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 : Bâtir les fondations — Ingestion, recherche, récupération
Module 1 : Le paysage de l'ingénieur du droit
- Objectifs d'apprentissage — comprendre le rôle, où l'IA s'insère dans les travaux juridiques, et les deux risques qui sous-tendent tout.
- Sujets
-
- Le rôle de l'ingénieur du droit et pourquoi il est actuellement recherché
- Où s'insère l'IA : eDiscovery, examen, contrats, recherche, enquêtes ; le modèle EDRM en termes simples
- Bâtir vs. acheter
- Les deux risques qui sous-tendent tout : confidentialité/secret professionnel et capacité de défense en justice
Module 2 : Les données juridiques sont désordonnées — Ingestion et extraction
- Objectifs d'apprentissage — faire face à la réalité des données juridiques à grande échelle.
- Sujets
- Plus de 1 400 types de fichiers, emails et PST, documents papier scannés, fichiers de chargement (.dat/.opt) ; métadonnées embarquées qui comptent
- Extraction de texte (Tika), OCR et déduplication comme choix
- Travail pratique : Ingestion FreeEed — construire une chaîne d'ingestion sur un ensemble de documents intentionnellement désordonné (emails/PST, scans, fichiers de chargement)
Module 3 : Recherche et récupération — les fondations
- Objectifs d'apprentissage — construire le primitif eDiscovery central : trouver n'importe quoi à l'intérieur de tout.
- Sujets — recherche plein texte et indexation (Solr/Lucene) ; pertinence, filtrage par métadonnées et dates ; recherche dans le contenu OCR
- Travail pratique : Recherche eDiscovery — indexer un corpus et effectuer de véritables recherches style eDiscovery, y compris à l'intérieur de scans OCRisés
Module 4 : RAG pour les documents juridiques — avec citations
- Objectifs d'apprentissage — bâtir du RAG sur des documents juridiques qui cite ses sources.
- Sujets
- Pourquoi la récupération, et non le fine-tuning, pour les matériaux sensibles — le modèle n'avale jamais les documents
- Le chunking (découpage), les embeddings, et surtout les citations / la provenance
- Résumés multi-documents et par fil de discussion
- Travail pratique : RAG juridique avec citations — construire un Q&R (question-réponse) basé sur du RAG pour un ensemble de documents qui répond avec des citations sources
Jour 2 : Rendre privé, défendable et exportable
Module 5 : Confidentialité, secret professionnel et service local — le piège du secret
- Objectifs d'apprentissage — garder les données juridiques locales et pouvoir les certifier.
- Sujets
- Où vont réellement les données lorsqu'elles touchent à une IA cloud
- Renonciation au secret, devoir de compétence et le spectre du « privé » (contractuel vs. physique)
- L'affaire Morgan c. V2X et pourquoi le local est défendable en justice
- Service de modèles locaux (Ollama / vLLM) et surveillance du trafic sortant
- Travail pratique : Modèle local + Preuve d'exfiltration — exécuter un modèle local de bout en bout et prouver, via la surveillance, qu'aucune donnée n'a fui
Module 6 : Examen d'IA défendable
- Objectifs d'apprentissage — mesurer et documenter un examen d'IA pour qu'il tienne debout.
- Sujets
- Les chiffres qui tiennent devant les tribunaux : rappel, elusion (taux de non-rejet), précision, validation par vérité terrain ; TAR / apprentissage actif
- Transparence (pourquoi a-t-il codifié ce document ?) et reproductibilité — figer le modèle, fixer les paramètres, tout enregistrer
- Le « cliché de cas défendable » qui permet à quelqu'un de relancer votre examen un an plus tard et d'obtenir le même résultat
- Travail pratique : Examen défendable — mesurer un examen d'IA contre une vérité terrain aveugle et produire un paquet de reproductibilité
Module 7 : Exporter — Workflow, déploiement privé et gouvernance
- Objectifs d'apprentissage — assembler les pièces en un workflow, le déployer privée et l'évaluer.
- Sujets
- Un workflow juridique à plusieurs étapes (ingestion → recherche → résumé → examen → production) avec humain dans la boucle
- Essentiels du déploiement privé/sur site (containeriser ; garder les données dans l'organisation)
- Gouvernance de l'IA pour le juridique en bref, et évaluation du système avec SAIS-100 (la Note Secure AI Elephant Scale)
- Travail pratique : Évaluer et empaqueter — brancher un workflow à plusieurs étapes, l'évaluer avec SAIS-100 et l'empaqueter pour un déploiement privé
Projet final (intégré tout au Jour 2)
- Bâtir une application juridique-IA privée et défendable de bout en bout — ingérer un corpus désordonné, le rechercher, répondre à des questions dessus avec des citations en utilisant un modèle local, mesurer un examen défendable, et l'empaqueter pour un déploiement privé.
- Les participants repartent avec un projet de portfolio qui correspond au travail d'un ingénieur du droit.
Jour 3 optionnel / Modules avancés (délivrable comme 3e jour ou série modulaire)
- Enquêtes : Entités, relations et chronologies — extraire personnes/organisations/dates, reconstituer les fils d'emails, construire des chronologies, cartographier les quasi-doublons et la lignée des documents. Travail pratique : bâtir une vue chronologique et 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. Travail pratique : bâtir un workflow multi-étapes avec une checkpoint humain.
- Déploiement à grande échelle — déploiement sur site et appliance, traitement distribué pour grands volumes, environnements réglementés (CJIS, gouvernement, enseignement supérieur), dimensionnement matériel. Travail pratique : containeriser et mettre à l'échelle un travail de traitement sur plusieurs workers.
- Gouvernance et conformité en profondeur — le paysage de la régulation IA (plus de 100 lois IA des États américains, AI Act EU), exigences d'audit, et un audit complet de gouvernance SAIS-100. Travail pratique : auditer un système juridique-IA selon une liste de contrôle de gouvernance/défendabilité.
Pré requis
- Aise avec Python et les API de base
- Utile : familiarité avec les LLM au niveau utilisateur (aucun background en ML requis — nous construisons le modèle conceptuel)
- Aucune connaissance juridique requise — les concepts juridiques dont vous avez besoin sont enseignés dans leur contexte
Audience cible
- Ingénieurs en logiciels ou en IA qui entrent dans la technologie juridique
- Ingénieurs de firms de technologie juridique ayant besoin d'une profondeur de connaissance du domaine juridique
- Professionnels techniques des secteurs juridiques, eDiscovery et gouvernance de l'information qui veulent construire, plutôt que simplement acheter
- Toute personne visant le rôle d'« ingénieur du droit » ou « ingénieur juridique en IA »
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
