Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Ημέρα 1: Κατασκευή του Θέματος — Εισαγωγή, Αναζήτηση, Ανάκτηση
Μονάδα 1: Το τοπίο του Μηχανικού Νομικού AI
- Στόχοι μάθησης — να κατανοήσετε τον ρόλο, πού ταιριάζει η τεχνητή νοημοσύνη στη νομική εργασία, και τους δύο κινδύνους που διαπερνούν τα πάντα.
- Θέματα
-
- Ο ρόλος του μηχανικού νομικού AI και γιατί προσλαμβάνεται αυτή τη στιγμή
- Πού ταιριάζει η τεχνητή νοημοσύνη: eDiscovery, αναθεώρηση, συμβόλαια, έρευνα, έρευνες· το μοντέλο EDRM σε απλούς όρους
- Κατασκευή έναντι αγοράς
- Οι δύο κίνδυνοι που διαπερνούν τα πάντα: εμπιστευτικότητα/απόρρητο και αμυνόμενη φύση
Μονάδα 2: Τα Νομικά Δεδομένα είναι Ακατάστατα — Εισαγωγή και Εξαγωγή
- Στόχοι μάθησης — διαχειριστείτε την πραγματικότητα των νομικών δεδομένων σε κλίμακα.
- Θέματα
- Πάνω από 1.400 τύπους αρχείων, email και PST, σκαναρισμένα έγγραφα, φορτώσιμα αρχεία (.dat/.opt); ενσωματωμένο metadata που έχει σημασία
- Εξαγωγή κειμένου (Tika), OCR, και αφαίρεση διπλότυπων ως επιλογή
- Εργαστήριο: Εισαγωγή στο FreeEed — κατασκευάστε ένα ρεύμα εισαγωγής πάνω σε σκόπιμα ακατάστατο σύνολο εγγράφων (email/PST, scans, φορτώσιμα αρχεία)
Μονάδα 3: Αναζήτηση και Ανάκτηση — το Θεμέλιο
- Στόχοι μάθησης — κατασκευάστε τον βασικό πυρήνα του eDiscovery: βρείτε οτιδήποτε μέσα σε τα πάντα.
- Θέματα — αναζήτηση πλήρους κειμένου και ευρετηρίαση (Solr/Lucene); σχεlevance, metadata και φιλτράρισμα βάσει ημερομηνίας· αναζήτηση σε OCR'd περιεχόμενο
- Εργαστήριο: Αναζήτηση eDiscovery — ευρετηριάστε ένα σώμα δεδομένων και εκτελέστε πραγματικές αναζητήσεις τύπου eDiscovery, συμπεριλαμβανομένης μέσα από OCR scans
Μονάδα 4: RAG για Νομικά Έγγραφα — με Παραπομπές
- Στόχοι μάθησης — κατασκευάστε RAG πάνω σε νομικά έγγραφα που παραπέμπει στις πηγές του.
- Θέματα
- Γιατί ανάκτηση, όχι fine-tuning, για ευαίσθητο υλικό — το μοντέλο δεν «καταπίνει» ποτέ τα έγγραφα
- Διάσπαση (chunking), ενσωματώσεις, και πάνω απ' όλα παραπομπές / απόδειξη προέλευσης
- Περίληψη πολλών εγγράφων και συζητήσεων
- Εργαστήριο: Νομικό RAG με Παραπομπές — κατασκευάστε ένα RAG Q&A πάνω σε σύνολο εγγράφων που απαντά με παραπομπές στις πηγές
Ημέρα 2: Κάντε το Ιδιωτικό, Αμυνόμενο και Έτοιμο για Αποστολή
Μονάδα 5: Ιδιωτικότητα, Απόρρητο και Τοπική Παροχή — η Παγίδα του Απορρήτου
- Στόχοι μάθησης — διατηρήστε τα νομικά δεδομένα τοπικά και είστε ικανοί να τα πιστοποιήσετε.
- Θέματα
- Πού καταλήγουν πραγματικά τα δεδομένα όταν χτυπούν ένα cloud AI
- Απώλεια απορρήτου, καθήκον αρμοδιότητας, και το φάσμα του «ιδιωτικού» (συμβατικό έναντι φυσικού)
- Morgan v. V2X και γιατί το τοπικό είναι αμυνόμενο σε δικαστήριο
- Παροχή τοπικών μοντέλων (Ollama / vLLM) και παρακολούθηση εξερχόμενης κίνησης
- Εργαστήριο: Τοπικό Μοντέλο + Απόδειξη Εξερχομένων — εκτελέστε ένα τοπικό μοντέλο από άκρη σε άκρη και αποδείξτε, με παρακολούθηση, ότι κανένα δεδομένα δεν εξήλθαν
Μονάδα 6: Αμυνόμενη Ανασκόπηση AI
- Στόχοι μάθησης — μετρήστε και τεκμηριώστε μια ανασκόπηση AI ώστε να σταθεί.
- Θέματα
- Οι αριθμοί που σταθούν σε δικαστήριο: αναστολή, εξομοίωση ακρίβειας, ακρίβεια, επικύρωση βάσης αλήθειας; TAR / ενεργή μάθηση
- Διαφάνεια (γιατί κωδικοποίησε αυτό το έγγραφο;) και επαναληψιμότητα — σταθεροποιήστε το μοντέλο, ορίστε τις ρυθμίσεις, καταγράψτε τα πάντα
- Το «αμυνόμενο στιγμιότυπο περίπτωσης» που επιτρέπει σε κάποιον να επαναλάβει την ανασκόπησή σας ένα χρόνο αργότερα και να πάρει το ίδιο αποτέλεσμα
- Εργαστήριο: Αμυνόμενη Ανασκόπηση — μετρήστε μια ανασκόπηση AI έναντι μιας τυφλής βάσης αλήθειας και παράγετε ένα πακέτο επαναληψιμότητας
Μονάδα 7: Αποστολή — Ροή Εργασίας, Ιδιωτική Ανάπτυξη και Διακυβέρνηση
- Στόχοι μάθησης - συναρμολογήστε τα κομμάτια σε μια ροή εργασίας, αναπτύξτε την ιδιωτικά, και αξιολογήστε την.
