E-Discovery: מציאת ראיות רלוונטיות בנתונים תאגידיים

רווחים:

• יכולת להבין את זרימת העבודה של EDRM ותפיסת ה-TAR/קידוד החזוי ולהאיץ את שלב הסקירה עם בינה מלאכותית
• יכולת להבין את האיזון בין ריקול ודיוק ולהבטיח לא לפספס מסמכים רלוונטיים על ידי מתן עדיפות לריקול גבוה בהקשר משפטי
• הבנה שהאחריות המשפטית להחלטות זכויות יתר ונתונים אישיים מוטלת על עורך הדין האנושי וכי נדרשת שקיפות מתודולוגית

בתביעה אזרחית או חקירה רגולטורית, צד אחד מבקש מסמכים אלקטרוניים שבידי השני: מיילים, חוזים, יומני צ'אט, קבצים. תהליך איסוף מסמכים אלו בהתאם לחוק, בחינתם, מיון הרלוונטיים ומסירתם לצד השני/בית המשפט נקרא e-discovery – איתור, עיון והצגת ראיות אלקטרוניות במסגרת מחלוקת משפטית. גילוי אלקטרוני הוא התחום שבו זיהוי פלילי מחשבים שלובים ביותר בחוק והוא אולי השימוש הבוגר והנפוץ ביותר בבינה מלאכותית. ביחידה זו תלמדו את זרימת העבודה של EDRM, את הרעיון של TAR/קידוד חזוי וכיצד AI משנה תהליך זה.

EDRM: זרימת עבודה סטנדרטית של e-discovery

גילוי אלקטרוני בעולם פועל ברובו במסגרת EDRM (Electronic Discovery Reference Model – מודל הייחוס המגדיר את השלבים הסטנדרטיים של תהליך הגילוי האלקטרוני). שלבים עיקריים:

1. ניהול וזיהוי מידע: קביעת הנתונים היכן.
2. שימור ואיסוף: מניעת מחיקת נתונים רלוונטיים (החזקה משפטית - החובה להפסיק את מחיקת הנתונים לקראת התדיינות משפטית) ואיסוףם ביושר.
3. עיבוד: הפיכת הנתונים לחיפוש, הסרת כפילויות, המרת פורמט.
4. סקירה: החלטה אם מסמכים רגישים או חסויים - מכוסים בהרשאות עורך דין-לקוח ולא יימסרו.
5. הפקה: מסירת המסמכים הרלוונטיים לצד השני/בית המשפט.

השלב היקר ודורש כוח אדם הוא הסקירה. קבלת עורכי דין לקרוא מאות אלפי מסמכים בזה אחר זה הוא גם יקר מאוד וגם איטי מאוד. זה בדיוק המקום שבו AI יוצר מהפכה.

TAR וקידוד חזוי

טכנולוגיית המפתח שמזרזת את הסקירה היא TAR (Technology Assisted Review). הצורה הנפוצה ביותר היא קידוד חזוי: עורך דין מומחה מתייג מסמכים לדוגמה כ"רלוונטיים/לא רלוונטיים"; המערכת לומדת מדוגמאות אלו ומסווגת אוטומטית את מאות אלפי המסמכים הנותרים. כך קוראים רק את המסמכים הרלוונטיים הסבירים ביותר ובודקים את השאר על ידי דגימה.

בינה מלאכותית מודרנית (מודלים של שפות גדולות) לוקחת את זה צעד קדימה: היא יכולה להסביר מדוע המסמך רלוונטי, סיכום נושא, דגל הרשאות, לא רק "רלוונטי/לא רלוונטי". אבל העיקרון הבסיסי לא משתנה: ה-AI מציע שהאחריות המשפטית להחלטת הרלוונטיות והחסיון היא של עורך הדין.

יכולת ההגנה של TAR תלויה בכך שהתהליך ניתן לביקורת. דוגמאות ההדרכה שסומנו על ידי עורך הדין המומחה, המערכת לומדת מדוגמאות אלו ומסווגת את המסמכים הנותרים חוזרות על עצמן במחזוריות; הדיוק נמדד על ידי דגימה בכל סיבוב. מחזור זה מספק תשובות לתיעוד לשאלות "על מה הסתכלה המכונה, מה היא למדה, עד כמה היא הייתה מדויקת?" הצד השני מפקפק לעתים קרובות במתודולוגיה הזו; לכן, גודל מערך ההדרכה, ספי ההחלטה ושיעורי דגימת האימות נרשמים מההתחלה. ככל שהתהליך יהיה שקוף יותר וניתן לחזור עליו, כך גדל הסיכוי שהתוצאה תתקבל בבית המשפט.

