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, recuperación
Módulo 1: El panorama del ingeniero legal
- Objetivos de aprendizaje: comprender el rol, cómo encaja la IA en el trabajo legal y los dos riesgos que atraviesan todo.
- Temas:
-
- El rol del ingeniero legal y por qué se está contratando actualmente.
- Cómo encaja la IA: eDiscovery, revisión, contratos, investigación e investigaciones; el modelo EDRM explicado en términos sencillos.
- Construir frente a comprar.
- Los dos riesgos que atraviesan todo: confidencialidad/privilégio y defendibilidad.
Módulo 2: Los datos legales son desordenados — Ingestión y extracción
- Objetivos de aprendizaje: manejar la realidad de los datos legales a escala.
- Temas
- +1.400 tipos de archivos, correos electrónicos y PST, papel escaneado, archivos de carga (.dat/.opt); metadatos incrustados relevantes.
- Extracción de texto (Tika), OCR y deduplicación como opción.
- Laboratorio: Ingestión en FreeEed — construir un pipeline de ingestión sobre un conjunto de documentos deliberadamente desordenado (correo/PST, escaneos, archivos de carga).
Módulo 3: Búsqueda y recuperación — la base
- Objetivos de aprendizaje: construir el primitivo central de eDiscovery: encontrar cualquier cosa dentro de todo.
- Temas: búsqueda e indexación de texto completo (Solr/Lucene); relevancia, filtrado por metadatos y fechas; búsqueda en contenido procesado con OCR.
- Laboratorio: Búsqueda en eDiscovery — indexar un corpus y ejecutar 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 la recuperación, no el ajuste fino (fine-tuning), para material sensible: el modelo nunca "absorbe" los documentos.
- Segmentación (chunking), embeddings y, ante todo, citas y procedencia.
- Resumen multi-documento y de hilos de conversación.
- Laboratorio: RAG legal con citas — construir un Q&A basado en RAG sobre un conjunto de documentos que responda citando las fuentes.
Día 2: Hacerlo privado, defendible y listo para entrega
Módulo 5: Privacidad, privilegio y servicio local — La trampa del privilegio
- Objetivos de aprendizaje: mantener los datos legales locales y poder certificarlo.
- Temas
- A dónde van realmente los datos cuando tocan una IA en la nube.
- Renuncia al privilegio, deber de competencia y el espectro de lo "privado" (contractual frente a físico).
- Caso Morgan v. V2X y por qué lo local es defendible ante los tribunales.
- Servicio de modelos locales (Ollama / vLLM) y monitoreo del tráfico saliente.
- Laboratorio: Modelo local + prueba de egress — ejecutar un modelo local de extremo a extremo y demostrar, mediante monitoreo, que ningún dato salió de la red.
Módulo 6: Revisión de IA defendible
- Objetivos de aprendizaje: medir y documentar una revisión de IA para que resista escrutinio legal.
- Temas
- Las métricas que sostienen en juicio: recall, elusion, precisión, validación con ground truth; TAR / aprendizaje activo.
- Transparencia (¿por qué codificó este documento?) y reproducibilidad: fijar el modelo, establecer configuraciones fijas, registrar todo.
- La "instantánea del caso defendible" que permite a otra persona rehacer tu revisión un año después y obtener el mismo resultado.
- Laboratorio: Revisión defendible — medir una revisión de IA contra un ground truth ciego y producir un paquete de reproducibilidad.
Módulo 7: Entrega final — Flujos de trabajo, despliegue privado y gobernanza
- Objetivos de aprendizaje: ensamblar las piezas en un flujo de trabajo, desplegarlo privatamente y evaluarlo.
- Temas
- Un flujo de trabajo legal multi-etapa (ingestión → búsqueda → resumen → revisión → producción) con intervención humana.
- Fundamentos del despliegue privado/en instalaciones propias (contenerizar; mantener los datos dentro de la organización).
- Gobernanza de IA para el ámbito legal en breve, y evaluación del sistema con SAIS-100 (la Escala Secura de IA Elephant Scale Secure AI Score).
- Laboratorio: Evaluación y empaquetado — interconectar un flujo de trabajo multi-etapa, evaluarlo con SAIS-100 y empaquetarlo para despliegue privado.
Proyecto Final (integrado a lo largo del Día 2)
- Construir una aplicación de IA legal privada y defendible de extremo a extremo: ingestar un corpus desordenado, buscarlo, responder preguntas con citas usando un modelo local, medir una revisión defendible y empaquetarla para despliegue privado.
- Los participantes se van con un proyecto de portafolio que representa el trabajo real de un ingeniero legal.
Módulos Avanzados Opcionales del Día 3 (entregables como un 3er día o como una serie modular)
- Investigaciones: Entidades, relaciones y cronologías — extracción de personas/organizaciones/fechas, reconstrucción de hilos de correo, construcción de cronologías, mapeo de duplicados cercanos y linaje de documentos. Laboratorio: construir una línea de tiempo y una vista de entidades/relaciones.
- Flujos de trabajo agénticos y multi-etapa (en profundidad) — orquestación más rica, análisis contractual, síntesis multi-documento, uso de herramientas y guardrails como principio de diseño. Laboratorio: construir un flujo de trabajo multi-etapa con un punto de control humano.
- Despliegue a escala — despliegue en instalaciones propias y appliances, procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior), dimensionamiento de hardware. Laboratorio: contenerizar y escalar un trabajo de procesamiento entre múltiples trabajadores.
- Profundización en Gobernanza y Cumplimiento — el panorama regulatorio de IA (+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. Laboratorio: 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 formación en ML; construimos el modelo mental).
- No se requiere antecedentes jurídicos; los conceptos legales necesarios se enseñan contextualizados.
Público objetivo
- Ingenieros de software / IA que ingresan al sector de tecnología legal.
- Engenheiros de empresas de tecnología legal que necesitan profundización en el dominio legal.
- Profesionales técnicamente orientados del ámbito legal, eDiscovery o gobernanza de la información que quieren construir, no solo comprar.
- Cualquier persona 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
