Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Giorno 1: Costruire le Basi — Ingestione, Ricerca, Recupero
Modulo 1: Il Paesaggio dell'Ingegnere Legale
- Obiettivi di apprendimento — comprendere il ruolo, dove l'AI si inserisce nel lavoro legale e i due rischi che attraversano tutto.
- Argomenti
-
- Il ruolo dell'ingegnere legale e perché è in fase di assunzione in questo momento
- Dove si inserisce l'AI: eDiscovery, revisione, contratti, ricerca, indagini; il modello EDRM in termini semplici
- Costruire vs. acquistare
- I due rischi che attraversano tutto: confidenzialità/privilegio legale e difendibilità
Modulo 2: I Dati Legali Sono Disordinati — Ingestione ed Estrazione
- Obiettivi di apprendimento — gestire la realtà dei dati legali su larga scala.
- Argomenti
- 1.400+ tipi di file, email e PST, carta scansionata, file di caricamento (.dat/.opt); metadati incorporati che contano
- Estrazione del testo (Tika), OCR e disambiguazione come scelta
- Laboratorio: Ingestione FreeEed — costruire un pipeline di ingestione su un set di documenti deliberatamente disordinato (email/PST, scansioni, file di caricamento)
Modulo 3: Ricerca e Recupero — la Base
- Obiettivi di apprendimento — costruire la primitiva eDiscovery core: trovare qualsiasi cosa dentro tutto.
- Argomenti — ricerca full-text e indicizzazione (Solr/Lucene); pertinenza, filtraggio per metadati e data; ricerca su contenuto OCR
- Laboratorio: Ricerca eDiscovery — indicizzare un corpus ed eseguire ricerche reali di tipo eDiscovery, inclusa quella dentro scansioni OCR
Modulo 4: RAG per Documenti Legali — con Citazioni
- Obiettivi di apprendimento — costruire RAG su documenti legali che cita le sue fonti.
- Argomenti
- Perché recupero, non fine-tuning, per materiale sensibile — il modello non assorbe mai i documenti
- Chunking, embedding e soprattutto citazioni / provenienza
- Summarization multi-documento e di thread
- Laboratorio: Legal RAG con Citazioni — costruire una Q&A RAG su un set di documenti che risponde con citazioni di fonte
Giorno 2: Rendere Privato, Difendibile e Distribuibile
Modulo 5: Privacy, Privilegio e Serving Locale — La Trappola del Privilegio
- Obiettivi di apprendimento — mantenere i dati legali locali ed essere in grado di certificarli.
- Argomenti
- Dove vanno effettivamente i dati quando toccano un'AI cloud
- Rinuncia al privilegio, dovere di competenza e lo spettro “privato” (contrattuale vs. fisico)
- Morgan v. V2X e perché il locale è difendibile in tribunale
- Serving di modelli locali (Ollama / vLLM) e monitoraggio del traffico in uscita
- Laboratorio: Modello Locale + Prova di Egress — eseguire un modello locale end-to-end e provare, con il monitoraggio, che nessun dato è uscito
Modulo 6: Revisione AI Difendibile
- Obiettivi di apprendimento — misurare e documentare una revisione AI in modo che regga.
- Argomenti
- I numeri che reggono in tribunale: recall, elusione, precisione, validazione ground-truth; TAR / apprendimento attivo
- Trasparenza (perché ha codificato questo documento?) e riproducibilità — fissare il modello, impostare i parametri, loggare tutto
- Lo “snapshot difendibile del caso” che permette a qualcuno di ri-eseguire la tua revisione un anno dopo e ottenere lo stesso risultato
- Laboratorio: Revisione Difendibile — misurare una revisione AI contro un ground truth cieco e produrre un bundle di riproducibilità
Modulo 7: Ship It — Workflow, Distribuzione Privata e Governance
- Obiettivi di apprendimento — assemblare i pezzi in un workflow, distribuirlo privatamente e valutarlo.
- Argomenti
- Un workflow legale multi-step (ingestione → ricerca → summary → revisione → produzione) con human-in-the-loop
- Fondamenti di distribuzione privata/on-prem (containerizzare; mantenere i dati nell'edificio)
- Governance AI per il legale in breve, e scoring del sistema con SAIS-100 (the Elephant Scale Secure AI Score)
- Laboratorio: Score e Package — collegare un workflow multi-step, valutarlo con SAIS-100 e confezionarlo per la distribuzione privata
Capstone (integrato nel Giorno 2)
- Costruire un' applicazione legal-AI privata e difendibile end to end — ingestire un corpus disordinato, cercarlo, rispondere a domande su di esso con citazioni usando un modello locale, misurare una revisione difendibile, e confezionarlo per la distribuzione privata.
- I partecipanti lasciano con un progetto portafoglio che è il lavoro di ingegnere legale.
Opzionale Giorno 3 / Moduli Avanzati (erogabile come 3° giorno o come serie modulare)
- Indagini: Entità, Relazioni e Timeline — estrarre persone/organizzazioni/date, ricostruire thread email, costruire cronologie, mappare duplicati vicini e lignaggio dei documenti. Laboratorio: costruire una timeline e una vista entità/relazioni.
- Workflow Legali Agentici e Multi-Step (approfondito) — orchestrazione più ricca, analisi contratti, sintesi multi-documento, uso di tool e guardrail come principio di design. Laboratorio: costruire un workflow multi-step con un checkpoint umano.
- Distribuzione su Larga Scala — distribuzione on-prem e appliance, elaborazione distribuita per grandi volumi, ambienti regolamentati (CJIS, governo, higher-ed), dimensionamento hardware. Laboratorio: containerizzare e scalare un job di elaborazione su più worker.
- Approfondimento su Governance e Compliance — il panorama della regolamentazione AI (100+ leggi statali USA sull'AI, EU AI Act), requisiti di audit e un audit completo di governance SAIS-100. Laboratorio: audit di un sistema legal-AI contro una checklist di governance/difendibilità.
Requisiti
- Comfort con Python e API di base
- Utile: familiarità con gli LLM a livello di utente (non è richiesta un background in ML — costruiamo il modello mentale)
- Non è richiesta una formazione legale — i concetti legali di cui avete bisogno sono insegnati in contesto
Pubblico
- Ingegneri del software / AI che si indirizzano verso il legal tech
- Ingegneri di aziende di legal-tech che necessitano di profondità nel dominio legale
- Professionisti con competenze tecniche in ambito legale / eDiscovery / governance dell'informazione che desiderano costruire, non solo acquistare
- Chiunque punti al ruolo di “legal engineer” / “AI legal engineer”
14 ore
Recensioni (1)
Ho acquisito una conoscenza riguardante la libreria Streamlit di Python e sicuramente cercherò di utilizzarla per migliorare le applicazioni del mio team, che sono sviluppate con R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Corso - GitHub Copilot for Developers
Traduzione automatica
