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, dónde encaja la IA en el trabajo legal y los dos riesgos que atraviesan todo el proceso.
- Tópicos
-
- El rol del ingeniero legal y por qué está siendo contratado actualmente.
- Dónde encaja la IA: eDiscovery, revisión, contratos, investigación e investigaciones; el modelo EDRM explicado en términos sencillos.
- Construir vs. comprar.
- Los dos riesgos transversales: confidencialidad/privilegio y defensibilidad.
Módulo 2: Los Datos Legales Son Complejos — Ingestión y Extracción
- Objetivos de aprendizaje: manejar la realidad de los datos legales a gran escala.
- Tópicos
- Más de 1.400 tipos de archivos, correos electrónicos y PST, papel escaneado, archivos de carga (.dat/.opt); metadatos integrados que son relevantes.
- Extracción de texto (Tika), OCR y desduplicación como opción estratégica.
- Lab: Ingestión en FreeEed — construir una tubería de ingesta 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 la primitiva principal de eDiscovery: encontrar cualquier cosa dentro de todo.
- Tópicos: búsqueda de texto completo e indexación (Solr/Lucene); relevancia, filtrado por metadatos y fechas; búsqueda en contenido procesado con OCR.
- Lab: Búsqueda de eDiscovery — indexar un corpus y ejecutar búsquedas reales al estilo eDiscovery, incluidas 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.
- Tópicos
- Por qué la recuperación, no el ajuste fino (fine-tuning), es ideal para material sensible: el modelo nunca "traga" los documentos.
- Agrupamiento (chunking), embeddings y, sobre todo, citas / procedencia.
- Resumen de múltiples documentos e hilos de conversación.
- Lab: RAG Legal con Citas — construir una Q&A de RAG sobre un conjunto de documentos que responda con citas a las fuentes originales.
Día 2: Hacerlo Privado, Defendible y Listo para el Despliegue
Módulo 5: Privacidad, Privilegio y Servicio Local — La Trampa del Privilegio
- Objetivos de aprendizaje: mantener los datos legales locales y ser capaz de certificarlo.
- Tópicos
- Dónde va realmente la data al interactuar con IA en la nube.
- Renuncia al privilegio, deber de competencia y el espectro de lo "privado" (contractual vs. físico).
- El 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.
- Lab: Modelo Local + Prueba de Egress — ejecutar un modelo local de extremo a extremo y probar, mediante monitoreo, que ningún dato salió del entorno.
Módulo 6: Revisión de IA Defendible
- Objetivos de aprendizaje: medir y documentar una revisión de IA para garantizar su validez.
- Tópicos
- Las métricas que validan en corte: 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.
- El "instantánea del caso defendible" que permite a alguien volver a ejecutar tu revisión un año después y obtener el mismo resultado.
- Lab: Revisión Defendible — medir una revisión de IA contra una verdad fundamental ciega y producir un paquete de reproducibilidad.
Módulo 7: Desplegarlo — Flujo de Trabajo, Despliegue Privado y Gobernanza
- Objetivos de aprendizaje: ensamblar las piezas en un flujo de trabajo, desplegarlo en privado y evaluarlo.
- Tópicos
- Un flujo de trabajo legal multietapa (ingesta → búsqueda → resumen → revisión → producción) con humano en el lazo.
- Esenciales del despliegue privado/in-situ (containerización; mantener los datos dentro de las instalaciones).
- Gobernanza de IA para legal brevemente, y puntuación del sistema con SAIS-100 (la Escala Secura de Puntuación de IA de Elephant).
- Lab: Puntuar y Empaquetar — conectar un flujo de trabajo multietapa, puntuarlo con SAIS-100 y empacarlo para despliegue privado.
Proyecto Final (integrado a lo largo del Día 2)
- Construir una aplicación legal-IA privada y defendible de extremo a extremo : ingestar un corpus desordenado, buscarlo, responder preguntas sobre él con citas usando un modelo local, medir una revisión defendible y empacarla para despliegue privado.
- Los participantes se van con un proyecto de portafolio que simula el trabajo real de un ingeniero legal.
Día 3 Opcional / Módulos Avanzados (entregable como día adicional o serie modular)
- Investigaciones: Entidades, Relaciones y Líneas de Tiempo — extraer personas/organizaciones/fechas, reconstruir hilos de correo, construir cronologías, mapear casi-duplicados y linaje de documentos. Lab: construir una línea temporal y vista entidad-relación.
- Flujos de Trabajo Agénticos y Multietapa (profundo) — orquestación más rica, análisis de contratos, síntesis multi-documento, uso de herramientas y guardrails como principio de diseño. Lab: construir un flujo de trabajo multietapa con punto de control humano.
- Despliegue a Escala — despliegue in-situ y appliance, procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior), dimensionamiento de hardware. Lab: containerizar y escalar un trabajo de procesamiento entre workers.
- Inmersión en Gobernanza y Cumplimiento — el panorama de la regulación de IA (+100 leyes estatales de IA en EE.UU., Ley de IA de la UE), requisitos de auditoría y una auditoría completa de gobernanza SAIS-100. Lab: auditar un sistema legal-IA contra una lista de verificación de gobernanza/defensibilidad.
Requerimientos
- Comodidad con Python y APIs básicas.
- Útil: familiaridad con LLMs desde una perspectiva de usuario (no se requiere experiencia previa en ML, construiremos el modelo mental adecuado).
- No se requiere antecedentes legales: los conceptos jurídicos necesarios se enseñan dentro del contexto práctico.
Público Objetivo
- Ingenieros de software/IA que se mudan al sector de tecnología legal (legal-tech).
- Ingenieros de empresas de legal-tech que necesitan profundidad en el dominio jurídico.
- Profesionales técnicos del ámbito legal, eDiscovery o gobernanza de la información que quieren construir soluciones, no solo comprarlas.
- Cualquier persona que apunte 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
