorar la eficiencia y transparencia en la resolución de apelaciones en el Instituto Nacional de Defensa de la Competencia y de la Protección de la Propiedad Intelectual (INDECOPI). Actualmente, el proceso manual de revisión de apelaciones en INDECOPI es lento y enfrenta una alta carga procesal. Con el fin de optimizar el tiempo de respuesta y mantener la confianza en las decisiones automatizadas, este estudio propone un sistema de clasificación explicable que permite reducir el tiempo de resolución en segunda instancia, asegurando además la claridad en la interpretación de los resultados. Se desarrollaron e implementaron modelos de clasificación que emplean técnicas avanzadas de procesamiento de lenguaje natural (NLP) y de XAI, permitiendo interpretar las decisiones de los algoritmos y evaluar métricas de precisión, recall y calidad de la explicación. Los resultados muestran que la adopción de este sistema puede acelerar considerablemente el tiempo de resolución de apelaciones en comparación con el proceso manual, manteniendo la transparencia en cada decisión. Este trabajo demuestra cómo la IA explicable puede ser aplicada en la gestión pública para mejorar la eficiencia en procesos críticos y fomentar la aceptación de sistemas de IA en la administración de justicia.This study explores the implementation of Explainable Artificial Intelligence (XAI) models to improve efficiency and transparency in the resolution of appeals at the National Institute for the Defense of Competition and the Protection of Intellectual Property (INDECOPI). Currently, the manual review process for appeals at INDECOPI is slow and faces a high procedural burden. In order to optimize response times and maintain trust in automated decisions, this study proposes an explainable classification system that reduces the time for second-instance resolution while ensuring clarity in the interpretation of the results. Classification models utilizing advanced Natural Language Processing (NLP) and XAI techniques were developed and implemented, enabling the interpretation of algorithmic decisions and the evaluation of metrics such as precision, recall, and explanation quality. The findings indicate that adopting this system can significantly accelerate appeal resolution times compared to the manual process, while preserving transparency in each decision. This work demonstrates how explainable AI can be applied in public administration to improve efficiency in critical processes and promote the acceptance of AI systems in justice administration.