Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Jour 1 : Construire les fondations — Ingestion, Recherche, Récupération
Module 1 : Le paysage de l’ingénierie juridique
- Objectifs d’apprentissage — comprendre le rôle, la place de l’IA dans le travail juridique, et les deux risques majeurs qui traversent tous les processus.
- Sujets
-
- Le rôle de l’ingénieur juridique et pourquoi il est actuellement très recherché.
- Où s’intègre l’IA : eDiscovery, analyse d’documents, contrats, recherches, enquêtes ; le modèle EDRM expliqué simplement.
- Construire vs. Acheter.
- Les deux risques majeurs : confidentialité/privilège professionnel et défendabilité.
Module 2 : Les données juridiques sont complexes — Ingestion et Extraction
- Objectifs d’apprentissage — gérer la réalité des données juridiques à grande échelle.
- Sujets
- Plus de 1 400 types de fichiers, emails et PST, documents numérisés sur papier, fichiers de chargement (.dat/.opt) ; métadonnées embarquées essentielles.
- Extraction de texte (Tika), OCR, et déduplication comme choix technique.
- Travaux pratiques : Ingestion FreeEed — construire une pipeline d’ingestion sur un ensemble de documents délibérément complexe (emails/PST, scans, fichiers de chargement).
Module 3 : Recherche et Récupération — les fondations
- Objectifs d’apprentissage — construire le primitif central d’eDiscovery : trouver n’importe quoi dans tout.
- Sujets — recherche plein texte et indexation (Solr/Lucene) ; pertinence, filtrage par métadonnées et date ; recherche dans le contenu extrait par OCR.
- Travaux pratiques : Recherche eDiscovery — indexer un corpus et exécuter des recherches de style eDiscovery réel, y compris à l’intérieur de scans OCRed.
Module 4 : RAG pour les documents juridiques — avec citations
- Objectifs d’apprentissage — construire un RAG sur des documents juridiques qui cite ses sources.
- Sujets
- Pourquoi la recherche, et non le fine-tuning, pour les matériaux sensibles — le modèle n’absorbe jamais directement les documents.
- Segmentation (chunking), embeddings, et surtout citations / provenance.
- Synthèse multi-documents et de fils de discussion.
- Travaux pratiques : RAG juridique avec citations — construire un Q&R par RAG sur un ensemble de documents qui répond avec des citations source.
Jour 2 : Rendre cela confidentiel, défendable et prêt au déploiement
Module 5 : Confidentialité, Privilège et Serveur Local — le piège du privilège
- Objectifs d’apprentissage — garder les données juridiques locales et pouvoir en certifier la conformité.
- Sujets
- Où vont réellement les données lorsqu’elles touchent une IA cloud.
- Ratification du privilège, devoir de compétence, et le spectre du « privé » (contractuel vs. physique).
- Arrêt Morgan c. V2X et pourquoi le local est défendable en justice.
- Serveur de modèles locaux (Ollama / vLLM) et surveillance du trafic sortant.
- Travaux pratiques : Modèle local + Preuve d’exfiltration — exécuter un modèle local de bout en bout et prouver, grâce à la surveillance, qu’aucune donnée n’a quitté l’infrastructure.
Module 6 : Revue d’IA défendable
- Objectifs d’apprentissage — mesurer et documenter une revue IA afin qu’elle résiste aux contrôles.
- Sujets
- Les chiffres qui tiennent en justice : rappel, évasion (elusivity), précision, validation de la vérité terrain ; TAR / apprentissage actif.
- Transparence (pourquoi a-t-il classé ce document ?) et reproductibilité — figer le modèle, fixer les paramètres, tout journaliser.
- La « capture de cas défendable » permettant à quelqu’un de relancer votre revue un an plus tard et d’obtenir le même résultat.
- Travaux pratiques : Revue défendable — mesurer une revue IA contre une vérité terrain aveugle et produire un bundle de reproductibilité.
Module 7 : Livrer — Workflow, déploiement privé et gouvernance
- Objectifs d’apprentissage — assembler les pièces en un workflow, le déployer en privé et l’évaluer.
- Sujets
- Un workflow juridique multi-étapes (ingestion → recherche → synthèse → revue → production) avec humain dans la boucle.
- Éléments essentiels du déploiement privé/en local (containerisation ; garder les données dans l’enceinte).
- Gouvernance IA pour le juridique en bref, et évaluation du système avec SAIS-100 (l’Échelle Elephant Secure AI Score).
- Travaux pratiques : Évaluer et Emballer — connecter un workflow multi-étapes, l’évaluer avec SAIS-100 et l’emballer pour un déploiement privé.
Projet final (intégré sur le Jour 2)
- Construire une application juridique-IA privée et défendable de bout en bout — ingérer un corpus complexe, le rechercher, y répondre avec des citations via un modèle local, mesurer une revue défendable, et l’emballer pour un déploiement privé.
- Les participants repartent avec un projet portfolio correspondant au métier d’ingénieur juridique.
Jour 3 optionnel / Modules avancés (livrables en tant que 3ème jour ou série modulaire)
- Enquêtes : Entités, Relations et Chronologies — extraire personnes/orgues/dates, reconstruire les fils d’emails, construire des chronologies, mapper les quasi-doublons et la lignée des documents. Lab : construire une chronologie et une vue entité/relation.
- Workflows Juridiques Agents et Multi-étapes (approfondi) — orchestration plus riche, analyse de contrats, synthèse multi-documents, utilisation d’outils et garde-fous comme principe de conception. Lab : construire un workflow multi-étapes avec une checkpoint humaine.
- Déploiement à grande échelle — déploiement en local et sur appliance, traitement distribué pour les gros volumes, environnements réglementés (CJIS, gouvernement, enseignement supérieur), dimensionnement matériel. Lab : containeriser et mettre à l’échelle une tâche de traitement sur plusieurs workers.
- Approfondissement Gouvernance et Conformité — paysage de la régulation IA (plus de 100 lois IA des États américains, AI Act européen), exigences d’audit, et audit complet de gouvernance SAIS-100. Lab : auditer un système juridique-IA contre une checklist de gouvernance/défendabilité.
Pré requis
- Aisance avec Python et les API de base.
- Utile : familiarité avec les LLM (Large Language Models) au niveau utilisateur (aucun background en ML requis — nous construisons le modèle mental).
- Aucune connaissance juridique préalable requise — les concepts juridiques nécessaires sont enseignés dans leur contexte.
Audience cible
- Ingénieurs logiciels / IA souhaitant évoluer vers la LegalTech.
- Ingénieurs d’entreprises de LegalTech ayant besoin d’une expertise approfondie du domaine juridique.
- Professionnels juridiques / eDiscovery / gouvernance de l’information à profil technique, qui souhaitent développer des solutions et non seulement les acquérir.
- Toute personne visant le rôle d’« ingénieur juridique » ou « ingénieur IA juridique ».
14 Heures
Nos clients témoignent (1)
J'ai acquis des connaissances sur la bibliothèque Streamlit en Python et je vais certainement essayer de l'utiliser pour améliorer les applications de mon équipe qui sont actuellement développées avec R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Formation - GitHub Copilot for Developers
Traduction automatique
