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 las bases — Ingestión, búsqueda y recuperación
Módulo 1: El panorama del ingeniero jurídico
- Objetivos de aprendizaje: comprender el rol, dónde encaja la IA en el trabajo legal y los dos riesgos que atraviesan todos los procesos.
- Temas
-
- El rol del ingeniero jurídico y por qué actualmente es una posición de alta demanda.
- Dónde encaja la IA: eDiscovery, revisión legal, contratos, investigación e investigaciones; el modelo EDRM explicado en términos simples.
- Construir frente a comprar (build vs. buy).
- Los dos riesgos que atraviesan todo: confidencialidad/privilegio y defensibilidad.
Módulo 2: Los datos jurídicos son complejos — Ingestión y extracción
- Objetivos de aprendizaje: manejar la realidad de los datos jurídicos a escala.
- Temas
- Más de 1.400 tipos de archivos, correos electrónicos y PSTs, papel escaneado, archivos de carga (.dat/.opt); metadatos incrustados relevantes.
- Extracción de texto (Tika), OCR (reconocimiento óptico de caracteres) y deduplicación como decisión técnica.
- Laboratorio: Ingestión con FreeEed: construcción de una tubería de ingestión sobre un conjunto deliberadamente desordenado de documentos (correo/PST, escaneos, archivos de carga).
Módulo 3: Búsqueda y recuperación — La base fundamental
- Objetivos de aprendizaje: construir el elemento central del eDiscovery: encontrar cualquier dato dentro de todo.
- Temas: búsqueda en texto completo e indexación (Solr/Lucene); relevancia, metadatos y filtrado por fecha; búsqueda a través de contenido procesado con OCR.
- Laboratorio: Búsqueda de eDiscovery: indexar un corpus y ejecutar búsquedas reales al estilo de eDiscovery, incluso dentro de escaneos procesados con OCR.
Módulo 4: RAG para documentos jurídicos — Con citas
- Objetivos de aprendizaje: construir un sistema RAG sobre documentos jurídicos que cite sus fuentes.
- Temas
- Por qué la recuperación es preferible al ajuste fino (fine-tuning) para materiales sensibles, porque el modelo no "absorbe" los documentos originales.
- Digitalización en fragmentos (chunking), embeddings y, sobre todo, las citas y la procedencia.
- Resumen de múltiples documentos e hilos de conversación.
- Laboratorio: RAG jurídico con citas: construcción de un sistema RAG de preguntas y respuestas sobre un conjunto de documentos que responde citando las fuentes originales.
Día 2: Hacerlo privado, defendible y listo para implementación
Módulo 5: Privacidad, privilegio y servicio local — La trampa del privilegio
- Objetivos de aprendizaje: mantener los datos jurídicos en el entorno local y ser capaz de certificarlo.
- Temas
- Dónde va realmente la información al interactuar con una IA en la nube.
- Renuncia al privilegio, deber de competencia técnica y el espectro de "privacidad" (contractual frente a físico).
- El caso Morgan v. V2X y por qué la solución local es defendible ante tribunales.
- Servicio de modelos locales (Ollama / vLLM) y monitoreo del tráfico saliente.
- Laboratorio: Modelo local + Prueba deegreso de datos: ejecutar un modelo local de extremo a extremo y demostrar, mediante monitoreo, que no hubo salida de datos (egress).
Módulo 6: Revisión legal con IA defendible
- Objetivos de aprendizaje: medir y documentar una revisión con IA para que sea válida jurídicamente.
- Temas
- Las métricas válidas ante tribunales: recall, elusión, precisión, validación con verdad terrestre (ground-truth); TAR (revisión asistida por tecnología) y aprendizaje activo.
- Transparencia (¿por qué codificó este documento?) y reproducibilidad: fijar el modelo, establecer configuraciones fijas y registrar todo.
- La "captura de caso defendible" que permite a alguien volver a ejecutar tu revisión un año después y obtener el mismo resultado.
- Laboratorio: Revisión defendible: medir una revisión con IA contra una verdad terrestre ciega y producir un paquete de reproducibilidad.
Módulo 7: Implementar — Flujos de trabajo, despliegue privado y gobernanza
- Objetivos de aprendizaje: ensamblar las piezas en un flujo de trabajo, desplegarlo de forma privada y evaluarlo.
- Temas
- Un flujo de trabajo legal multietapa (ingestión → búsqueda → resumen → revisión → entrega) con intervención humana.
- Fundamentos del despliegue privado/en sus propias instalaciones: contenerizar y mantener los datos dentro de las instalaciones.
- Gobernanza de IA para entornos jurídicos en términos breves y puntuación del sistema utilizando SAIS-100 (la Escala de Elefante para Puntuación Segura de IA).
- Laboratorio: Puntuar y empaquetar: conectar un flujo de trabajo multietapa, puntuarlo con SAIS-100 y prepararlo para su despliegue privado.
Proyecto Final (integrado a lo largo del Día 2)
- Construir una aplicación de IA jurídica privada y defendible de extremo a extremo: ingestar un corpus desordenado, buscar en él, responder preguntas mediante citas usando un modelo local, medir una revisión defendible y empaquetarla para su despliegue privado.
- Los participantes se llevan un proyecto para su portafolio profesional que simula el trabajo real de un ingeniero jurídico.
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 y mapear duplicados cercanos y linaje documental. Laboratorio: construir una línea temporal y una vista de entidades/relaciones.
- Flujos de trabajo ágiles y multietapa en el ámbito jurídico (en profundidad): orquestación avanzada, análisis de contratos, síntesis multi-documento, uso de herramientas y puntos de control como principio de diseño. Laboratorio: construir un flujo de trabajo multietapa con una intervención humana.
- Despliegue a escala: despliegue local y en appliances (aplicaciones cerradas), procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior) y dimensionamiento de hardware. Laboratorio: contenerizar y escalar un trabajo de procesamiento entre múltiples nodos.
- Inmersión en Gobernanza y Cumplimiento: panorama de la regulación de IA (+100 leyes estatales en EE.UU., Reglamento de IA de la UE), requisitos de auditoría y una auditoría completa de gobernanza con SAIS-100. Laboratorio: auditar un sistema de IA jurídica contra una lista de verificación de gobernanza/defensibilidad.
Requerimientos
- Comodidad con Python y APIs básicas.
- Útil: familiaridad con modelos de lenguaje grande (LLM) a nivel de usuario (no se requiere experiencia previa en machine learning, ya que construimos el modelo mental desde cero).
- No se necesita formación jurídica previa; los conceptos legales necesarios se enseñan contextualmente.
Público objetivo
- Ingenieros de software o IA que desean transicionar hacia la tecnología jurídica (legal tech).
- Ingenieros de empresas de tecnología jurídica que necesitan profundizar en conocimientos específicos del dominio legal.
- Profesionales técnicos en el ámbito jurídico, eDiscovery y gobernanza de la información que desean construir soluciones y no simplemente comprarlas.
- Cualquier persona que busque desempeñar un rol como "ingeniero jurídico" o "ingeniero de IA jurídica".
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