טיפ: כדי להפוך את תהליך ה-TAR להגנה, תיעד את דוגמאות ה"אימון", מדדי האימות (זכירה/דיוק) וספי ההחלטה שלך. הצד השני שואל "מה פספסה המכונה?" הוא עשוי לשאול; מתודולוגיה שקופה מבטיחה אמון.

שני מדדים: זכירה ודיוק

שני מושגים חיוניים ב-e-discovery. ריקול (רגישות - כמה מכל המסמכים הרלוונטיים הצלחת למצוא בפועל) מודד את הסיכון להחמצה; זה קריטי מבחינה משפטית מכיוון שאי הגשת מסמך רלוונטי עלול לגרום לסנקציות. דיוק - כמה ממה שאתה מוצא רלוונטי בפועל - מודד עומס קריאה מיותר; משפיע על העלות. יש איזון בין השניים: אם מרפים את הסף, הריקול עולה, אבל גם מסמכים מיותרים עולים. בהקשר משפטי/משפטי, זכירה גבוהה זוכה לרוב בראש סדר העדיפויות - לא לפספס חשוב יותר מקריאה יתרה.

זכות ופרטיות: הקו האדום

הטעות המסוכנת ביותר ב-e-discovery היא מסירה בטעות של מסמך חסוי לצד השני (ויתור על פריבילגיה). לאחר שנמסרת התכתבות עו"ד-לקוח, קשה מאוד לשחזר אותה. בינה מלאכותית מסייעת לסמן הרשאות, אך כל החלטת זכויות יתר חייבת להיות מאושרת על ידי עורך דין אנושי. בנוסף, ייתכן שתידרש ביטול של מסמכים המכילים נתונים אישיים (היקף KVKK/GDPR); דגלי AI מסווים מועמדים, השליטה הסופית היא עם האדם.

זהירות: שים לב לכללי הפרטיות והשיפוט (הנתונים של איזו מדינה, לאן הם הולכים) בעת טעינת נתונים ארגוניים גולמיים ל-AI. יש לעבד נתונים מיוחסים ואישיים על כלי רכב שהנתונים שלהם אינם מגיעים להכשרת דגמים, במסגרת חוזה ובתחום השיפוט המתאים.

שלושה מיני תיקים

מקרה 1 - עלות מופחתת של TAR. במקרה מסחרי של 1.3 מיליון מסמכים, אומדן הסקירה הליניארית הקלאסית הייתה 14 חודשים. עם קידוד חזוי, עורכי דין תייגו 8,000 מסמכים; המערכת סיווגה את השאר והסקירה האנושית הייתה עד ל-90,000 מסמכים. התהליך צומצם ל-6 שבועות, 92% אושרו על ידי דגימת ריקול.

מקרה 2 - הפריבילגיה נשמרה. AI טרום-ייצור סימן 240 מסמכים בערכת המסירה כ"אפשרי מיוחס". צוות עורכי הדין בדק; 210 היו למעשה תכתובת עו"ד-לקוח ולא נמסרו. ללא AI, המסמכים הללו היו יכולים לעבור בטעות לצד השני.

מקרה 3 - הסיכון לאמון יתר. צוות אחד קבע את סף TAR בצורה הדוקה לדיוק גבוה; המערכת ביטלה את אלה שנראתה "לא רלוונטיים" ללא דגימה. הביקורת שלאחר מכן גילתה שכמה הודעות אימייל קריטיות הוחמצו בגלל הסף המחמיר. השגיאה הבחינה באיחור מכיוון שלא בוצעה דגימת שיחות.

ארבע תבניות הניתנות להעתקה

1) טיוטת פרוטוקול סקירה:

תפקידך: יועץ לגילוי אלקטרוני. נושא התיק: [הפרת חוזה]. נסחו עבורי פרוטוקול סקירה: קריטריונים תגובה, דגלי הרשאות, כללי מיסוך נתונים אישיים ושלבי אימות TAR (הזכרה/דגימת דיוק). ציין כי כל החלטה כפופה לאישור עורך דין.

2) סיווג ראשוני רלוונטיות:

קריטריוני נושא ורלוונטיות: [כאן]. אני אתן לך סיכומי מסמכים. לכל מסמך: רלוונטי/לא רלוונטי/לא ודאי ותן נימוק קצר. הדגש את ה"לא ברורים" שבהם; אלה יעברו לבדיקת עורך דין. אלה שאתה מכנה לא רלוונטיים ייבדקו על ידי דגימה, זה לא חיסול סופי.

