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
Hari 1: Membangun Fondasi — Ingest, Pencarian, Pengambilan
Modul 1: Lanskap Legal Engineer
- Tujuan pembelajaran — memahami peran, di mana AI berada dalam pekerjaan hukum, dan dua risiko yang melintasi segalanya.
- Topik
-
- Peran legal engineer dan mengapa posisi ini sedang banyak direkrut
- Di mana AI berpasang: eDiscovery, review, kontrak, riset, investigasi; model EDRM dalam istilah sederhana
- Membangun vs. membeli
- Dua risiko yang melintasi segalanya: kerahasiaan/privilege dan dapat dipertanggungjawabkan
Modul 2: Data Hukum Itu Rumit — Ingest dan Ekstraksi
- Tujuan pembelajaran — menghadapi realitas data hukum dalam skala besar.
- Topik
- 1.400+ jenis file, email dan PST, kertas hasil pindaian, file load (.dat/.opt); metadata tertanam yang penting
- Ekstraksi teks (Tika), OCR, dan de-duplikasi sebagai pilihan
- Lab: FreeEed Ingestion — membangun pipeline ingestion untuk kumpulan dokumen yang sengaja dibuat rumit (email/PST, pindaian, file load)
Modul 3: Pencarian dan Pengambilan — Fondasinya
- Tujuan pembelajaran — membangun primitif eDiscovery inti: menemukan apa pun di dalam segalanya.
- Topik — pencarian dan indeks penuh (Solr/Lucene); relevansi, filter metadata dan tanggal; pencarian melintasi konten OCR
- Lab: eDiscovery Search — mengindeks korpus dan menjalankan pencarian gaya eDiscovery nyata, termasuk di dalam pindaian OCR
Modul 4: RAG untuk Dokumen Hukum — dengan Sitasi
- Tujuan pembelajaran — membangun RAG atas dokumen hukum yang mengutip sumbernya.
- Topik
- Mengapa pengambilan, bukan fine-tuning, untuk materi sensitif — model tidak pernah menelan dokumen
- Chunking, embeddings, dan di atas segalanya sitasi / provenance
- Ringkasan multi-dokumen dan utas
- Lab: Legal RAG with Citations — membangun RAG tanya-jawab atas kumpulan dokumen yang menjawab dengan sitasi sumber
Hari 2: Membuatnya Privat, Dapat Dipertanggungjawabkan, dan Siap Dikirim
Modul 5: Privasi, Privilege, dan Penyediaan Lokal — Jebakan Privilege
- Tujuan pembelajaran — menjaga data hukum tetap lokal dan mampu bersertifikat.
- Topik
- Ke mana data sebenarnya pergi ketika menyentuh AI cloud
- Pelepasan privilege, kewajiban kompetensi, dan spektrum “privat” (kontras vs. fisik)
- Morgan v. V2X dan mengapa lokal dapat dipertanggungjawabkan di pengadilan
- Menyediakan model lokal (Ollama / vLLM) dan memantau keluar trafik
- Lab: Local Model + Egress Proof — menjalankan model lokal dari awal hingga akhir dan membuktikan, dengan pemantauan, bahwa tidak ada data yang keluar
Modul 6: Review AI yang Dapat Dipertanggungjawabkan
- Tujuan pembelajaran — mengukur dan mendokumentasikan review AI agar tetap solid.
- Topik
- Angka yang bertahan di pengadilan: recall, elusion, precision, validasi ground-truth; TAR / active learning
- Transparansi (mengapa dokumen ini dikodekan?) dan reproducibility — pin model, perbaiki pengaturan, log segalanya
- “Snapshot kasus yang dapat dipertanggungjawabkan” yang memungkinkan seseorang menjalankan ulang review Anda setahun kemudian dan mendapatkan hasil yang sama
- Lab: Defensible Review — mengukur review AI terhadap ground truth buta dan menghasilkan bundle reproducibility
Modul 7: Kirimkan — Alur Kerja, Deployment Privat, dan Tata Kelola
- Tujuan pembelajaran — merakit bagian-bagian menjadi alur kerja, deploy secara privat, dan memberikan skor.
- Topik
- Alur kerja hukum multi-langkah (ingest → pencarian → ringkasan → review → produksi) dengan human-in-the-loop
- Kebutuhan deployment privat/on-prem (containerize; pertahankan data di dalam gedung)
- Tata kelola AI untuk hukum secara singkat, dan memberi skor pada sistem dengan SAIS-100 (Skor Keamanan AI Elephant)
- Lab: Score and Package — merangkai alur kerja multi-langkah, memberi skor dengan SAIS-100, dan mengemasnya untuk deployment privat
Capstone (terintegrasi di Hari 2)
- Membangun aplikasi legal-AI privat dan dapat dipertanggungjawabkan dari awal hingga akhir — memasukkan korpus yang rumit, mencarinya, menjawab pertanyaan di atasnya dengan sitasi menggunakan model lokal, mengukur review yang dapat dipertanggungjawabkan, dan mengemasnya untuk deployment privat.
- Peserta pergi dengan proyek portofolio yang merupakan pekerjaan legal engineer.
Hari Opsional 3 / Modul Lanjutan (disajikan sebagai hari ke-3 atau seri modular)
- Investigasi: Entitas, Hubungan, dan Linimasa — mengekstraksi orang/organisasi/tanggal, membangun ulang utas email, membangun kronologi, memetakan hampir-duplikat dan garis keturunan dokumen. Lab: membangun tampilan linimasa dan entitas/hubungan.
- Alur Kerja Hukum Agentic dan Multi-Langkah (mendalam) — orkestrasi yang lebih kaya, analisis kontrak, sintesis multi-dokumen, penggunaan alat dan guardrails sebagai prinsip desain. Lab: membangun alur kerja multi-langkah dengan titik pemeriksaan manusia.
- Deployment Skala Besar — deployment on-prem dan perangkat keras, pemrosesan terdistribusi untuk volume besar, lingkungan teregulasi (CJIS, pemerintah, pendidikan tinggi), ukuran perangkat keras. Lab: containerize dan skalakan pekerjaan pemrosesan di antara worker.
- Mendalami Tata Kelola dan Kepatuhan — lanskap regulasi AI (100+ undang-undang AI negara bagian AS, EU AI Act), kebutuhan audit, dan audit tata kelola SAIS-100 penuh. Lab: mengaudit sistem legal-AI terhadap checklist tata kelola/dapat dipertanggungjawabkan.
Persyaratan
- Terbiasa dengan Python dan API dasar
- Memudahkan: Familiaritas dengan LLM di tingkat pengguna (latar belakang ML tidak diperlukan — kami membangun model mentalnya)
- Latari belakang hukum tidak diperlukan — konsep hukum yang Anda butuhkan diajarkan dalam konteks
Audiens
- Insinyur perangkat lunak / AI yang beralih ke legal tech
- Insinyur perusahaan legal-tech yang membutuhkan kedalaman domain hukum
- Profesional yang berorientasi teknis di bidang hukum / eDiscovery / tata kelola informasi yang ingin membangun, bukan hanya membeli
- Siapa pun yang menargetkan peran “legal engineer” / “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
