Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Dzień 1: Budowanie fundamentów — Pobieranie, Wyszukiwanie, Retrieval
Moduł 1: Krajobraz pracy inżyniera prawnego
- Cele edukacyjne — zrozumienie roli inżyniera prawnego, miejsca AI w pracy prawnej oraz dwóch kluczowych zagrożeń przenikających przez wszystkie aspekty tej branży.
- Tematy:
-
- Rola inżyniera prawnego i przyczyny obecnej fali zatrudnień.
- Miejsce AI: eDiscovery, przegląd dokumentów, umowy, badania prawne, śledztwa; model EDRM w przystępny sposób.
- Decyzja Build vs. Buy (tworzenie własne vs. kupno gotowego).
- Dwa kluczowe zagrożenia: poufność/przywilej i obronność (defensibility).
Moduł 2: Dane prawne są nieposkładane — Ingestia i ekstrakcja
- Cele edukacyjne — zetknięcie się z rzeczywistością pracy z danymi prawnymi w skali.
- Tematy
- Ponad 1400 formatów plików, e-mail oraz PST, zeskanowane dokumenty, pliki ładowania (.dat/.opt); ważne metadane wbudowane.
- Etrakcja tekstu (Tika), OCR i deduplikacja jako wybór architektury.
- Lab: Ingestia w FreeEed — budowa potoku ingestującego na świadomie nieporządnym zbiorze dokumentów (e-mail/PST, skany, pliki ładowania).
Moduł 3: Wyszukiwanie i Retrieval — fundament systemu
- Cele edukacyjne — zbudowanie podstawowego mechanizmu eDiscovery: znajdź wszystko we wszystkim.
- Tematy — pełnotekstowe wyszukiwanie i indeksowanie (Solr/Lucene); istotność wyników, filtrowanie po metadanych i dacie; wyszukiwanie w treści przetworzonej przez OCR.
- Lab: Wyszukiwanie eDiscovery — indeksowanie korpusu i przeprowadzenie rzeczywistych wyszukiwań w stylu eDiscovery, również wewnątrz skanów przetworzonych przez OCR.
Moduł 4: RAG dla dokumentów prawnych — z cytowaniami źródeł
- Cele edukacyjne — zbudowanie systemu RAG nad dokumentami prawnymi, który podaje źródła swojej wiedzy.
- Tematy
- Dlaczego retrieval (uzupełnianie kontekstu), a nie dostrajanie modelu (fine-tuning) dla danych wrażliwych — model nigdy nie „połknie” dokumentów w sposób irrefaktoryzowalny.
- Chunking, embeddingi i przede wszystkim cytowania / provenance.
- Sumaryzacja wielu dokumentów oraz wątków konwersacyjnych.
- Lab: Prawny RAG z cytowaniami — budowa systemu pytań i odpowiedzi opartego na dokumencie, który odpowiada podając cytowane źródła.
Dzień 2: Zapewnienie prywatności, obronności i gotowości wdrożeniowej
Moduł 5: Prywatność, przywilej i uruchomienie lokalne — Pułapka przywileju
- Cele edukacyjne — utrzymanie danych prawnych wewnątrz infrastruktury klienta i możliwość certyfikacji tego stanu.
- Tematy
- Kęda faktycznie trafiają dane po udostępnieniu ich dla chmurowego AI.
- Utrata przywileju tajemnicy zawodowej, obowiązek kompetencji oraz spektrum „prywatności” (umowna vs. fizyczna).
- Sprawa Morgan v. V2X i dlaczego lokalne wdrożenia są obronne w sądzie.
- Uruchamianie modeli lokalnych (Ollama / vLLM) oraz monitorowanie ruchu wychodzącego.
- Lab: Model lokalny + Dowód braku transferu danych — uruchomienie modelu lokalnego end-to-end i dowiedzenie przy pomocy monitoringu, że żadne dane nie opuściły infrastruktury.
Moduł 6: Obronna w aspekcie prawnym recenzja AI
- Cele edukacyjne — zmierzenie i udokumentowanie procesu recenzji AI tak, aby przetrwał on weryfikację prawną.
- Tematy
- Liczby wiarygodne w sądzie: recall (czułość), elusion, precision (dokładność), walidacja ground-truth; TAR / uczenie aktywne.
- Przejrzystość (dlaczego dokument został zakodowany w ten sposób) i pownowtarzalność — przypięcie wersji modelu, ustalenie stałych parametrów, logowanie wszystkiego.
