社会关系分析_楚德段跃武:律师是诊断社会关系的医生

a204c815deca68177c42b0591968b937.png 从业20年,看到了传统律所发展的不足之后,他们决心办一家集全所之力为当事人提供服务的律所。身为律所副主任,同时担任律所业务拓展中心总监,他必须要把这两个角色结合起来,既为律所管理服务,也为律所拓展业务服务。

【智善访谈】第151期嘉宾——楚德律师事务所段跃武律师。

(智善访谈——段跃武) bd89494a8df39b47e5a490ed7530408f.gif 让当事人理解何为“赢” bd89494a8df39b47e5a490ed7530408f.gif

智善:为什么会选择辅修法学双学位?

段跃武:从历史的角度来看,哲学和法学是不分家的。我国秦汉以后文法合流,法学和哲学实际上并没有很严格的区分。读大学的时候全国正在进行教育改革,武汉大学最先响应改革,在校内开展了选修双学位的变革,当时学校已经制定了一套成型的制度,采取自主申报的方式。由于对法学感兴趣,我就选择了辅修法学双学位。

智善:学习哲学,对从事律师工作有什么帮助?

跃武:哲学有一部分的内容是方法论,包括马克思主义里面对立统一的观点、发展变化的观点、辩证思维的方式,对律师来说都是很有指导作用的。通常,当事人与律师进行沟通时都站在自己的立场,进行有选择的表达和陈述。律师在接待当中可能会经常遇到这种问题,这就需要在接待过程当中对当事人的表述进行全面客观的分析。后期也需要结合与当事人的交谈、收到的证据、实地调查等资料和手段来帮助自己分辨真伪,再根据实际情况,为当事人提供最好地处理这个问题的方案。这就是一个思辨选择的过程。

律师做案子也不能保证所有的案子都会赢,在处理案子的过程中要让当事人理解“赢”的概念,结果不可能完完全全达到他的预期,只能说律师可以在合理的范围内争取到最大的利益,而这就是律师所起到的作用。

bd89494a8df39b47e5a490ed7530408f.gif “靠嘴巴”吃饭 bd89494a8df39b47e5a490ed7530408f.gif

智善:在通过律考以前的4年,从事的是哪个职业?怎样看待这段工作经历?

段跃武:大学毕业以后进入武汉市城建委党校任职。但是,一直以来都有当律师的想法。做老师的时候相对来说时间比较宽裕,就自学备战律师资格考试,并在98年通过考试。

老师与律师之间有一个相似的地方,都是“靠嘴巴”吃饭。在党校当老师的时候,每年学校都会开办入党积极分子培训班、中青年干部培训班、处级干部培训班,我们会给学员上课。每天也会进行定量的培训,这项工作极大提升了个人的语言表达能力。

与前来上课的学员进行交流的过程也是一个互相学习的过程。从他们身上学到了很多从书本上学到不到的东西,比如讲话技巧、为人处世的技巧以及处理事务的方法。

这段经历对我来说是一个很好的学习和成长的过程,对现在从事律师职业有很大的帮助。

智善:成为专业建工和公司法律师,有什么样的经验?

段跃武:只有靠自己不断地学习。现在的学习方式和方法有很多,网上也有很多海量的学习资料。另外,还要有意识地进行自我定位和选择,最好可以进入建筑公司实地去感受公司的运行方式,观察实务中的问题,有切身的体会才能收到比较好的效果。“纸上得来终学浅”,看再多的案例和文章,但如果没有去建筑公司有切身的体会,效果还是不一样。

智善:在为企业提供常法服务的过程中,有什么样的经验?

