Winst:
- Mogelijkheid om de EDRM-workflow en het TAR/voorspellende coderingsconcept te begrijpen en de beoordelingsfase te versnellen met kunstmatige intelligentie
- Vermogen om de balans tussen terugroepen en precisie te begrijpen en ervoor te zorgen dat u geen relevante documenten mist door prioriteit te geven aan hoge terugroepacties in een forensische context
- Begrijpen dat de juridische verantwoordelijkheid voor beslissingen over privileges en persoonlijke gegevens bij de menselijke advocaat ligt en dat transparantie van de methodologie vereist is
In een civiele rechtszaak of een onderzoek door toezichthouders vraagt de ene partij elektronische documenten op die in het bezit zijn van de andere partij: e-mails, contracten, chatlogs, bestanden. Het proces van het verzamelen van deze documenten in overeenstemming met de wet, het onderzoeken ervan, het uitzoeken van de relevante documenten en het overhandigen ervan aan de andere partij/rechtbank wordt e-discovery genoemd: het vinden, beoordelen en presenteren van elektronisch bewijsmateriaal in het kader van een juridisch geschil. E-discovery is het gebied waar computerforensisch onderzoek het meest verweven is met het recht en misschien wel het meest volwassen en wijdverspreide gebruik van AI is. In deze unit leer je de EDRM-workflow, het concept van TAR/voorspellende codering en hoe AI dit proces transformeert.
EDRM: standaardworkflow van e-discovery
E-discovery in de wereld opereert grotendeels binnen het raamwerk van EDRM (Electronic Discovery Reference Model - het referentiemodel dat de standaardfasen van het e-discoveryproces definieert). Belangrijkste fasen:
- Informatiebeheer en identificatie: Bepalen welke gegevens waar zijn.
- Bewaren en verzamelen: voorkomen dat relevante gegevens worden verwijderd (wettelijke bewaring – de verplichting om te stoppen met het verwijderen van gegevens in afwachting van een rechtszaak) en deze op integere wijze verzamelen.
- Verwerking: Gegevens doorzoekbaar maken, duplicaten verwijderen, formaatconversie.
- Beoordeling: Beslissen of documenten gevoelig of bevoorrecht zijn – vallen onder het privilege van advocaat en cliënt en zullen niet worden overgedragen.
- Productie: Het aanleveren van de relevante documenten aan de wederpartij/rechtbank.
De duurste en meest arbeidsintensieve fase is de beoordeling. Honderdduizenden documenten één voor één door advocaten laten lezen is zowel erg duur als erg traag. Dit is precies waar AI een revolutie teweegbrengt.
TAR en voorspellende codering
De belangrijkste technologie die de beoordeling versnelt, is TAR (Technology Assisted Review). De meest gebruikelijke vorm is voorspellende codering: een deskundige advocaat bestempelt voorbeelddocumenten als "relevant/irrelevant"; Het systeem leert van deze voorbeelden en classificeert automatisch de resterende honderdduizenden documenten. Zo leest men alleen de meest waarschijnlijke relevante documenten en controleert de rest door middel van steekproeven.
Moderne AI (grote taalmodellen) gaat nog een stap verder: het kan verklaren waarom het document relevant is, het onderwerp samenvat, de privilegemarkering geeft, en niet alleen maar ‘relevant/irrelevant’ is. Maar het basisprincipe verandert niet: de AI suggereert, de juridische verantwoordelijkheid voor de beslissing over relevantie en privilege ligt bij de advocaat.
De verdedigbaarheid van TAR hangt af van de mate waarin het proces controleerbaar is. De door de deskundige jurist gelabelde trainingsvoorbeelden, het systeem dat van deze voorbeelden leert en de overige documenten classificeert, worden in een cyclus herhaald; De nauwkeurigheid wordt gemeten door in elke ronde steekproeven te nemen. Deze cyclus biedt documenteerbare antwoorden op de vragen "waar heeft de machine naar gekeken, wat heeft hij geleerd, hoe nauwkeurig was hij?" De andere kant stelt deze methodologie vaak in vraag; Daarom worden de omvang van de trainingsset, de beslissingsdrempels en de validatiesteekproeffrequenties vanaf het begin geregistreerd. Hoe transparanter en herhaalbaarder het proces, hoe groter de kans dat de uitkomst door de rechtbank wordt aanvaard.
Tip: Om uw TAR-proces verdedigbaar te maken, documenteert u uw “trainingsvoorbeelden”, validatiestatistieken (herinnering/precisie) en beslissingsdrempels. De andere partij vraagt: "Wat heeft de machine gemist?" hij kan het vragen; Transparante werkwijze zorgt voor vertrouwen.