- Θέματα
- Μια πολυβηματική νομική ροή εργασίας (εισαγωγή → αναζήτηση → περίληψη → ανασκόπηση → παραγωγή) με άνθρωπο στη διαδικασία
- Βασικές αρχές ιδιωτικής/εντός εγκαταστάσεων ανάπτυξης (containerize· κρατήστε τα δεδομένα μέσα στο κτίριο)
- Σύντομη επισκόπηση διακυβέρνησης AI για νομικούς, και αξιολόγηση του συστήματος με SAIS-100 (Η Κλίμακα Ελέφαντα Αξιολόγησης Ασφαλείας AI)
- Εργαστήριο: Αξιοποίηση και Συσκευασία — συνδέστε μια πολυβηματική ροή εργασίας, αξιολογήστε την με SAIS-100, και συσκευάστε την για ιδιωτική ανάπτυξη
Έργο Αποκορύφματος (ολοκληρωμένο σε όλη την Ημέρα 2)
- Κατασκευάστε μια ιδιωτική, αμυνόμενη εφαρμογή νομικού AI από άκρη σε άκρη — εισάγετε ένα ακατάστατο σώμα δεδομένων, αναζητήστε το, απαντήστε σε ερωτήσεις πάνω του με παραπομπές χρησιμοποιώντας ένα τοπικό μοντέλο, μετρήστε μια αμυνόμενη ανασκόπηση, και συσκευάστε την για ιδιωτική ανάπτυξη.
- Οι συμμετέχοντες φεύγουν με ένα έργο χαρτοφυλακίου που είναι ο ρόλος του μηχανικού νομικού AI.
Προαιρετική Ημέρα 3 / Προχωρημένες Μονάδες (παρέχεται ως 3η ημέρα ή μοντέρνα σειρά)
- Έρευνες: Οντότητες, Σχέσεις και Χρονολόγια — εξαγωγή ανθρώπων/οργανισμών/ημερομηνιών, ανακατασκευή νήματος email, κατασκευή χρονολογιών, χαρτογράφηση near-duplicates και γραμμής προέλευσης εγγράφων. Εργαστήριο: κατασκευάστε ένα χρονοδιάγραμμα και μια προβολή οντοτήτων/σχέσεων.
- Πρακτικά και Πολυβηματικές Νομικές Ροές Εργασίας (βάθος) — πλουσιότερη αρμονία, ανάλυση συμβολαίων, σύνθεση πολλών εγγράφων, χρήση εργαλείων και φρούρια ως αρχή σχεδίασης. Εργαστήριο: κατασκευάστε μια πολυβηματική ροή εργασίας με ένα checkpoint ανθρώπου.
- Ανάπτυξη σε Κλίμακα — ανάπτυξη εντός εγκαταστάσεων και συσκευών, κατανεμημένη επεξεργασία για μεγάλους όγκους, ρυθμιζόμενα περιβάλλοντα (CJIS, κυβέρνηση, τριτοβάθμια εκπαίδευση), μέγεθος υλικού. Εργαστήριο: containerize και κλιμακώστε μια εργασία επεξεργασίας μεταξύ εργατών.
- Βαθύς Έλεγχος Διακυβέρνησης και Συμμόρφωσης — το τοπίο κανονισμών AI (πάνω από 100 νόμοι AI πολιτειών ΗΠΑ, ο Κανονισμός AI της ΕΕ), απαιτήσεις ελέγχου, και πλήρης έλεγχος διακυβέρνησης SAIS-100. Εργαστήριο: ελέγξτε ένα σύστημα νομικού AI έναντι ενός check-list διακυβέρνησης/αμυνόμενης φύσης.
Απαιτήσεις
- Άνεση με την Python και βασικά APIs
- Βοηθητικό: εξοικείωση με LLMs σε επίπεδο χρήστη (δεν απαιτείται υποβάθρου ML — χτίζουμε το νοητικό μοντέλο)
- Δεν απαιτείται νομικό υπόβαθρο — οι νομικές έννοιες που χρειάζεστε διδάσκονται στο πλαίσιο
Κοινό
- Μηχανικοί λογισμικού / AI που μεταβαίνουν στην τεχνολογία νομικών υπηρεσιών
- Μηχανικοί εταιρειών νομικής τεχνολογίας που χρειάζονται βάθος στον νομικό τομέα
- Τεχνικά ευαίσθητοι νομικοί / eDiscovery / επαγγελματίες διαχείρισης πληροφοριών που θέλουν να κατασκευάσουν, όχι απλώς να αγοράσουν
- Όποιος στοχεύει στον ρόλο «μηχανικού νομικού AI» / «μηχανικού νομικής τεχνητής νοημοσύνης»
14 Ώρες
Σχόλια (1)
Άρχισα να κατανοώ τη βιβλιοθήκη Streamlit στο Python και σίγουρα θα προσπαθήσω να τη χρησιμοποιήσω για να βελτιώσω εφαρμογές που αναπτύσσονται στο ομάδα μου με το R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Κομμάτι - GitHub Copilot for Developers
Μηχανική Μετάφραση