- „Obronny zrzut stanu sprawy”, który umożliwia uruchomienie przeglądu roku później i uzyskanie identycznych wyników.
- Lab: Obronna recenzja — zmierzenie recenzji AI względem ślepego ground-truth i wygenerowanie pakietu potwierdzającego powtarzalność wyników.
Moduł 7: Wdrożenie (Ship It) — Workflow, wdrożenie prywatne i zarządzanie zgodnością
- Cele edukacyjne — połączenie elementów w spójny workflow, wdrożenie go w trybie prywatnym i ocena systemu.
- Tematy
- Wieloetapowy proces prawny (ingestia → wyszukiwanie → sumaryzacja → recenzja → produkcja) z człowiekiem w pętli (human-in-the-loop).
- Kluczowe elementy wdrożenia prywatnego/on-premise (konteneryzacja; utrzymanie danych wewnątrz infrastruktury).
- Zarządzanie zgodnością (governance) AI w prawie w skrócie oraz ocenianie systemu przy użyciu metryki SAIS-100 (Skala Główna Bezpieczeństwa AI).
- Lab: Ocena i pakowanie — połączenie wieloetapowego workflow, ocena go przy użyciu SAIS-100 oraz spakowanie do wdrożenia prywatnego.
Projekt końcowy (zintegrowany z Dzień 2)
- Zbudowanie w całości prywatnej i obronnej aplikacji prawno-AI end-to-end — ingest nieporządnego korpusu, jego wyszukiwanie, udzielanie odpowiedzi na pytania z cytowaniami przy użyciu lokalnego modelu, pomiar efektywności recenzji AI oraz pakowanie do wdrożenia prywatnego.
- Uczestnicy odchodzą z projektem portfolio, który jest odzwierciedleniem pracy inżyniera prawnego.
Opcjonalny Dzień 3 / Moduły zaawansowane (możliwość dostarczenia jako 3. dzień lub seria modularna)
- Śledztwa: Podmioty, Relacje i Oś czasu — ekstrakcja osób/organizacji/dat, rekonstrukcja wątków e-maili, budowanie chronologii, mapowanie near-duplicates i pochodzenia dokumentów. Lab: budowa osi czasu oraz widoku relacji między podmiotami.
- Agentyczne i wieloetapowe Workflow prawne (głęboko) — bogatsza orchestracja, analiza umów, synteza wielu dokumentów, korzystanie z narzędzi (tool use) i zabezpieczenia jako zasada projektowa. Lab: budowa wieloetapowego workflow z punktem kontrolnym człowieka.
- Skalowanie wdrożeń — wdrożenie on-premise i appliance, przetwarzanie rozproszone dla dużych zbiorów danych, środowiska regulowane (CJIS, rząd, szkolnictwo wyższe), dobór sprzętu. Lab: konteneryzacja i skalowanie zadania przetwarzania na wielu workerach.
- Głęboki warsztat Governance i Compliance — krajobraz regulacji AI (ponad 100 ustaw w poszczególnych stanach USA, Akt AI UE), wymagania audytowe oraz pełny audyt governance wg SAIS-100. Lab: audyt systemu legal-AI względem checklisty governance/defensibility.
Wymagania
- Umiejętność programowania w Pythonie oraz podstawowa znajomość API.
- Korzystne: znajcja LLM na poziomie użytkownika (nie jest wymagana wiedza z zakresu uczenia maszynowego — budujemy necessary mental model).
- Nie jest wymagana wiedza prawna — potrzebne pojęcia prawne są tłumaczone w kontekście.
Grupa docelowa
- Programiści i inżynierowie AI przechodzący do sektora legal-tech.
- Inżynierowie firm legal-tech potrzebujący głębszej wiedzy z obszaru prawniczego.
- Zawodowi prawnicy, specjaliści ds. eDiscovery i zarządzania informacjami o profilu technicznym, którzy chcą budować rozwiązania, a nie tylko kupować gotowe produkty.
- Każdy, kto celuje w stanowisko „inżyniera prawnego” lub „inżyniera AI do spraw prawnych”.
14 godzin
Opinie uczestników (1)
Zdobyłem wiedzę na temat biblioteki Streamlit w Pythonie i na pewno spróbuję ją wykorzystać, aby ulepszyć aplikacje w moim zespole, które są tworzone w R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Szkolenie - GitHub Copilot for Developers
Przetłumaczone przez sztuczną inteligencję
