Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Tag 1: Die Grundlage aufbauen – Erfassen, Suchen, Abrufen
Modul 1: Die Landschaft der Legal Engineers
- Lernziele – die Rolle verstehen, wo KI in juristischen Arbeiten passt, und die zwei Risiken, die alles durchziehen.
- Themen
-
- Die Rolle des Legal Engineers und warum sie gerade eingestellt wird
- Wo KI passt: eDiscovery, Prüfung, Verträge, Forschung, Ermittlungen; das EDRM-Modell in einfachen Begriffen
- Bau vs. Kauf
- Die zwei Risiken, die alles durchziehen: Vertraulichkeit/Privileg und Beweisbarkeit
Modul 2: Legale Daten sind unordentlich – Erfassung und Extraktion
- Lernziele – die Realität von legalen Daten im großen Maßstab handhaben.
- Themen
- 1.400+ Dateitypen, E-Mail und PST, gescanntes Papier, Load-Files (.dat/.opt); eingebettete Metadaten, die wichtig sind
- Textextraktion (Tika), OCR und Deduplizierung als Wahl
- Lab: FreeEed Ingestion – einen Ingestion-Pipeline über ein absichtlich unordentliches Dokumenten-Set aufbauen (E-Mail/PST, Scans, Load-Files)
Modul 3: Suche und Abruf – die Grundlage
- Lernziele – die eDiscovery-Core-Primitiven aufbauen: alles in allem finden.
- Themen – Volltextsuche und Indizierung (Solr/Lucene); Relevanz, Metadaten- und Datumsfilterung; Suche in OCR-gescanntem Inhalt
- Lab: eDiscovery-Suche – ein Korpus indizieren und echte eDiscovery-artige Suchen durchführen, einschließlich innerhalb von OCR-gescannten Scans
Modul 4: RAG für juristische Dokumente – mit Zitaten
- Lernziele – RAG über juristische Dokumente aufbauen, das seine Quellen zitiert.
- Themen
- Warum Abruf, nicht Feinabstimmung für sensible Materialien – das Modell verschlingt die Dokumente nie
- Chunking, Einbettungen und vor allem Zitate / Herkunft
- Mehrere Dokument- und Thread-Zusammenfassungen
- Lab: Legal RAG mit Zitaten – eine RAG Q&A über ein Dokumenten-Set aufbauen, das mit Quellenzitaten antwortet
Tag 2: Machen Sie es privat, beweisbar und versandfertighaben
Modul 5: Privatsphäre, Privileg und lokaler Serving – das Privilegien-Falle
- Lernziele – juristische Daten lokal halten und nachweisen können.
- Themen
- Wohin die Daten tatsächlich gehen, wenn sie eine Cloud-KI treffen
- Privileg-Verlust, Pflicht der Kompetenz und das „private“ Spektrum (vertraglich vs. physisch)
- Morgan v. V2X und warum lokal gerichtsverteidigbar ist
- Serving lokaler Modelle (Ollama / vLLM) und Überwachung des ausgehenden Verkehrs
- Lab: Lokales Modell + Egress-Beweis – ein lokales Modell End-to-End betreiben und mit Überwachung nachweisen, dass keine Daten abgegangen sind
Modul 6: Beweisbare KI-Prüfung
- Lernziele – eine KI-Prüfung messen und dokumentieren, so dass sie standhält.
- Themen
- Die Zahlen, die vor Gericht standhalten: Recall, Elusion, Präzision, Ground-Truth-Validierung; TAR / aktives Lernen
- Transparenz (warum hat es dieses Dokument kodiert?) und Reproduzierbarkeit – das Modell anpinnen, Einstellungen fixieren, alles loggen
- Der „beweisbare Fall-Snapshot“, der jemanden ermöglicht, Ihre Prüfung ein Jahr später erneut durchzuführen und dasselbe Ergebnis zu erhalten
- Lab: Beweisbare Prüfung – eine KI-Prüfung gegen eine blinde Ground-Truth messen und eine Reproduzierbarkeits-Bundle produzieren
Modul 7: Versenden Sie es – Workflow, private Bereitstellung und Governance
- Lernziele – die Stücke in einen Workflow zusammenfügen, privat bereitstellen und bewerten.
- Themen
- Einen mehrstufigen legalen Workflow (Erfassen → Suchen → Zusammenfassen → Prüfen → Produzieren) mit Mensch-in-der-Schleife
- Private/On-Premises-Bereitstellung Grundlagen (Containerisieren; die Daten im Gebäude halten)
- KI-Governance für Recht in Kurzform, und das System mit SAIS-100 (Elephant Scale Secure AI Score) bewerten
- Lab: Bewerten und Verpacken – einen mehrstufigen Workflow verdrahten, ihn mit SAIS-100 bewerten und für private Bereitstellung verpacken
Kapstone (integriert über Tag 2)
- Bauen Sie eine private, beweisbare legale KI-Anwendung End-to-End – erfassen Sie ein unordentliches Korpus, suchen Sie es, beantworten Sie Fragen darüber mit Zitaten unter Verwendung eines lokalen Modells, messen Sie eine beweisbare Prüfung, und verpacken Sie es für private Bereitstellung.
- Die Teilnehmenden verlassen mit einem Portfolio-Projekt, das die Legal Engineer-Aufgabe ist.
Optioneller Tag 3 / Erweiterte Module (lieferbar als 3. Tag oder eine modulare Serie)
- Ermittlungen: Entitäten, Beziehungen und Zeitstrahlen – Menschen/Orgs/Daten extrahieren, E-Mail-Threads rekonstruieren, Chronologien aufbauen, fast-Duplikate und Dokumenten-Linie abbilden. Lab: eine Timeline und Entity-Relationship-Ansicht aufbauen.
- Agentic und Multi-Schritt-Legale Workflows (tief) – reichere Orchestrierung, Vertragsanalyse, multi-doc Synthese, Werkzeug-Nutzung und Guardrails als Designprinzip. Lab: einen multi-schrittigen Workflow mit einem menschlichen Checkpoint aufbauen.
- Bereitstellung im großen Maßstab – on-premises und Appliance-Bereitstellung, verteilte Verarbeitung für große Mengen, regulierte Umgebungen (CJIS, Regierung, Hochschule), Hardware-Sizing. Lab: einen Verarbeitungs-Job auf mehrere Worker verpacken und skalieren.
- Governance und Compliance Tiefgehen – die KI-Regulierungslandschaft (100+ US-Staat-KI-Gesetze, EU AI Act), Audit-Anforderungen, und eine vollständige SAIS-100 Governance-Audit. Lab: ein legal KI-System gegen einen Governance-Defensibilitäts-Checklist überprüfen.
Voraussetzungen
- Komfort mit Python und grundlegenden APIs
- Nützlich: Vertrautheit mit LLMs auf Benutzerebene (kein ML-Hintergrund erforderlich – wir bauen das mentale Modell)
- Kein juristischer Hintergrund erforderlich – die benötigten rechtlichen Konzepte werden im Kontext beigebracht
Zielgruppe
- Software-/AI-Ingenieure, die in Legal Tech wechseln
- Légal-Tech-Firmen-Ingenieure, die Tiefe im rechtlichen Bereich benötigen
- Technisch orientierte juristische / eDiscovery / information governance Fachkräfte, die bauen wollen, nicht nur kaufen
- Jeder, der die Rolle „Legal Engineer“ oder „AI Legal Engineer“ anstrebt
14 Stunden
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung
