Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Día 1: Construir la base — Ingestión, búsqueda y recuperación
Módulo 1: El panorama del ingeniero legal
- Objetivos de aprendizaje: comprender el rol, dónde encaja la IA en las tareas legales y los dos riesgos que atraviesan todo.
- Temas
-
- El rol del ingeniero legal y por qué se está contratando actualmente.
- Dónde encaja la IA: descubrimiento electrónico, revisión, contratos, investigación, investigaciones; el modelo EDRM en términos sencillos.
- Construir vs. comprar.
- Los dos riesgos que atraviesan todo: confidencialidad/privilegio y defendibilidad.
Módulo 2: Los datos legales son desordenados — Ingestión y extracción
- Objetivos de aprendizaje: manejar la realidad de los datos legales a gran escala.
- Temas
- Más de 1.400 tipos de archivos, correos electrónicos y PST, papel escaneado, archivos de carga (.dat/.opt); metadatos incrustados que importan.
- Extracción de texto (Tika), OCR y deduplicación como una opción.
- Lab: Ingestión en FreeEed — construir un canal de ingestión sobre un conjunto deliberadamente desordenado de documentos (correos/PST, escaneos, archivos de carga).
Módulo 3: Búsqueda y recuperación — la base
- Objetivos de aprendizaje: construir el elemento fundamental del descubrimiento electrónico: encontrar cualquier cosa dentro de todo.
- Temas: búsqueda y indexación de texto completo (Solr/Lucene); relevancia, filtrado por metadatos y fecha; búsqueda en contenido procesado con OCR.
- Lab: Búsqueda de descubrimiento electrónico — indexar un corpus y realizar búsquedas reales al estilo del descubrimiento electrónico, incluidas dentro de escaneos procesados con OCR.
Módulo 4: RAG para documentos legales — con citas
- Objetivos de aprendizaje: construir RAG sobre documentos legales que cite sus fuentes.
- Temas
- Por qué la recuperación es preferible al ajuste fino para materiales sensibles: el modelo nunca absorbe los documentos en su interior.
- Fragmentación (chunking), embeddings y, sobre todo, citas / procedencia.
- Resumen de múltiples documentos e hilos de conversación.
- Lab: RAG legal con citas — construir un sistema de preguntas y respuestas con RAG sobre un conjunto de documentos que responda con citas a la fuente.
Día 2: Hacerlo privado, defendible y listo para desplegar
Módulo 5: Privacidad, privilegio y servicio local — La trampa del privilegio
- Objetivos de aprendizaje: mantener los datos legales locales y poder certificarlo.
- Temas
- Dónde va realmente la data cuando toca a una IA en la nube.
- Renuncia al privilegio, deber de competencia y el espectro de "privacidad" (contractual vs. físico).
- Morgan v. V2X y por qué lo local es defendible ante un tribunal.
- Servir modelos locales (Ollama / vLLM) y monitorear el tráfico saliente.
- Lab: Modelo local + prueba de salida — ejecutar un modelo local de principio a fin y demostrar, mediante monitoreo, que ningún dato salió del sistema.
Módulo 6: Revisión de IA defendible
- Objetivos de aprendizaje: medir y documentar una revisión de IA para que sostenga su validez.
- Temas
- Las métricas que sostienen ante un tribunal: recall, elusión, precisión, validación con ground-truth; TAR / aprendizaje activo.
- Transparencia (¿por qué clasificó este documento así?) y reproducibilidad: fijar el modelo, establecer configuraciones fijas y registrar todo.
- El "captura de caso defendible" que permite a alguien volver a ejecutar tu revisión un año después y obtener el mismo resultado.
- Lab: Revisión Defendible — medir una revisión de IA contra un ground-truth ciego y producir un paquete de reproducibilidad.
Módulo 7: Desplegarlo — Flujo de trabajo, despliegue privado y gobernanza
- Objetivos de aprendizaje: ensamblar las piezas en un flujo de trabajo, desplegarlo de forma privada y evaluar su desempeño.
- Temas
- Un flujo de trabajo legal multinivel (ingestión → búsqueda → resumen → revisión → producción) con intervención humana.
- Puntos esenciales del despliegue privado/en sitio (contenerizar; mantener los datos dentro del edificio).
- Gobernanza de IA para el sector legal en resumen y evaluación del sistema con SAIS-100 (la Escalera Elefante Puntuación Segura de IA).
- Lab: Evaluar y Empacar — conectar un flujo de trabajo multinivel, evaluarlo con SAIS-100 y empacarlo para despliegue privado.
Proyecto Final (integrado a través del Día 2)
- Construir una aplicación de IA legal privada y defendible de extremo a extremo: ingerir un corpus desordenado, buscarlo, responder preguntas sobre él con citas usando un modelo local, medir una revisión defendible y empacarlo para despliegue privado.
- Los participantes se llevan un proyecto de portafolio que refleja el trabajo real de un ingeniero legal.
Día 3 opcional / Módulos Avanzados (entregables como un tercer día o una serie modular)
- Investigaciones: Entidades, Relaciones y Cronologías — extraer personas/organizaciones/fechas, reconstruir hilos de correo, construir cronologías, mapear duplicados cercanos y linaje de documentos. Lab: construir una línea de tiempo y vista de entidad/relación.
- Flujos de trabajo Agénticos y Multinivel para lo Legal (en profundidad) — orquestación más rica, análisis de contratos, síntesis multi-documento, uso de herramientas y salvaguardas como principio de diseño. Lab: construir un flujo de trabajo multinivel con un punto de control humano.
- Despliegue a Gran Escala — despliegue en instalaciones locales y appliances, procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior), dimensionamiento de hardware. Lab: contenerizar y escalar un trabajo de procesamiento entre trabajadores.
- Inmersión profunda en Gobernanza y Cumplimiento — el panorama de regulación de IA (más de 100 leyes estatales de IA en EE.UU., la Ley de IA de la UE), requisitos de auditoría y una auditoría completa de gobernanza SAIS-100. Lab: auditar un sistema de IA legal contra una lista de verificación de gobernanza/defendibilidad.
Requerimientos
- Comodidad con Python y APIs básicas.
- Útil: familiaridad con LLMs a nivel de usuario (no se requiere experiencia previa en ML; construimos el modelo mental).
- No se requiere conocimiento legal previo; los conceptos legales necesarios se enseñan en contexto.
Audiencia
- Ingenieros de software o IA que se están moviendo hacia la tecnología legal.
- Ingenieros de empresas de tecnología legal que necesitan profundizar en el dominio jurídico.
- Profesionales técnicamente inclinados del ámbito legal, de descubrimiento electrónico o de gobernanza de información que desean construir soluciones y no solo comprarlas.
- Cualquier persona orientada al rol de "ingeniero legal" o "ingeniero de IA legal".
14 Horas
Reseñas (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática
