Επικοινωνήστε μαζί μας

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

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (1)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες