Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
1. nap: Az alapok építése — Bevittetés, keresés, visszakeresés
1 modul: A Jogi Mérnök tájképe
- Tanulási célok — megérteni a szerepet, ahol az AI beilleszkedik a jogi munkába, és a két kockázatot, ami mindent áthat.
- Témák
-
- A jogi mérnök szerepe és miért most bérelnek fel
- AI illeszkedése: eDiscovery, felülvizsgálat, szerződések, kutatás, vizsgálódások; az EDRM modell közérthetően
- Építés vs. vásárlás
- A két átfogó kockázat: bizalmas adatkezelés/titkosságvédés és vitathatatlanság
2 modul: A jogi adat rendezetlen — Bevittetés és kinyerés
- Tanulási célok — kezelni a jogi adat valóságát nagy méretben.
- Témák
- 1400+ fájlformátum, email és PST, skennelt papír, betöltési fájlok (.dat/.opt); beágyazott metaadatok, amelyek számítanak
- Szövegkinyerés (Tika), OCR és deduplikáció mint választás
- Labor: FreeEed bevittetés — építs egy bevittető pipeline-t szándékosan rendezetlen dokumentumkészletre (email/PST, skenek, load fájlok)
3 modul: Keresés és visszakeresés — az alap
- Tanulási célok — építsd meg az alap eDiscovery primitívet: bármit találni mindenben.
- Témák — teljes szöveges keresés és indexelés (Solr/Lucene); relevancia, metaadat- és dátumszűrés; keresés OCR-tartalom keresztüli
- Labor: eDiscovery keresés — indexelj egy korpuszt és futtass valódi eDiscovery stílusú kereséseket, beleértve az OCR-skensek belsejében is
4 modul: RAG jogi dokumentumokhoz — idézetekkel
- Tanulási célok — építsd meg a RAG-ot jogi dokumentumokon, amely idézi forrásait.
- Témák
- Mértékért visszakeresés, nem finomhangolás
- Chunking, embeddingek és mindenekelőtt idézetek / eredet
- Többdokumentum és szálösszefoglalás
- Labor: Jogi RAG idézetekkel — építs egy RAG K&A-t egy dokumentumkészleten, amely forrásidézettel válaszol
2. nap: Tedd magánná, vitathatatlanná és szállításra készre
5 modul: Magánélet, titkosságvédés és helyi kiszolgálás — a Titkosság csapdája
- Tanulási célok — tartsd helyben a jogi adatot és képes legyél tanúsítani.
- Témák
- Hová megy ténylegesen az adat, amikor eléri az AI felhőt
- Titkosságvédelmi lemondás, kompetencia kötelezettség és a „magán” spektrum (szerződéses vs. fizikai)
- Morgan kontra V2X és miért helyben bíróságtanúsítható
- Helyi modellek kiszolgálása (Ollama / vLLM) és kiáramló forgalom monitorozása
- Labor: Helyi modell + Egress bizonyítás — futtass egy helyi modellt végig, és bizonyítsd monitorozással, hogy egyik adat sem áramlott ki
6 modul: Vitathatatlan AI felülvizsgálat
- Tanulási célok — mérjük és dokumentáljuk egy AI felülvizsgálatot, hogy bíróság előtt megállja a helyét.
- Témák
- A számok, amelyek bíróság előtt megállják a helyüket: visszakövetés (recall), elkerülés (elusion), precizitás, föld-alapú validálás; TAR / aktív tanulás
- Átláthatóság (miért kódolta ezt a dokumentumot?) és reprodukálhatóság — rögzítsd a modellt, fixáld a beállításokat, naplózz mindent
- Az „vitathatatlan eset pillanatképe”, amely lehetővé teszi valakinek, hogy egy évvel később újra fussa a felülvizsgálatot és ugyanazt az eredményt kapja
- Labor: Vitathatatlan felülvizsgálat — mérj egy AI felülvizsgálatot egy vak föld-alapú valósággal és állíts elő reprodukálhatósági csomagot
7 modul: Szállítsd el — Munkafolyamat, magántelepítés és kormányzás
- Tanulási célok — szereld össze az elemeket egy munkafolyamba, telepítsd magántartományba, és skórold.
- Témák
- Egy többlépcsős jogi munkafolyam (bevittetés → keresés → összefoglalás → felülvizsgálat → produkció) emberben-a-loop-al
- Magán/ helyben telepítés alapjai (containerize; tartsd az adatot a házban)
- AI kormányzás jogi röviden, és a rendszer skórolása SAIS-100-zal (Elephant Scale Secure AI Score)
- Labor: Skorolás és csomagolás — köss össze egy többlépcsős munkafolyamot, skorold SAIS-100-zal, és csomagold magántelepítésre
Záró projekt (integrálva a 2. napon)
- Építs egy magántartományú, vitathatatlan jogi-AI alkalmazást végig — bevittessz egy rendezetlen korpuszt, keress rá, válaszolj kérdésekre idézetekkel helyi modellt használva, mérj egy vitathatatlan felülvizsgálatot és csomagold magántelepítésre.
- A résztvevők portfólió projekttel távoznak, ami maga a jogi mérnök munka.
Választható 3. nap / Haladó modulok (szállítható mint 3. nap vagy moduláris sorozat)
- Vizsgálódások: Entitások, kapcsolatok és idővonalak — embereket/szervezeteket/dátumokat kinyerni, email szálakat rekonstruálni, kronológiákat építeni, közel azonos dokumentumok és dokumentum örökség térképezése. Labor: idővonal és entitás/kapcsolat nézet építése.
- Agenciális és többlépcsős jogi munkafolyamatok (mély) — gazdagabb orchestráció, szerződésanalízis, többdokumentum szintézis, eszközhasználat és guardrails tervezési elvként. Labor: többlépcsős munkafolyam építése emberi ellenőrzésponttal.
- Méretezett telepítés — helyben és appliance telepítés, distribuílt processing nagy volumenekhez, szabályozott környezetek (CJIS, kormány, felsőoktatás), hardver sizing. Labor: containerize és skálozz egy processing munkát worker-eken keresztül.
- Kormányzás és megfelelőség mélyrejtés — az AI-szabályozási tájkép (100+ US állam AI törvényei, EU AI Act), audit követelmények, és teljes SAIS-100 kormányzási audit. Labor: audit egy jogi-AI rendszert egy kormányzás/vitathatatlanság checklist ellen.
Követelmények
- Kényelem Pythonnal és alap API-kkal
- Segítség: LLM-ekhez való felhasználói szintű ismeret (nincs szükség ML háttérre — mi építjük a mentális modellt)
- Nincs szükség jogi háttérre — a szükséges jogi fogalmakat kontextusban tanítjuk
Célközönség
- Szoftver-/AI mérnökök, akik átállnak a jogi tech-ra
- Jogi-tech cég mérnökei, akiknek szükségük van jogi domain mélységre
- Műszaki gondolkodású jogi / eDiscovery / információmenedzsment szakemberek, akik építeni akarnak, nem csak vásárolni
- Bárki, aki a „jogi mérnök” vagy „AI jogi mérnök” szerepkörre célzik
14 Órák
Vélemények (1)
Hogy megszereztem tudást a Python Streamlit könyvtárról, és biztosan megpróbálom használni annak érdekében, hogy fejlesszem a csapatomban használt R Shiny alkalmazásokat.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurzus - GitHub Copilot for Developers
Gépi fordítás
