Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Day 1: Membangun Fondasi — Impor, Pencarian, Retrieval
Modul 1: Lanskap Legal Engineer
- Tujuan pembelajaran — memahami peran ini, di mana AI diterapkan dalam pekerjaan hukum, dan dua risiko utama yang mendasari semuanya.
- Materi
-
- Peran legal engineer dan mengapa posisinya sedang sangat dibutuhkan
- Kemana AI berperan: eDiscovery, tinjauan, kontrak, riset, investigasi; model EDRM dalam penjelasan sederhana
- Membangun vs. Membeli (Build vs. Buy)
- Dua risiko utama yang mendasari segalanya: kerahasiaan/privilege dan dapat dipertanggungjawabkan (defensibility)
Modul 2: Data Hukum itu Berantakan — Impor dan Ekstraksi
- Tujuan pembelajaran — menangani realitas data hukum dalam skala besar.
- Materi
- 1.400+ jenis file, email dan PST, kertas hasil scan, load files (.dat/.opt); metadata embedded yang krusial
- Ekstraksi teks (Tika), OCR, dan deduplikasi sebagai pilihan strategis
- Lab: FreeEed Ingestion — membangun pipeline impor pada set dokumen yang sengaja dibuat berantakan (email/PST, scan, load files)
Modul 3: Pencarian dan Retrieval — Fondasi Utama
- Tujuan pembelajaran — membangun primitif eDiscovery inti: menemukan apa pun di dalam segala sesuatu.
- Materi — pencarian full-text dan indexing (Solr/Lucene); relevansi, filter metadata dan tanggal; pencarian melintasi konten hasil OCR
- Lab: Pencarian eDiscovery — mengindeks korpus dokumen dan menjalankan pencarian gaya eDiscovery sungguhan, termasuk di dalam scan hasil OCR
Modul 4: RAG untuk Dokumen Hukum — dengan Kutipan Sumber
- Tujuan pembelajaran — membangun RAG pada dokumen hukum yang menyertakan kutipan sumbernya.
- Materi
- Mengapa retrieval, bukan fine-tuning, untuk materi sensitif — model tidak "menelan" dokumen secara langsung
- Chunking, embeddings, dan yang terpenting: kutipan / provenance (asal-usul data)
- Ringkasan multi-dokumen dan thread email
- Lab: Legal RAG dengan Kutipan — membangun RAG Q&A pada set dokumen yang menjawab pertanyaan dengan menyertakan kutipan sumbernya
Day 2: Membuatnya Privat, Dapat Dipertanggungjawabkan, dan Siap Kirim
Modul 5: Privasi, Privilege, dan Penyajian Lokal — Jebakan Privilege
- Tujuan pembelajaran — menjaga data hukum tetap lokal dan mampu diaudit sertifikasinya.
- Materi
- Kemana sebenarnya data itu pergi saat menyentuh AI cloud
- Waiver privilege, duty of competence, dan spektrum "privat" (kontraktual vs. fisik)
- Vonis Morgan v. V2X dan mengapa solusi lokal dapat dipertanggungjawabkan di pengadilan
- Menyajikan model lokal (Ollama / vLLM) dan memantau traffic outbound
- Lab: Model Lokal + Bukti Egress — menjalankan model lokal end-to-end dan membuktikan, melalui monitoring, bahwa tidak ada data yang keluar
Modul 6: Tinjauan AI yang Dapat Dipertanggungjawabkan
- Tujuan pembelajaran — mengukur dan mendokumentasikan tinjauan AI agar hasilnya tahan uji pengadilan.
