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 — Ingesta, Búsqueda y Recuperación
Módulo 1: El Panorama del Ingeniero Legal
- Objetivos de aprendizaje — comprender el rol, dónde encaja la IA en el trabajo legal y los dos riesgos que atraviesan todo.
- Temas
-
- El rol del ingeniero legal y por qué está siendo contratado actualmente.
- Dónde encaja la IA: eDiscovery, revisión, contratos, investigación e investigaciones; el modelo EDRM explicado en términos sencillos.
- Construir vs. comprar.
- Los dos riesgos que atraviesan todo: confidencialidad/privilegio y defendibilidad.
Módulo 2: Los Datos Legales son Desordenados — Ingesta y Extracción
- Objetivos de aprendizaje — manejar la realidad de los datos legales a escala.
- Temas
- Más de 1,400 tipos de archivos, correos electrónicos y PST, documentos escaneados en papel, archivos de carga (.dat/.opt); metadatos incrustados relevantes.
- Extracción de texto (Tika), OCR y la opción de desduplicación.
- Lab: Ingesta en FreeEed — construir una canal de ingestión sobre un conjunto de documentos deliberadamente complejo (correo/PST, escaneos, archivos de carga).
Módulo 3: Búsqueda y Recuperación — la Base
- Objetivos de aprendizaje — construir el componente central de eDiscovery: encontrar cualquier cosa dentro de todo.
- Temas — búsqueda de texto completo e indexación (Solr/Lucene); relevancia, filtrado por metadatos y fecha; búsqueda en contenido procesado con OCR.
- Lab: Búsqueda de eDiscovery — indexar un corpus y realizar búsquedas reales estilo eDiscovery, incluyendo dentro de escaneos 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 recuperar, no ajustar finamente (fine-tuning), para material sensible — el modelo nunca "traga" los documentos completos.
- Agrupamiento (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 RAG sobre un conjunto de documentos que responda citando las fuentes.
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 van realmente los datos cuando interactúan con una IA en la nube.
- Renuncia al privilegio, deber de competencia y el espectro de "privacidad" (contractual vs. físico).
- Caso 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 Egress — ejecutar un modelo local de extremo a extremo y demostrar, mediante monitoreo, que no hubo salida de datos.
Módulo 6: Revisión de IA Defendible
- Objetivos de aprendizaje — medir y documentar una revisión de IA para que sea válida legalmente.
- Temas
- Los números que sostienen en un tribunal: recall (tasa de detección), elusión, precisión, validación de la verdad fundamental; TAR / aprendizaje activo.
- Transparencia (¿por qué clasificó este documento así?) y reproducibilidad: fijar el modelo, establecer los parámetros y registrar todo.
- La "instantánea del caso defendible" que permite a alguien ejecutar tu revisión un año después y obtener el mismo resultado.
- Lab: Revisión Defendible — medir una revisión de IA frente a una verdad fundamental ciega y producir un paquete de reproducibilidad.
Módulo 7: Desplegar — Flujo de Trabajo, Despliegue Privado y Gobernanza
- Objetivos de aprendizaje — ensamblar las piezas en un flujo de trabajo, desplegarlo privadamente y evaluar su desempeño.
- Temas
- Un flujo de trabajo legal multi-escenario (ingesta → búsqueda → resumen → revisión → producción) con intervención humana.
- Aspectos esenciales del despliegue privado/on-prem (contenerizar; mantener los datos dentro de la infraestructura propia).
- Gobernanza de IA para el ámbito legal en resumen y evaluación del sistema mediante SAIS-100 (la Escalera Segura de Puntuación de IA - Elephant Scale Secure AI Score).
- Lab: Evaluar y Empaquetar — conectar un flujo de trabajo multi-escenario, evaluarlo con SAIS-100 y empaquetarlo para despliegue privado.
Proyecto Final (integrado durante el Día 2)
- Construir una aplicación legal de IA privada y defendible de extremo a extremo: ingestar un corpus complejo, buscarlo, responder preguntas sobre él con citas usando un modelo local, medir una revisión defendible y empaquetarlo 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 Líneas de Tiempo — extraer personas/organizaciones/fechas, reconstruir hilos de correo, construir cronologías, mapear duplicados cercanos y linaje documental. Lab: construir una línea de tiempo y una vista de entidad/referencia.
- Flujos de Trabajo Agenticos y Multi-Escenario (profundo) — orquestación más rica, análisis de contratos, síntesis multi-documento, uso de herramientas y guardrails como principio de diseño. Lab: construir un flujo de trabajo multi-escenario con punto de control humano.
- Despliegue a Escala — despliegue on-prem e intrusivo (appliance), procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior), dimensionamiento de hardware. Lab: contenerizar y escalar un trabajo de procesamiento entre múltiples trabajadores.
- Profundización en Gobernanza y Cumplimiento — el panorama de la regulación de IA (más de 100 leyes estatales de EE. UU., Reglamento de IA de la UE), requisitos de auditoría y una auditoría completa de gobernanza SAIS-100. Lab: auditar un sistema de IA legal frente a 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 conceptual)
- No se requiere conocimientos previos de derecho — los conceptos legales necesarios se enseñan en contexto.
Público Objetivo
- Ingenieros de software e IA que se están moviendo hacia la tecnología legal.
- Ingenieros de empresas de tecnología legal que necesitan profundizar en el dominio jurídico.
- Profesionales técnicos del ámbito legal, eDiscovery o gobernanza de información que quieren construir herramientas, no solo comprarlas.
- Cualquiera que aspire 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
