Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Dag 1: Bygg grunnen — Innsamling, Søking, Henting
Modul 1: Den Juridiske Ingeniørens Landskap
- Læringsmål — forstå rollen, hvor AI passer inn i juridisk arbeid, og de to riskoene som løper gjennom alt.
- Temaer
-
- Den juridiske ingeniør-rollen og hvorfor den ansettes nå
- Hvor AI passer inn: eDiscovery, gjennomgang, kontrakter, forskning, undersøkelser; EDRM-modellen i enkle termer
- Bygg vs. kjøp
- De to riskoene som løper gjennom alt: taushetsplikt/privilegium og forsvarlighet
Modul 2: Juridiske Data er Rotete — Inndata og Ekstraksjon
- Læringsmål — håndtere virkeligheten med juridisk data i stor skala.
- Temaer
- 1 400+ filtyper, e-post og PST, skannet papir, lastefiler (.dat/.opt); innbygd metadata som betyr noe
- Tekstekstraksjon (Tika), OCR, og deduplisering som valg
- Laboratorieøvelse: FreeEed Inndata — bygg en inndatapipeline over et beviselig rotete dokumentsett (e-post/PST, skanninger, lastefiler)
Modul 3: Søking og Henting — Grunnlaget
- Læringsmål — bygg den kjernen for eDiscovery: finn alt inni alt.
- Temaer — fulltekstsøking og indeksering (Solr/Lucene); relevans, metadata og datofiltrering; søk over OCR-behandlet innhold
- Laboratorieøvelse: eDiscovery-søking — indeksér et korpus og utfør reelle eDiscovery-lignende søk, inkludert inne i OCR-behandlede skanninger
Modul 4: RAG for Juridiske Dokumenter — med Henvisninger
- Læringsmål — bygg RAG over juridiske dokumenter som siterer sine kilder.
- Temaer
- Hvorfor henting, ikke finjustering, for sensitivt materiale — modellen suger aldri opp dokumentene
- Chunking, embeddings, og over alt henvisninger / provenance
- Sammendrag av flere dokumenter og tråder
- Laboratorieøvelse: Juridisk RAG med henvisninger — bygg en RAG-spørsmål-og-svar-løsning over et dokumentsett som svarer med kildehenvisninger
Dag 2: Gjør den Privat, Forsvarlig og Klar for Levering
Modul 5: Personvern, Privilegium og Lokal Drift — Privilegiefella
- Læringsmål — hold juridiske data lokale og være i stand til å sertifisere dem.
- Temaer
- Hvor dataet faktisk havner når det treffer en sky-AI
- Privilegiumsavkall, kompetanseplikten og det "private" spekteret (kontraktuell vs. fysisk)
- Morgan v. V2X og hvorfor lokalt er rettstegnet forsvarlig
- Drift av lokale modeller (Ollama / vLLM) og overvåking av utgående trafikk
- Laboratorieøvelse: Lokal Modell + Bevis på ingen datautgang — kjør en lokal modell fra ende til ende og bevis, med overvåking, at ingen data ble sendt ut
Modul 6: Forsvarlig AI-gjennomgang
- Læringsmål — mål og dokumenter en AI-gjennomgang slik at den står seg.
- Temaer
- Tallene som holder seg i retten: recall, elusion, presisjon, grunn-sannhetsvalidering; TAR / aktiv læring
- Innsyn (hvorfor kodet den dette dokumentet?) og reproduksjonsevne — fiks modellen, fastsett innstillingene, logg alt
- Du "forsvarlige tilfessøket" som lar noen kjøre gjennomgangen din igjen et år senere og få samme resultat
- Laboratorieøvelse: Forsvarlig gjennomgang — mål en AI-gjennomgang mot en blind grunn-sannhet og produser en reproduksjonspakke
Modul 7: Lever den — Arbeidsflyt, Privat Distribusjon og Styring
- Læringsmål — samler bitene til en arbeidsflyt, distribuer den privat og vurder systemet.
- Temaer
- En flertrinnets juridisk arbeidsflyt (innsamling → søk → sammendrag → gjennomgang → produksjon) med menneske i løkken
- Krav for privat/lokal distribusjon (konverter til containere; hold dataet inne)
- AI-styring for juridikk kort sagt, og vurdering av systemet med SAIS-100 (Elephant Scale Secure AI Score)
- Laboratorieøvelse: Vurder og Pakk — kobla en flertrinnets arbeidsflyt, vurder den med SAIS-100, og pakke den for privat distribusjon
Avsluttende prosjekt (integrert på tvers av Dag 2)
- Bygg en privat, forsvarlig juridisk AI-applikasjon fra ende til ende — ta i bruk et rotete korpus, søk i det, svar på spørsmål over det med henvisninger ved hjelp av en lokal modell, mål en forsvarlig gjennomgang og pakke den for privat distribusjon.
- Deltakerne går med et porteføljeprosjekt som er selve den juridiske ingeniør-jobben.
Valgfri Dag 3 / Avanserte Moduler (leveres som en 3. dag eller en modulær serie)
- Undersøkelser: Entiteter, Relasjoner og Tidslinjer — ekstraher personer/organisasjoner/datoer, rekonstruer e-posttråder, bygg kronologier, kartlegg nær-duplikater og dokumentlinje. Lab: bygg en tidslinje og entitet/relasjonsvisning.
- Agenteriske og Flertrinnets Juridiske Arbeidsflyter (dybde) — rikere orkestrering, kontraktsanalyse, multi-dokument syntese, verktøybruk og guardrails som et designprinsipp. Lab: bygg en flertrinnets arbeidsflyt med et menneske-sjekksted.
- Distribusjon i stor skala — lokal og appliansedistribusjon, distribuert prosessering for store volumer, regulerte miljøer (CJIS, offentlig sektor, høyere utdanning), maskinvare-såing. Lab: konverter til container og skalér en jobb over flere arbeidere.
- Styring og Rekkevidde i Dybden — AI-reguleringslandskapet (100+ US statlige AI-lover, EU AI Act), revisjonskrav og en full SAIS-100-governance-revisjon. Lab: revider en juridisk AI-system mot en styring/forsvarlighets-jekkliste.
Krav
- Komfortabel med Python og grunnleggende API-er
- Velkommen: kjennskap til LLM på brukernivå (ingen ML-bakgrunn nødvendig — vi bygger det mentale bildet)
- Ingen juridisk bakgrunn nødvendig — de juridiske konseptene du trenger undervises i kontekst
Målgruppe
- Programvare-/ AI-ingeniører som går over til legal tech
- Ingeniører ved juridisk-teknologibedrifter som trenger juridisk-domenedybde
- Tekniske jurister / eDiscovery / informasjonshåndteringsprofesjonelle som vil bygge, ikke bare kjøpe
- Alle som sikter seg mot rollen som "juridisk ingeniør" / "AI-juridisk ingeniør"
14 Timer
Referanser (1)
At jeg har skaffet kunnskap om Streamlit-biblioteket fra Python, og jeg vil sikkert prøve å bruke det for å forbedre applikasjonene i min gruppe som er laget i R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maskinoversatt