- Materi
- Angka-angka krusial di pengadilan: recall, elusion, precision, validasi ground-truth; TAR / active learning
- Transparansi (mengapa dokumen ini dikodekan demikian?) dan reproduksibilitas — pin versi model, kunci pengaturan, log semua aktivitas
- "Snapcase tinjauan yang defensible" yang memungkinkan orang lain menjalankan ulang tinjauan Anda setahun kemudian dan mendapatkan hasil yang sama
- Lab: Tinjauan Defensibel — mengukur tinjauan AI terhadap ground-truth buta dan menghasilkan paket reproduksibilitas
Modul 7: Kirimkan — Alur Kerja, Deployment Privat, dan Governance
- Tujuan pembelajaran — merangkai semua komponen menjadi alur kerja, deploy secara privat, dan menilai sistemnya.
- Materi
- Alur kerja multi-tahap (impor → pencarian → ringkasan → tinjauan → produksi) dengan human-in-the-loop
- Keluaran penting deployment privat/on-prem (containerize; pastikan data tetap di dalam gedung)
- AI governance untuk sektor hukum secara ringkas, serta penilaian sistem menggunakan SAIS-100 (Skor AI Aman Elephant Scale)
- Lab: Penilaian dan Pengemasan — menghubungkan alur kerja multi-tahap, menilai dengan SAIS-100, dan mengemasnya untuk deployment privat
Capstone (terintegrasi di seluruh Day 2)
- Membangun aplikasi legal-AI privat dan defensible secara end-to-end — mengimpor korpus berantakan, melakukan pencarian, menjawab pertanyaan dengan kutipan menggunakan model lokal, mengukur tinjauan defensible, dan mengemasnya untuk deployment privat.
- Peserta membawa pulang proyek portofolio yang setara dengan pekerjaan seorang legal engineer.
Day 3 Opsional / Modul Lanjutan (disampaikan sebagai hari ke-3 atau seri modular)
- Investigasi: Entitas, Hubungan, dan Linimasa — mengekstrak orang/organisasi/tanggal, merekonstruksi thread email, membangun kronologi, memetakan near-duplicates dan lineage dokumen. Lab: membangun pandangan linimasa dan entitas/hubungan.
- Alur Kerja Agentic dan Multi-Tahap (mendalam) — orkestrasi lebih kaya, analisis kontrak, sintesis multi-dokumen, penggunaan tool dan guardrails sebagai prinsip desain. Lab: membangun alur kerja multi-tahap dengan checkpoint manusia.
- Deployment Skala Besar — deployment on-prem dan appliance, pemrosesan terdistribusi untuk volume besar, lingkungan terregulasi (CJIS, pemerintah, pendidikan tinggi), sizing hardware. Lab: containerize dan sklaing pekerjaan pemrosesan melintasi worker.
- Kedalaman Governance dan Kepatuhan — lanskap regulasi AI (100+ undang-undang AI di negara bagian AS, EU AI Act), persyaratan audit, dan audit governance SAIS-100 lengkap. Lab: melakukan audit sistem legal-AI terhadap checklist governance/defensibility.
Persyaratan
- Kemampuan menggunakan Python dan API dasar
- Pembantu: pemahaman LLM di tingkat pengguna (tidak diperlukan latar belakang ML — kami membangun model mental bersama)
- Tidak diperlukan latar belakang hukum — konsep hukum yang dibutuhkan diajarkan secara kontekstual
Target Peserta
- Software / AI engineer yang ingin beralih ke teknologi hukum (legal tech)
- Instruktur di perusahaan legal-tech yang memerlukan kedalaman domain hukum
- Profesional hukum / eDiscovery / governance informasi yang berpikiran teknis dan ingin membangun, bukan sekadar membeli
- Siapapun yang menargetkan peran "legal engineer" atau "AI legal engineer"
14 Jam
Testimoni (1)
Saya mendapatkan pengetahuan tentang perpustakaan streamlit dari Python dan tentu saja saya akan mencoba menggunakannya untuk meningkatkan aplikasi di tim saya yang dibuat dengan R Shiny
Michal Maj - XL Catlin Services SE (AXA XL)
Kursus - GitHub Copilot for Developers
Diterjemahkan Mesin