段跃武:常法工作是律师很重要的一个非诉业务,律师会通过各种各样的渠道签约顾问单位。要成功签约,首先最重要的一点是要让对方认可你的为人和做人做事的方式。提供常年法律顾问服务,与顾问单位之间关系的维护也很重要,对律师的工作能力、业务能力和为人处世的方式都有相应的要求,这项工作是对综合能力的要求。

律师是很集中的社会关系的产物,或者可以被称为社会活动家。不仅需要储备专业知识还要会使用这些知识,更重要的是在面临不同的环境、不同的当事人,都能处理得好,让别人很顺利地接受你。律师的工作和当事人是比较紧密的联系,他会有一些不足为外人道的东西讲给你,所以要学会与当事人之间建立信任。

bd89494a8df39b47e5a490ed7530408f.gif 集全所之力提供服务 bd89494a8df39b47e5a490ed7530408f.gif

智善:在您看来,楚德所有什么样的特色?

段跃武:我和楚德所创始人吴俊国律师、汤炜律师原来都是在传统所做了20年以上的律师。20多年在传统所的经历,让我们对行业的很多问题都有切身的感受。客观来说,武汉的律师、律所发展状况与北上广这些城市相比在经营理念、管理手段、业务拓展方式上有巨大的差距。我们想创办一家真正能实现以专业化、团队化、公司化为发展方向的律所,实现集全所的力量为当事人提供专业的法律服务,而不是像传统所那样依靠个人力量单打独斗地处理案件或担任企业常年法律顾问。

随着社会和市场的发展,律师单枪匹马地为客户提供服务被接受的可能性越来越低。对于有较高要求的客户来说他们看重的是律所团队化、专业化的服务能力。客户数量少的时候依靠一个律师来包揽所有的服务是可行的,但随着客户数量的增加,单个人将无法满足服务的需求。在面对重大疑难案件的时候,律师个人的能力也有局限性,总会有疏漏和考虑不周的地方,也会陷入思维的误区找不到突破口,而这正是团队化的优势。

我们办所就是想让律所成为一个依靠全所力量为当事人提供法律服务的律所。所里的律师根据自己的专业和兴趣,再结合律所的需要分成不同的专业部门,提供专业化、团队化的服务。如果需要跨部门的法律服务,就是全所共同为当事人提供法律服务。

智善:目前担任楚德所业务拓展中心总监,主要负责的工作内容包括哪些?

段跃武:每个律所都有一个现实的问题,业务发展离不开客户,有客户才能发展壮大,律师才会有活干。过去都是律师自己去找客户。对于刚毕业的年轻律师或者从外地来武汉工作的律师来说,他们可能缺少社会资源,没有能力和条件去寻找顾问单位和客户。律所成立专门的业务拓展部门,有专业的拓展人员和商务人员,为律所拓展业务服务,让律师专心办案。

成立拓展部门的目的是让律师从事专业工作,而不需要为业务操心。业务中心会采用一些线上的方式来推广业务,但是律师开拓业务最重要的是要与当事人建立信赖关系,尤其是开拓常法服务。而这种信赖需要面对面的交流,网络当然有一定的优势,成本低,比较便捷,但若要更深入地建立相互的合作关系,网络就存在缺陷。

对企业类型的客户,我们会通过和相关的组织,比如协会、省工商联、商会等进行接洽,成为为商会提供法律服务的单位。再通过这些组织与企业做进一步的沟通,把律所的优势介绍给他们,通过上门提供法律课堂、上门培训的方式,让客户了解我们。

智善:楚德在9月底举办了一场民法典的讲座,可以介绍一下楚德讲堂吗?

段跃武:律所成立楚德讲堂,要求所内的律师或律师团队拿出专业的法律课程。比如建筑房产团队对常见的纠纷类型进行归纳总结,研发出课程后举办一个建筑房地产常见纠纷的讲座。律师要研发课程,就需要对法律条文进行梳理,对他来说也是一个学习的过程,对业务能力也是一种提升。

律所以开设楚德讲堂的方式主动地为客户提供法律服务,而不是被动等待当客户发生纠纷再来找我们。律所主动提供法律服务产品给客户,也相当于帮助客户整体提高法律风险防范的能力,也进一步加深了双方之间的了解和沟通。

bd89494a8df39b47e5a490ed7530408f.gif 有决心,未来必大有所为 bd89494a8df39b47e5a490ed7530408f.gif

善:现在的律师行业与入行相比有什么变化?怎样看待律师行业的未来?

