Legal AI Engineering Training Cursus

Dag 1: De basis leggen – Inname en zoeken

Module 1: Het werkveld van de juridische engineer

• Leren doelstellingen: begrip krijgen van deze rol, waar AI in het juridische werk een rol speelt en welke twee grote risico’s hierbij gelden.
• Onderwerpen:
• • De functie van juridisch ingenieur: waarom er momenteel zoveel behoefte is aan deze deskundigen.
  • Hoe AI ingezet wordt: bij eDiscovery, documentbeoordeling, contractanalyse en onderzoeken; uitleg over het EDRM-model in begrijpelijke termen.
  • Ontwikkelen versus aanschaffen van software.
  • De twee belangrijkste risico’s: vertrouwelijkheid/privilege en verdedigbaarheid.

Module 2: Juridische gegevens zijn onoverzichtelijk – Inname en extractie

• Leren doelstellingen: omgaan met de complexiteit van juridische gegevens op grote schaal.
• Onderwerpen:
• Meer dan 1.400 verschillende bestandstypen, e-mails en PST-bestanden, gescande documenten, laadbestanden (.dat/.opt); het belang van ingebedde metadata.
• Tekstextractie (via Tika), OCR en eventuele deduplicatie als keuze-element.
• Laboratorium: Inname met FreeEed: bouw een inname-pipeline die omgaat met bewust rommelige documenten (e-mails/PST-bestanden, gescande documenten, laadbestanden).

Module 3: Zoeken en terugvinden – De basisprincipes

• Leren doelstellingen: het creëren van de kernfunctie voor eDiscovery: alles binnen alle gegevens vinden.
• Onderwerpen: volledige-tekstzoekopdrachten en indexering (Solr/Lucene); relevantie, metadata- en datumfiltering; zoeken door inhoud die via OCR is omgezet naar tekst.
• Laboratorium: Zoeken in eDiscovery: maak een index van een documentcorpus en voer daadwerkelijke eDiscovery-zoekopdrachten uit, zelfs op gescande inhoud.

Module 4: RAG voor juridische documenten – met bronvermeldingen

• Leren doelstellingen: een RAG-systeem opzetten dat bronverwijzingen aanlevert bij antwoorden over juridische documenten.
• Onderwerpen:
• Waarom retrieval, niet fine-tuning gebruikt moet worden voor gevoelige informatie: de model leert zelf geen documentinhoud aan.
• Chunking, embeddings en vooral ook bronvermeldingen/aanwijzingen van herkomst.
• Synthese van meerdere documenten of het samenvatten van berichtenketens.
• Laboratorium: Juridische RAG met bronverwijzingen: ontwikkel een vraag-antwoordsysteem op basis van een verzameling documenten waarbij steeds duidelijk wordt uit welke bron het antwoord komt.

Dag 2: Privé, verdedigbaar en bruikbaar maken

Module 5: Privacy, privilege en lokale gebruik – de valkuil van privacyverlies

• Leren doelstellingen: juridische gegevens lokaal houden en dit aantonen aan auditors.
• Onderwerpen:
• Waarheen gaan data nadat deze worden verwerkt door cloud-AI-systemen?
• Privilegeverlies, competentievereisten van juridisch werk en het spectrum tussen contractuele en fysieke privacy.
• De zaak Morgan vs. V2X: waarom lokaal gebruik verdedigbaar is voor de rechtbank.
• Het bedienen van lokale modellen (Ollama/vLLM) en het bewaken van uitgaande dataverkeer.
• Laboratorium: Lokale model + bewijs van geen gegevensuitwisseling: voer een end-to-end verwerking via lokaal model uit en gebruik monitoring om aan te tonen dat er geen data naar buiten kwam.

Module 6: Een verdedigbaar AI-gestuurd onderzoek

• Leren doelstellingen: een onderzoeksproces evalueren en vastleggen zodat het in de rechtbank standhoudt.
• Onderwerpen:
• De meetwaarden die juridisch overtuigend zijn: recall, elusion, precisie en grondige validatie; TAR en actief leren als strategieën.
• Transparantie – waarom het model bepaalde documenten heeft geselecteerd? – en reproduceerbaarheid: modelversies vrijgeven, instellingen bevriezen en alles loggen.
• Het concept van een ‘verdedigbare case-snapshot’: een compleet pakket waarmee iemand het onderzoek na een jaar opnieuw kan uitvoeren met identiek resultaat.
• Laboratorium: Verdedigbaar onderzoek: meet de prestaties van een AI-gestuurd onderzoek tegen een neutrale referentie, en verzamel het volledige pakket voor reproduceerbaarheid.

Module 7: Implementeren – Workflow, privédeployatie en governance

• Leren doelstellingen: alle onderdelen tot een werkende workflow samenvoegen, deze lokaal implementeren en beoordelen.
• Onderwerpen:
• Een meerstappen juridische workflow (inname → zoeken → samenvatten → beoordeling → eindresultaat) waarbij mensen controle behouden over het proces.
• Grondbeginselen van privé/on-premise implementatie: containerisatie, zodat alle data lokaal blijft.
• Korte introductie tot AI-governance in juridische sfeer en het beoordelen met SAIS-100 – de Elephant Scale Secure AI Score.
• Laboratorium: Scoren en pakketten maken: bouw een volledige meerstappen workflow, evalueer deze via SAIS-100 en bereid het geheel voor privéimplementatie voor.

Afstudeerproject (integraal tijdens Dag 2)

• Bouw een volledig privé, verdedigbaar juridisch AI-systeem: neem onoverzichtelijke documenten in, zoek en vond daaruit informatie door middel van vraagstelling met lokale modellen en bronverwijzingen; meet de kwaliteit via een reproduceerbare evaluatie en maak het pakket klaar voor privéimplementatie.
• Deelnemers gaan naar huis met een portfolioproject dat hun kandidatuur als juridisch ingenieur ondersteunt.

Optionele Dag 3 / Gevorderde modules (als extra dag of modulaire series)

• Onderzoeken: Entiteiten, relaties en tijdlijnen: haal personen/organisaties/data naar voren, reconstrueer e-mailketens, maak chronologische overzichten en bepaal documentverwantschappen. Laboratorium: ontwerp een tijdlijn en visuele weergave van entiteiten-relaties.
• Agentische en meerstappen juridische workflows (gevorderd): complexere orkestratie, contractanalyse, synthese over meerdere documenten; het gebruik van hulpmiddelen en veiligheidsmaatregelen. Laboratorium: ontwikkel een werkstroom met meerdere stappen waarbij menselijke controle mogelijk is.
• Grootschalige implementatie: on-premise of hardware-gebaseerde inzet, distributie over veel servers voor enorme hoeveelheden data, implementatie binnen strenge regelgevende omgevingen zoals CJIS, overheidsinstellingen en hogescholen. Laboratorium: containerisatie en opschaling van verwerkingsprocessen op meerdere werkstations.
• Diepgaande governance en nalevingsbeheersing: inzicht krijgen in de regelgeving rond AI (meer dan 100 Amerikaanse wetten, de EU AI Act), vereisten voor audits en een volledige SAIS-100-governancecontrole. Laboratorium: evalueer een juridisch AI-systeem aan de hand van governance- en verdedigbaarheidscriteria.