Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Tag 1: Fundament aufbauen – Aufnahme, Suche, Abruf
Modul 1: Das Feld des Legal Engineers
- Lernziele – die Rolle verstehen, wo KI in die juristische Arbeit passt und die beiden Risiken, die alles durchziehen.
- Themen
-
- Die Rolle des Legal Engineers und warum sie gerade eingestellt wird
- Wo KI passt: eDiscovery, Überprüfung, Verträge, Recherche, Ermittlungen; das EDRM-Modell in einfachen Worten
- Bauen vs. Kaufen
- Die zwei Risiken, die alles durchziehen: Vertraulichkeit/Anwaltsgeheimnis und Verteidigungsfähigkeit
Modul 2: Juristische Daten sind unordentlich – Aufnahme und Extraktion
- Lernziele – die Realität juristischer Daten im großen Maßstab bewältigen.
- Themen
- Über 1.400 Dateitypen, E-Mail und PST, gescanntes Papier, Load-Dateien (.dat/.opt); eingebettete Metadaten, die wichtig sind
- Textextraktion (Tika), OCR und Deduplizierung als Wahl
- Lab: FreeEed-Ingestion – eine Aufnahme-Pipeline über eine bewusst unordentliche Dokumentensammlung (E-Mail/PST, Scans, Load-Dateien) bauen
Modul 3: Suche und Abruf – das Fundament
- Lernziele – das eDiscovery-Grundbaustein aufbauen: Alles in allem finden.
- Themen – Volltextsuche und Indexierung (Solr/Lucene); Relevanz, Metadaten- und Datumsfilterung; Suche über OCR-inhalt
- Lab: eDiscovery-Suche – einen Korpus indizieren und echte eDiscovery-Suchen durchführen, einschließlich innerhalb OCR-gescannter Dokumente
Modul 4: RAG für juristische Dokumente – mit Zitierungen
- Lernziele – RAG über juristische Dokumente bauen, das seine Quellen zitiert.
- Themen
- Warum Abruf, nicht Fine-Tuning, für sensible Materialien – das Modell schluckt die Dokumente nie
- Chunking, Embeddings und vor allem Zitierungen / Herkunft
- Zusammenfassung mehrerer Dokumente und Threads
- Lab: Juristisches RAG mit Zitierungen – ein RAG-Frage-Antwort-System über eine Dokumentensammlung bauen, das mit Quellenzitierungen antwortet
Tag 2: Privat, verteidigungsfähig und versandbereit machen
Modul 5: Datenschutz, Anwaltsgeheimnis und lokale Bereitstellung – die Anwaltsgeheimnis-Falle
- Lernziele – juristische Daten lokal halten und dies zertifizieren können.
- Themen
- Wohin die Daten tatsächlich gehen, wenn sie eine Cloud-KI treffen
- Waiver des Anwaltsgeheimnisses, Pflicht zur Kompetenz und das „privat“-Spektrum (vertraglich vs. physisch)
- Morgan v. V2X und warum lokal gerichtsfähig ist
- Bereitstellung lokaler Modelle (Ollama / vLLM) und Überwachung ausgehender Datenverkehr
- Lab: Lokales Modell + Egress-Beweis – ein lokales Modell end-to-end ausführen und mit Überwachung beweisen, dass keine Daten ausgegangen sind
Modul 6: Verteidigungsfähige KI-Überprüfung
- Lernziele – eine KI-Überprüfung messen und dokumentieren, so dass sie standhält.
- Themen
- Die Zahlen, die vor Gericht standhalten: Recall, Elusion, Precision, Ground-Truth-Validierung; TAR / Active Learning
- Transparenz (warum hat es dieses Dokument codiert?) und Reproduzierbarkeit – Modell pinnen, Einstellungen festlegen, alles loggen
- Das „verteidigungsfähige Fall-Snapshot“, das jemanden ermöglicht, die Überprüfung ein Jahr später erneut auszuführen und dasselbe Ergebnis zu erhalten
- Lab: Verteidigungsfähige Überprüfung – eine KI-Überprüfung gegen eine blinde Ground Truth messen und ein Reproduzierbarkeits-Bundle erstellen
Modul 7: Versand – Workflow, privates Deployment und Governance
- Lernziele – die Bausteine in einen Workflow zusammenfügen, privat deployen und bewerten.
- Themen
- Ein mehrstufiger juristischer Workflow (Aufnahme → Suche → Zusammenfassung → Überprüfung → Erstellung) mit Human-in-the-Loop
- Essentials für privates/On-Prem-Deployment (Containerisierung; Daten im Gebäude halten)
- Kurze Einführung in die KI-Governance für Recht und Bewertung des Systems mit SAIS-100 (the Elephant Scale Secure AI Score)
- Lab: Bewertung und Verpackung – einen mehrstufigen Workflow verdrahten, mit SAIS-100 bewerten und für privates Deployment verpacken
Abschlussprojekt (integriert über Tag 2)
- Eine private, verteidigungsfähige Legal-AI-Anwendung end-to-end bauen – einen unordentlichen Korpus aufnehmen, durchsuchen, Fragen damit beantworten, mit Zitierungen unter Verwendung eines lokalen Modells, eine verteidigungsfähige Überprüfung messen und für privates Deployment verpacken.
- Teilnehmer gehen mit einem Portfolio-Projekt hervor, das die Legal-Engineer-Job ist.
Optionaler 3. Tag / Erweiterte Module (als 3. Tag oder als modulare Serie abliefbar)
- Ermittlungen: Entitäten, Beziehungen und Zeitleisten – Personen/Orga/Daten extrahieren, E-Mail-Threads rekonstruieren, Chronologien bauen, Near-Duplicates und Dokumentenhierarchie kartieren. Lab: eine Zeitleiste und eine Entität/Beziehungsansicht bauen.
- Agentische und mehrstufige juristische Workflows (vertieft) – reichere Orchestrierung, Vertragsanalyse, Multi-Dok-Synthese, Tool-Nutzung und Guardrails als Designprinzip. Lab: einen mehrstufigen Workflow mit einem menschlichen Checkpoint bauen.
- Deployment im großen Maßstab – On-Prem- und Appliance-Deployment, verteilte Verarbeitung für große Volumina, regulierte Umgebungen (CJIS, Regierung, Hochschulen), Hardware-Sizing. Lab: eine Verarbeitungsjob containerisieren und über Worker skalieren.
- Deep-Dive in Governance und Compliance – die KI-Regulierungslage (100+ US-Staat-KI-Gesetze, der EU-AI-Act), Audit-Anforderungen und ein vollständiges SAIS-100-Governance-Audit. Lab: ein Legal-AI-System gegen eine Governance/Verteidigungsfähigkeits-Checkliste auditieren.
Voraussetzungen
- Fundierte Kenntnisse in Python und grundlegenden APIs
- Vorteilhaft: Vertrautheit mit LLMs auf Nutzungsebene (kein ML-Hintergrund erforderlich – wir bauen das mentale Modell auf)
- Kein juristischer Hintergrund erforderlich – die benötigten juristischen Konzepte werden im Kontext gelehrt
Zielgruppe
- Software- und KI-Ingenieure, die in den Legal-Tech-Bereich wechseln
- Ingenieure von Legal-Tech-Firmen, die juristische Domänenkenntnisse benötigen
- Technisch affine Fachkräfte für Recht / eDiscovery / Informationsmanagement, die bauen statt nur kaufen möchten
- Jeder, der den Rollen „Legal Engineer“ / „AI Legal Engineer“ anstrebt
14 Stunden
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung
