感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程大纲
第一天：构建基础——摄取、搜索、检索
模块1：法律工程师的职业图谱
- 学习目标——理解该角色的定位、AI在法律工作中的应用领域，以及贯穿始终的两大风险。
- 主题内容
-
- 法律工程师的角色及其当前受雇的原因
- AI的应用场景：电子发现、审查、合同、研究、调查；通俗解释EDRM模型
- 自建与采购的权衡
- 贯穿始终的两大风险：机密性/特权和可辩护性
模块2：法律数据是杂乱的——摄取与提取
- 学习目标——应对大规模法律数据的现实挑战。
- 主题内容
- 超过1,400种文件类型、邮件和PST文件、扫描纸质文档、加载文件（.dat/.opt）；关键嵌入式元数据
- 文本提取（Tika）、OCR（光学字符识别）及去重策略的选择
- 实验：FreeEed摄取 ——针对故意制作的杂乱文档集（邮件/PST、扫描件、加载文件）构建摄取流水线。
模块3：搜索与检索——基础核心
- 学习目标——构建核心的电子发现原语：在海量数据中查找任何内容。
- 主题内容——全文搜索与索引（Solr/Lucene）；相关性、元数据及日期过滤；跨OCR内容的搜索。
- 实验：电子发现搜索 ——为语料库建立索引并运行真实的电子发现风格搜索，包括在OCR扫描内部进行搜索。
模块4：法律文档的RAG——带引文支持
- 学习目标——构建能引用来源的法律文档RAG系统。
- 主题内容
- 对于敏感材料，为何检索优于微调 ——模型不会吞食原始文档数据。
- 分块、嵌入及至关重要的引文 / 出处追溯
- 多文档与线程摘要生成
- 实验：带引文的法律RAG ——在文档集上构建RAG问答系统，答案附带来源引用。
第二天：确保私密、可辩护及可交付
模块5：隐私、特权与本地服务——特权的陷阱
- 学习目标——确保法律数据本地化并能进行认证。
- 主题内容
- 数据接触云端AI时的实际流向。
- 特权豁免、胜任力义务及“私密”光谱（合同约束 vs. 物理隔离）。
- Morgan v. V2X案例解析：为何本地化部署能在法庭上站得住脚。
- 本地模型 服务（Ollama / vLLM）及监控出口流量。
- 实验：本地模型与出口证明 ——端到端运行本地模型，并通过监控证明无任何数据流出。
模块6：可辩护的AI审查
- 学习目标——测量并记录AI审查过程，使其经得起法律质证。
- 主题内容
- 法庭适用的关键指标：召回率、漏检率、精确率、地面真值验证 ； TAR（技术辅助审查）/主动学习。
- 透明度（为何对该文档进行此分类）与可复现性 ——锁定模型版本，固定设置参数，记录一切操作。
- “可辩护案例快照”，使他人能在一年后重新运行审查并获得相同结果。
- 实验：可辩护审查 ——针对盲测地面真值测量AI审查效果，并生成可复现包。
模块7：交付——工作流、线下部署与治理
- 学习目标——将各部分组装为工作流，线下部署并对系统进行评分。
- 主题内容
- 多步骤法律工作流（摄取→搜索→摘要→审查→交付），包含人工介入环节。
- 线下/本地部署的核心要素（容器化；确保数据不出办公场所）。
- 简述法律领域的AI治理，以及使用SAIS-100（大象量表安全AI评分）对系统进行评分。
- 实验：评分与打包 ——连接多步骤工作流，使用SAIS-100进行评分，并打包用于线下部署。
结业项目（贯穿第二天整合）
- 端到端构建一个私密、可辩护的法律AI应用 ——摄取杂乱语料库，进行搜索，利用本地模型回答带引文的问题，测量可辩护的审查结果，并打包用于线下部署。
- 学员将带走一个作为法律工程师职位作品集的项目。
可选第三天 / 高级模块（可作为第3天或模块化系列提供）
- 调查：实体、关系与时间线 ——提取人员/组织/日期，重建邮件线程，构建年代史，映射近重复项和文档谱系。实验：构建时间线和实体/关系视图。
- 智能体与多步骤法律工作流（深度） ——更丰富的编排、合同分析、多文档合成、工具使用及护栏作为设计原则。实验：构建包含人工检查点的多步骤工作流。
- 规模化部署 ——线下及设备化部署，大规模数据的分布式处理，受监管环境（CJIS、政府、高等教育）、硬件选型。实验：在多个工作节点上容器化并扩展处理任务。
- 治理与合规深度解析 ——AI监管格局（100多个美国州级AI法律、欧盟AI法案）、审计要求及完整的SAIS-100治理审计。实验：针对治理/可辩护性检查表对法律AI系统进行审计。
要求
- 熟悉Python和基础API。
- 有帮助但非必需：了解大语言模型（LLM）的用户级操作（无需机器学习背景——我们将构建相关的思维模型）。
- 无需法律背景——所需的法律概念将在上下文中教授。
目标受众
- 向法律科技领域转型的软件/AI工程师。
- 需要深入理解法律领域的法律科技公司工程师。
- 具备技术背景的法律/电子发现/信息管理专业人士，希望从事构建工作而不仅是采购。
- 任何瞄准“法律工程师”或“AI法律工程师”角色的人。
14 小时
客户评论 (1)
我获得了关于Python中Streamlit库的知识，我肯定会尝试使用它来改进我们团队中基于R Shiny开发的apps。
Michal Maj - XL Catlin Services SE (AXA XL)
课程 - GitHub Copilot for Developers
机器翻译
