Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Dag 1: Bygg grunden — Mata in, sök, återfin
Modul 1: Den juridiska ingenjörens landskap
- Lärandemål — förstå rollen, var AI passar in i juridiskt arbete, och de två riskerna som genomsyrar allt.
- Ämnen
-
- Den juridiska ingenjörens roll och varför den anställs just nu
- Vari AI passar in: eDiscovery, granskning, avtal, forskning, utredningar; EDRM-modellen i vanliga termer
- Bygg vs. köp
- De två riskerna som genomsyrar allt: sekretess/privilegium och försvarbarhet
Modul 2: Juridisk data är rörig — Inmatning och extrahering
- Lärandemål — hantera verkligheten av juridiska data i stor skala.
- Ämnen
- 1 400+ filtyper, e-post och PST, skannat papper, load files (.dat/.opt); inbäddad metadata som spelar roll
- Textextrahering (Tika), OCR, och de-duplicering som val
- Labb: FreeEed Inmatning — bygg en matningspipeline över ett avsiktligt rörigt documentset (e-post/PST, skanningar, load files)
Modul 3: Sök och återfinnande — grunden
- Lärandemål — bygga den grundläggande eDiscovery-primitiven: hitta vad som helst inne i allt.
- Ämnen — fulltextsökning och indexering (Solr/Lucene); relevans, metadata och datumfiltrering; sökning över OCR-hanterat innehåll
- Labb: eDiscovery-sökning — indexera ett corpus och kör verkliga sökningar i eDiscovery-stil, inklusive inuti OCR-skanningar
Modul 4: RAG för juridiska dokument — med källhänvisningar
- Lärandemål — bygga RAG över juridiska dokument som citerar sina källor.
- Ämnen
- Varför återhämtning, inte finjustering, för känsligt material — modellen sväljer aldrig dokumenten
- Kunstackning, inbäddningar, och framför allt källhänvisningar / proveniens
- Sammanfattning av flera dokument och trådar
- Labb: Juridisk RAG med källhänvisningar — bygga en RAG Q&A över ett documentset som svarar med källhänvisningar
Dag 2: Gör det privat, försvarbart och levererbart
Modul 5: Sekretess, privilegium och lokal hantering — Privilegiumfällan
- Lärandemål — hålla juridisk data lokal och kunna certifiera det.
- Ämnen
- Vad som händer med datan när den träffar en moln-AI
- Privilegiumavträdande, kompetensplikt och "privat"-spektrat (kontraktsmässigt vs. fysiskt)
- Morgan v. V2X och varför lokalt är rättsförsvarbart
- Hantera lokal modell (Ollama / vLLM) och mätning av utgående trafik
- Labb: Lokal modell + Egress-bevis — kör en lokal modell från början till slut och bevisa, med övervakning, att ingen data lämnat systemet
Modul 6: Försvarbar AI-granskning
- Lärandemål — mäta och dokumentera en AI-granskning så att den står sig.
- Ämnen
- Siffrorna som håller i rätten: recall, elusion, precision, ground-truth-validering; TAR / aktiv inlärning
- Transparens (varför kodade den detta dokument?) och reproducerbarhet — lås modellen, fixa inställningarna, logga allt
- Det "försvarbara fallsnapshot" som låter någon köra din granskning om ett år och få samma resultat
- Labb: Försvarbar granskning — mäta en AI-granskning mot ett blinds ground truth och producera en reproducerbar paket
Modul 7: Leverera det — Arbetsflöde, privat implementering och styrning
- Lärandemål — sammanfoga delarna i ett arbetsflöde, distribuera det lokalt och värdera det.
- Ämnen
- Ett flerstegs juridiskt arbetsflöde (mata in → sök → sammanfatta → granska → leverera) med människa i loopen
- Kärnan för privat/lokal distribution (containernisera; håll datan inne i byggnaden)
- AI-styrning för juridik i korthet, och värdera systemet med SAIS-100 (Elephant Scale Secure AI Score)
- Labb: Värdera och paketera — koppla ihop ett flerstegsarbetsflöde, värdera det med SAIS-100 och paketera det för privat distribution
Slutprojekt (integrerat över Dag 2)
- Bygg en privat, försvarbar juridisk AI-applikation från början till slut — mata in ett rörigt corpus, sök i det, svara på frågor över det med källhänvisningar via en lokal modell, mäta en försvarbar granskning och paketera den för privat distribution.
- Deltagarna lämnar med ett portföljprojekt som speglar yrket som juridisk ingenjör.
Valfri Dag 3 / Avancerade Moduler (levereras som en 3:e dag eller en modulär serie)
- Utredningar: Enheter, relationer och tidslinjer — extrahera personer/organisationer/datum, återställ e-posttrådar, bygg kronologier, kartlägg närliggande duplicat och dokumentlinje. Labb: bygga en tidslinje och enhet/relationvy.
- Agenta och flerstegs-juridiska arbetsflöden (djupgående) — rikare orchestration, avtalsanalys, multi-doc-syntes, verktygsanvändning och skydd som designprincip. Labb: bygga ett flerstegsarbetsflöde med en mänsklig kontrollpunkt.
- Skalad distribution — lokal- och appliance-distribution, distribuerad bearbetning för stora volymer, reglerade miljöer (CJIS, myndighet, högre utbildning), hårdvarumättningsberäkning. Labb: containernisera och skala en bearbetningsjobb över arbetare.
- Djupdykning i styrning och efterlevnad — AI-regleringslandskapet (100+ amerikanska delstaters AI-lagar, EU:s AI Act), revisionskrav och en fullständig SAIS-100-styrningsrevision. Labb: revidera ett juridiskt AI-system mot en styrning/försvarbarhetschecklista.
Krav
- Nöjd med Python och grundläggande API:er
- Till hjälp: förtrogenhet med LLM på användarnivå (ingen ML-bakgrund krävs — vi bygger den mentala modellen)
- Ingen juridisk bakgrund krävs — de juridiska begrepp du behöver undervisas i kontext
Publik
- Mjukvaru- och AI-engineers som går över till juridik-tech
- Ingenjörer på juridik-tech-företag som behöver djupare juridisk domänkunskap
- Tekniskt intresserade juridiska / eDiscovery / informationshanteringsprofessionella som vill bygga, inte bara köpa
- De flesta som siktar på rollen "legal engineer" eller "AI legal engineer"
14 Timmar
Vittnesmål (1)
Att jag har fått kunskap om Streamlit-biblioteket från Python och jag kommer säkert att försöka använda det för att förbättra applikationerna i mitt team som är skapade med R Shiny
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maskintolkat