3) סריקת פריבילגיה:

סמן את המסמכים הבאים שעשויים להוות הרשאות עורך דין-לקוח: שמות עורך דין, שפה "חסויה/מועדפת", תוכן חוות דעת משפטית. אלו אינן החלטות סופיות, הן מועמדות לאישור עורך דין. תנו נימוק והשורה הרלוונטית לכל סימן.

4) מועמדים למיסוך נתונים אישיים:

רשום את המועמדים לנתונים אישיים שיש להסוות במסמכים אלה שיסופקו לפני ההפקה: TR, IBAN, בריאות, נתונים פרטיים של צד שלישי. סמן כמועמד בלבד; אני אקבל את החלטת המיסוך הסופית. שנה טקסט.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

מתוך מסמכים אלו, בחר את אלו הרלוונטיים לתיק.

ללא קריטריונים של רלוונטיות, ללא בלעדיות וללא אימות; בינה מלאכותית מקבלת החלטות סובייקטיביות, עשויה להחמיץ מסמך קריטי או לדלוף מיוחס.

הנחיה עוצמתית:

תפקידך: עוזר סקירת גילוי אלקטרוני. מקרה: טענה שחברה X הפרה את חוזה האספקה ​​עם Y. קריטריונים רלוונטיים: מועדי אספקה, שינויים במחיר, תלונות איכות, משא ומתן לסיום. אני אתן לך סיכומי מסמכים. תן רלוונטי/לא רלוונטי/לא ודאי + נימוק לכל מסמך. סמן גם כ"אפשרי מיוחס" את אלה המכילים את שם עורך הדין או חוות דעת משפטית. אל תראה כל החלטה כסופית; כולם כפופים לאישור עורך דין.

הקריטריונים המהותיים, סינון הזכויות והאילוץ של "אימות עורך דין" הופכים את התהליך להגנה.

שלבי EDRM וטבלת בינה מלאכותית

במה

תרומת AI

אחריות אנושית

אוסף

תבנית, תוכנית

אחיזה משפטית, יושרה

עיבוד

De-dup, פורמט, ספרייה

בקרת איכות

סקירה

TAR, המלצת רלוונטיות

החלטת רלוונטיות

פריבילגיה

סימון מועמד

החלטה סופית, אישור

הפקה

מועמד מיסוך

בדיקה סופית, מסירה

טעויות נפוצות

• השארת TAR ללא השגחה. אמירת "המכונה אמרה שהיא לא מעוניינת" מבלי לבצע דגימת שיחה יגרום לחטיפה.
• משאירים את החלטת הפריבילגיה ל-AI. מסירה שגויה מסתכנת בוויתור בלתי חוזר.
• התמקדות רק בדייקנות במקום להיזכר. סף הדוק מחטיא את המסמך הרלוונטי; בחוק, לריקול יש עדיפות.
• לא מתעד את המתודולוגיה. הצד השני עשוי להטיל ספק בתהליך ה-TAR; שקיפות היא חובה.
• העלאת נתונים אישיים/פריבילגיים לכלי לא מתאים. הקפידו על כללי סמכות וסודיות.

לסיכום

גילוי אלקטרוני הוא תהליך מציאת ומסירת ראיות רלוונטיות מנתונים אלקטרוניים ארגוניים באופן חוקי ופועל במסגרת EDRM. AI משנה את השלב היקר ביותר, סקירה, עם TAR/קידוד חזוי: האדם קורא רק את המסמכים הרלוונטיים והמעורפלים ביותר. אך האחריות המשפטית להחלטת הרלוונטיות ובעיקר החסיון מוטלת על עורך הדין; דגימת היזכרות, שקיפות מתודולוגיה והגנה על נתונים אישיים מובטחות על ידי משמעת אנושית.

משימת יישום

הגדירו מקרה פיקטיבי ו-4-5 פריטים של קריטריונים של רלוונטיות. הכינו 20-25 סיכומי מסמכים (כמה מיוחסים, כמה לא ברורים). החל את התבניות "סיווג מוקדם של רלוונטיות" ו"סינון הרשאות"; לאחר מכן בדוק ידנית את ההחזרה על ידי דגימה מהקבוצה ה"לא רלוונטית" ואשר את מועמדי ההרשאות שה-AI סימן.

רשימת בדיקה

• [ ] שמתי לב לשלבי ה-EDRM ולחובת ההחזקה המשפטית.
• [ ] בדקתי את תוצאת ה-TAR/סיווג מראש עם דגימת היזכרות.
• [ ] קשרתי כל החלטת זכות לאישור עורך דין אנושי.
• [ ] אישרתי את הנתונים האישיים המסכים את המועמדים עם הבדיקה הסופית.
• [ ] תיעדתי את המתודולוגיה ואת הספים בהם השתמשתי.