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.
Varaktighet 14 timmar
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"
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