段跃武:现在律师行业与20年前相比,有了很大的进步。首先,律师执业的外部环境比以前更好。相关部门的观念都在逐渐地改变,他们也认为律师是作为法律服务的工作者,大家都在共同维护社会秩序和推进中国法治进步做贡献。相比以前的脸难看,门难进,现在律师能够充分表达自己的意见。其次,从事律师行业的年轻人的素质也越来越高,专业和能力都比以前有大的提高。

未来的法律服务市场会是一个向上走的趋势,律师提供法律服务的前提是市场经济的形成和发展。市场经济下,主体多元、社会关系复杂化、市场主体的流动性更强,由此而产生的纠纷比计划经济年代多了很多,这是客观的趋势。律师的法律服务市场随着市场经济和对外经济的发展也将无限扩大。不管是当下所讲的内循环,还是外循环,他们的发展都注定了法律服务市场会有无限的成长空间,而我国的律师从数量上来讲相对还是比较少的。

智善:您执业20多年未曾受到过任何投诉,可以分享一下自己的经验吗?

段跃武:第一,从律师与客户的相互关系上讲,作为律师要能够正确对待你和当事人的关系,要在不违反法律的前提下尽量去维护当事人的利益;

第二,不能为了代理费用或代理的利益而故意地或选择性地回避当事人面临的风险,可能有重大缺陷的地方。如果为了接业务故意不告诉当事人,一旦裁判的结果与当事人的预期不符或者办案过程中出现当事人利益受损的情况,客户可能会认为你的能力不足,甚至认为你故意欺骗他,这样就会产生一些矛盾,可能面临投诉。所以,律师要客观、公正地去分析和处理问题,不能迁就当事人,也不能为了获得更大的利益而故意选择性地对当事人进行法律上的规避。

对年轻律师来讲,刚从事这个职业,生活压力和职业压力都很大,并不像大家认知的那样收入处于金字塔顶端。每个行业都有二八定律,刚从业的年轻律师有很大的压力,但更应该尊重事实,客观公正地去分析,不能无视事实和法律,盲目允诺。

年轻律师一方面要主动学习,另一方面要保持平常心,不要急功近利。我们去医院看病会选择老医生,就是觉得他诊断过的案例比较多,经验丰富。这和当事人选择律师是一样的,律师其实是一个诊断社会的医生,我们所面临的各种社会矛盾其实就是不同社会关系、法律关系的反映。面对这种法律关系,只有像医生一样看得多、见得多、问诊得多,处理方法、处理手段才会更加丰富,也更加游刃有余。

智善:对青年律师有什么样的建议。

段跃武:在选择做律师前要有充分的思想准备,律师这个行业还是比较艰难的,尤其是对年轻律师来说。律师要与形形色色的当事人打交道,而这需要一定的实践经验的积累;刚刚走向社会没有足够的资源,案源获得比较困难;把专业知识运用到具体的案件上需要进行转化,这跟个人的能力和实践都是有关系的;就职律所的经营方式和经营理念是否适应年轻律师的成长……这些都可能是青年律师会面临的问题。在入行前有足够的心理准备,明白律师的道路是曲折艰难的。一旦拥有克服这些困难的决心和毅力,未来还是有很大发展的。

d14f43f27da5f7cbc291bd7f7fc3f483.png

882b5aaafcab94679f09d2fc85275967.gif

be43b4e467c21c2346836a4c343da406.png

4dad4c1e534f323f976d4913699a947b.png

72d4a601d0d64cce0be021cd0126066f.png

责 编|戢伟娜

ce86ad9c1d460578ff37dc2f82fa369e.png

4d3572c2a917d52e2637779171b76b0f.gif,提升“专业技能”

0ff3732b68a45f3d2f7ab66273856f1e.gif

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值