お問い合わせを送信いただきありがとうございます！当社のスタッフがすぐにご連絡いたします。
予約を送信いただきありがとうございます！当社のスタッフがすぐにご連絡いたします。
コース概要
Day 1: 基盤の構築 — 収集、検索、取得
Module 1: 法務エンジニアの現状認識
- 学習目標 — 法務業務におけるAIの位置づけ、および全プロセスを通じて共通する2つのリスクを理解する。
- トピック
-
- 法務エンジニアの役割、および現在採用が急増している理由
- AIの適用範囲： eDiscovery、レビュー、契約、調査、調査；EDRMモデルの平易な説明
- 自社開発（Build）と外注購入（Buy）の判断
- 全プロセスを通じて共通する2つのリスク： 機密性／特権と正当性
Module 2: 法務データは複雑 — 収集と抽出
- 学習目標 — 大規模な法務データの現実的処理をマスターする。
- トピック
- 1,400以上のファイル形式、メールおよびPST、スキャンされた紙書類、ロードファイル（.dat/.opt）、そして重要となる埋め込みメタデータ
- テキスト抽出（Tika）、OCR、および重複排除の戦略的选择
- Lab: FreeEed Ingestion — 意図的に複雑な文書セット（メール／PST、スキャン、ロードファイル）を対象に、収集パイプラインを構築します。
Module 3: 検索と取得 — 基盤
- 学習目標 — eDiscoveryのコア基盤となる「すべての中からすべてを見つける」機能の構築。
- トピック — フルテキスト検索とインデックス作成（Solr/Lucene）；関連性、メタデータおよび日付フィルタリング；OCR処理済みコンテンツの検索
- Lab: eDiscovery Search — コーパスをインデックスし、OCR処理済みのスキャンを含む実際のeDiscoveryスタイルの検索を実行します。
Module 4: 法務文書向けRAG — 出典明示付き
- 学習目標 — 出典を明記した法務文書向けRAGの構築。
- トピック
- 機密情報の場合、検索（Retrieval）がファインチューニングに優る理由 — モデルは文書をそのまま学習しない
- チャンキング、埋め込み、そして何より出典明示／プロベナンス
- 複数文書およびスレッドの要約
- Lab: Legal RAG with Citations — 出典を明記して回答する文書セット向けRAG Q&Aを構築します。
Day 2: プライバシー、正当性、そしてリリース可能な状態にする
Module 5: プライバシー、特権、そしてローカルサービング — 特権の罠
- 学習目標 — 法務データをローカルに保ち、そのことを証明（認証）できるようにする。
- トピック
- クラウドAIにデータが送信された場合、データが実際どこで処理されるか
- 特権の放棄、専門能力上の義務、および「プライベート」のスpectrum（契約ベース vs 物理ベース）
- Morgan v. V2X事件、およびローカル処理が法的に正当化される理由
- ローカルモデル（Ollama / vLLM）のサービングと送信トラフィックの監視
- Lab: Local Model + Egress Proof — ローカルモデルをエンドツーエンドで実行し、監視を通じてデータが外部に送信されなかったことを証明します。
Module 6: 正当性のあるAIレビュー
- 学習目標 — AIレビューが有効に保たれるように、測定し文書化する。
- トピック
- 裁判所でするべき数字： 再現率（Recall）、逸脱率（Elusion）、適合率（Precision）、グラウンドトゥルース検証；TAR / アクティブラーニング
- 透明性（なぜこの文書にこのコードを付けたのか？）と再現可能性 — モデルの固定、設定の固定、すべてのログ記録
- 1年後にもレビューを再実行して同じ結果を得られる「正当性のためのケーススナップショット」
- Lab: Defensible Review — 盲目的なグラウンドトゥルースに対してAIレビューを測定し、再現性バンドルを作成します。
Module 7: システムの公開 — ワークフロー、プライベートデプロイ、ガバナンス
- 学習目標 — 各要素をワークフローに組み立て、プライベートにデプロイし、スコアリングする。
- トピック
- 人間介入を含む多段階の法務ワークフロー（収集 → 検索 → 要約 → レビュー → 成果物作成）
- プライベート／オンプレミスデプロイメントの essentials（コンテナ化；データを組織内に保持）
- 法務分野におけるAIガバナンスの概要、およびSAIS-100（Elephant Scale Secure AI Score）によるシステムのスコアリング
- Lab: Score and Package — 多段階ワークフローを接続し、SAIS-100でスコアリングし、プライベートデプロイメント用にパッケージングします。
Capstone（Day 2全体を通じて統合）
- 複雑なコーパスの収集、検索、ローカルモデルを用いた出典明示付き質問回答、正当性のあるレビューの測定、そしてプライベートデプロイメント用のパッケージングまで、プライベートで正当性のある法務AIアプリケーションをエンドツーエンドで構築します。
- 参加者は、法務エンジニアの職務内容を体現するポートフォリオプロジェクトを手に入れて卒業します。
Option Day 3 / 高度モジュール（第3日目またはモジュールシリーズとして提供）
- 調査： エンティティ、関係性、そしてタイムライン — 人／組織／日付の抽出、メールスレッドの再構築、年代記の作成、近接重複と文書系譜のマッピング。Lab： タイムラインとエンティティ／関係性のビューを構築します。
- エージェント型および多段階法務ワークフロー（深化） — より豊かなオーケストレーション、契約分析、複数文書の統合、ツール使用とガードレールを設計原則として。Lab： 人間チェックポイントを持つ多段階ワークフローを構築します。
- 大規模デプロイメント — オンプレミスおよびアプライアンスデプロイ、大容量向け分散処理、規制環境（CJIS、政府、高等教育）、ハードウェアサイジング。Lab： 処理ジョブをコンテナ化し、ワーカー間でスケーリングします。
- ガバナンスとコンプライアンスの深掘り — AI規制の状況（米国50州以上のAI法、EU AI法案）、監査要件、そして完全なSAIS-100ガバナンス監査。Lab： ガバナンス／正当性チェックリストに基づき法務AIシステムを監査します。
要求
- Pythonおよび基本的なAPIに精通していること
- あれば望ましい： LLMのユーザーレベルでの理解（機械学習の背景は不要 — マインドモデルを構築します）
- 法務の背景は不要 — 必要な法務の概念は文脈の中で指導します
対象者
- 法務テック分野への参入を目指すソフトウェア／AIエンジニア
- 法務ドメインの深層知識を必要とする法務テック企業のエンジニア
- 単なる購入ではなく、自ら構築したいと考えている、技術志向の法務／eDiscovery／情報ガバナンス担当者
- 「法務エンジニア」または「AI法務エンジニア」の役割を目指す方
14 時間
お客様の声 (1)
PythonのStreamlitライブラリについての知識を得ることができました。確実に、R Shinyで作成された私のチームのアプリケーションを改善するために使用してみます。
Michal Maj - XL Catlin Services SE (AXA XL)
コース - GitHub Copilot for Developers
機械翻訳
