Cet article met en évidence les défis liés à la subjectivité, aux retards et aux incohérences dans les décisions de mise en liberté sous caution des tribunaux indiens et propose le Système indien de prédiction des mises en liberté sous caution (IBPS). IBPS est un cadre basé sur l'IA qui prédit les décisions de mise en liberté sous caution en se basant uniquement sur les caractéristiques factuelles du dossier et les dispositions légales, et génère des justifications juridiquement solides. Nous construisons un ensemble de données de plus de 150 000 décisions de mise en liberté sous caution de hautes juridictions et y ajoutons des annotations structurelles, notamment l'âge, l'état de santé, les antécédents criminels, le type d'infraction, la durée de détention, les dispositions légales et les motifs des décisions. Nous affinons un modèle linguistique à grande échelle à l'aide de techniques efficaces en termes de paramètres et évaluons ses performances dans diverses configurations, y compris avec et sans dispositions légales, et en utilisant la génération augmentée de récupération (RAG). Nous démontrons que le modèle, affiné grâce aux connaissances juridiques, atteint une précision et une qualité d'explication nettement supérieures à celles du modèle de base et se généralise bien, même sur un ensemble de tests annotés indépendamment par des experts juridiques. IBPS propose une solution transparente, évolutive et reproductible qui fournit une assistance juridique basée sur les données, réduit les délais de mise en liberté sous caution et favorise l'équité procédurale dans le système judiciaire indien.
