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 Fondamenta – Ingestione, Ricerca e Recupero
Modulo 1: Il panorama del Legal Engineer
- Obiettivi di apprendimento – comprendere il ruolo, l'integrazione dell'IA nel lavoro legale e i due rischi trasversali a tutto il settore.
- Argomenti
-
- Il ruolo del legal engineer e perché è attualmente molto richiesto dal mercato
- Dove si inserisce l'IA: eDiscovery, revisione, contratti, ricerca giuridica, indagini; il modello EDRM in termini semplici
- Make vs. buy (costruire o acquistare)
- I due rischi trasversali: confidenzialità/privilegio e difendibilità
Modulo 2: I Dati Legali sono Complessi – Ingestione ed Estrazione
- Obiettivi di apprendimento – gestire la realtà dei dati legali su larga scala.
- Argomenti
- Oltre 1.400 tipi di file, email e PST, carta scansionata, load files (.dat/.opt); metadati incorporati essenziali
- Estrazione del testo (Tika), OCR e deduplicazione come scelta progettuale
- Lab: Ingestione con FreeEed – costruire una pipeline di ingestione su un set di documenti volutamente complesso (email/PST, scansioni, load file)
Modulo 3: Ricerca e Recupero – le Fondamenta
- Obiettivi di apprendimento – costruire il primitive core dell'eDiscovery: trovare qualsiasi informazione ovunque.
- Argomenti – ricerca full-text e indicizzazione (Solr/Lucene); rilevanza, metadati e filtraggio per data; ricerca nei contenuti processati da OCR
- Lab: Ricerca eDiscovery – indicizzare un corpus ed eseguire ricerche reali in stile eDiscovery, anche all'interno di scansioni elaborate con OCR
Modulo 4: RAG per Documenti Legali – con Citazioni
- Obiettivi di apprendimento – implementare il RAG sui documenti legali garantendo la citazione delle fonti.
- Argomenti
- Perché il retrieval (recupero), e non il fine-tuning, per materiali sensibili – il modello non "inghiotte" mai i documenti
- Chunking, embedding e soprattutto citazioni / provenienza dei dati
- Riassunzione multi-documento e di thread conversazionali
- Lab: RAG Legale con Citazioni – costruire un sistema RAG Q&A su un set di documenti che risponde fornendo citazioni alle fonti
Giorno 2: Rendere il Sistema Privato, Difendibile e Pronto per il Deploy
Modulo 5: Privacy, Privilegio e Serving Locale – la Trappola del Privilegio
- Obiettivi di apprendimento – mantenere i dati legali locali e essere in grado di certificarne la riservatezza.
- Argomenti
- Dove finiscono effettivamente i dati quando vengono inviati a un'IA cloud
- Waiver del privilegio, dovere di competenza e lo spettro del "privato" (contrattuale vs. fisico)
- Caso Morgan v. V2X e perché il deployment locale è difendibile in tribunale
- Serving di modelli locali (Ollama / vLLM) e monitoraggio del traffico in uscita
- Lab: Modello Locale + Prova di Non-Egression – eseguire un modello locale end-to-end e dimostrare, tramite monitoraggio, che nessun dato è uscito dall'infrastruttura
Modulo 6: Revisione AI Difendibile
- Obiettivi di apprendimento – misurare e documentare una revisione AI affinché sia valida legalmente.
- Argomenti
- I numeri che reggono in tribunale: recall, elusion (tasso di falsi negativi), precision, validazione sul ground-truth; TAR / apprendimento attivo
- Trasparenza (perché ha classificato questo documento?) e riproducibilità – bloccare la versione del modello, fissare le impostazioni, registrare tutto
- La "snapshot difendibile" che permette a qualcuno di rieseguire la vostra revisione un anno dopo ottenendo lo stesso risultato
- Lab: Revisione Difendibile – misurare una revisione AI rispetto a un ground-truth cieco e produrre un bundle di riproducibilità
Modulo 7: Ship It – Workflow, Deploy Privato e Governance
- Obiettivi di apprendimento – assemblare i pezzi in un workflow, distribuirlo privatamente e valutarne le performance.
- Argomenti
- Un workflow legale multi-step (ingestione → ricerca → riassunto → revisione → produzione) con intervento umano (human-in-the-loop)
- Fondamenta del deploy privato/on-premise (containerizzazione; mantenere i dati nell'infrastruttura interna)
- AI governance per il settore legale in breve e valutazione del sistema tramite SAIS-100 (Elephant Scale Secure AI Score)
- Lab: Valutazione e Packaging – collegare un workflow multi-step, valutarlo con SAIS-100 e prepararlo per il deploy privato
Capstone (integrato nel Giorno 2)
- Costruire un'applicazione legale-AI privata e difendibile end-to-end – ingestione di un corpus complesso, ricerca, risposta alle domande con citazioni tramite modello locale, misura di una revisione difendibile e preparazione per il deploy privato.
- I partecipanti lasciano il corso con un progetto portfolio che replica esattamente le responsabilità del ruolo di legal engineer.
Giornata 3 Opzionale / Moduli Avanzati (erogabile come 3° giorno o serie modulare)
- Indagini: Entità, Relazioni e Timeline – estrazione di persone/organizzazioni/date, ricostruzione di thread email, creazione di cronologie, mappatura di documenti quasi-duplicati e lineage dei documenti. Lab: costruire una timeline e una vista entità/relazione.
- Flussi di Lavoro Agentic e Multi-Step Legali (approfondimento) – orchestrazione più avanzata, analisi contrattuale, sintesi multi-documento, uso di strumenti e guardrails come principio di design. Lab: costruire un workflow multi-step con checkpoint umano.
- Deploy su Larga Scala – deploy on-premise e appliance, elaborazione distribuita per grandi volumi, ambienti regolamentati (CJIS, governo, università), dimensionamento hardware. Lab: containerizzare e scalare un job di elaborazione tra più worker.
- Governance e Compliance Deep-Dive – panorama della regolamentazione IA (oltre 100 leggi statali USA sull'IA, EU AI Act), requisiti di audit e audit completo SAIS-100. Lab: auditarare un sistema legale-AI contro una checklist di governance/difendibilità.
Requisiti
- Padronanza di Python e delle API di base
- Utile: familiarità con i LLM (Large Language Models) a livello utente (nessuna conoscenza di ML richiesta – sviluppiamo il modello mentale necessario)
- Nessuna conoscenza pregressa del diritto necessaria – i concetti legali essenziali vengono insegnati nel contesto applicativo
Target
- Ingegneri software e di IA che si stanno orientando verso il settore legal-tech
- Ingegneri di aziende legal-tech che necessitano di una maggiore profondità nel dominio legale
- Professionisti legali, dell'eDiscovery o della governance delle informazioni con profili tecnici, che desiderano costruire soluzioni piuttosto che limitarsi a comprarle
- Tutti coloro che puntano al ruolo di "legal engineer" o "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