Twee statistieken: herinnering en precisie
Twee concepten zijn essentieel bij e-discovery. Recall (gevoeligheid – hoeveel van alle relevante documenten heeft u daadwerkelijk kunnen vinden) meet het risico van verlies; Het is juridisch van cruciaal belang omdat het niet indienen van een relevant document tot sancties kan leiden. Precisie (hoeveel van wat u vindt is daadwerkelijk relevant) meet onnodige leeslast; heeft invloed op de kosten. Er is een balans tussen die twee: als je de drempel versoepelt, neemt de herinnering toe, maar nemen ook de onnodige documenten toe. In een forensische/juridische context wordt vaak prioriteit gegeven aan een hoge herinnering; niet missen is belangrijker dan te veel lezen.
Privilege en privacy: de rode lijn
De gevaarlijkste fout bij e-discovery is het per ongeluk overhandigen van een bevoorrecht document aan de andere partij (ontheffing van privileges). Als de correspondentie tussen advocaat en cliënt eenmaal is afgeleverd, is het erg moeilijk om deze terug te halen. AI helpt privileges te markeren, maar elke privilegebeslissing moet worden bevestigd door een menselijke advocaat. Daarnaast kan redactie nodig zijn voor documenten die persoonsgegevens bevatten (bereik KVKK/AVG); AI-vlaggen maskeren kandidaten, de uiteindelijke controle ligt bij de mens.
Let op: Houd u aan de regels voor gegevensprivacy en jurisdictie (de gegevens van welk land, waar gaan ze naartoe) bij het laden van onbewerkte bedrijfsgegevens in AI. Bevoorrechte en persoonlijke gegevens moeten worden verwerkt op voertuigen waarvan de gegevens niet naar modeltrainingen gaan, onder contract en in de juiste jurisdictie.
drie minikoffers
Geval 1 — TAR verlaagde kosten. In een commercieel geval van 1,3 miljoen documenten bedroeg de klassieke lineaire beoordelingsschatting 14 maanden. Met voorspellende codering hebben advocaten 8.000 documenten getagd; het systeem classificeerde de rest en de menselijke beoordeling bedroeg slechts 90.000 documenten. Het proces werd teruggebracht tot 6 weken, wat voor 92% werd bevestigd door terugroepbemonstering.
Geval 2 — Privilege opgeslagen. Pre-productie-AI markeerde 240 documenten in de leveringsset als ‘mogelijk bevoorrecht’. Het advocatenteam onderzocht; 210 daarvan waren feitelijk correspondentie tussen advocaten en cliënten en zijn niet afgeleverd. Zonder AI hadden deze documenten per ongeluk naar de andere partij kunnen gaan.
Geval 3 — Het risico van overmoed. Eén team stelde de TAR-drempel strak vast voor hoge precisie; Het systeem elimineerde degenen die het als "irrelevant" beschouwde zonder steekproeven. Uit een daaropvolgende audit bleek dat verschillende cruciale e-mails werden gemist vanwege de strikte drempel. De fout werd laat opgemerkt omdat er geen gespreksbemonstering was uitgevoerd.
Vier kopieerbare sjablonen
1) Concept toetsingsprotocol:
Jouw rol: e-discovery consultant. Onderwerp van de zaak: [contractbreuk]. Stel een beoordelingsprotocol voor mij op: responsieve criteria, privilegevlaggen, regels voor het maskeren van persoonlijke gegevens en TAR-verificatiestappen (recall/precision sampling). Geef aan dat elke beslissing onderworpen is aan bevestiging door een advocaat.
2) Relevantie voorlopige classificatie:
Onderwerp en relevantiecriteria: [hier]. Ik zal u samenvattingen van documenten geven. Per document: relevant/irrelevant/onzeker en geef een KORTE motivering. Markeer de ‘onduidelijke’; deze gaan naar een advocaatbeoordeling. Degenen die u irrelevant noemt, zullen worden gecontroleerd door middel van steekproeven; het is geen definitieve eliminatie.
3) Scannen met privileges:
Vink de volgende documenten aan die MOGELIJK het privilege van advocaat en cliënt inhouden: namen van advocaten, "vertrouwelijk/bevoorrecht" taalgebruik, inhoud van juridisch advies. Dit zijn geen DEFINITIEVE beslissingen, het zijn kandidaten die door een advocaat moeten worden bevestigd. Geef bij elk teken een motivering en de relevante regel.
4) Kandidaten voor het maskeren van persoonlijke gegevens:
Maak een lijst van de persoonlijke gegevens die moeten worden gemaskeerd in deze documenten die moeten worden aangeleverd vóór productie: TR, IBAN, gezondheid, privégegevens van derden. Alleen als kandidaat markeren; Ik zal de uiteindelijke maskeringsbeslissing nemen. Tekst wijzigen.
Zwakke prompt/sterke prompt
Zwakke prompt:
Selecteer uit deze documenten de documenten die relevant zijn voor de zaak.
Geen relevantiecriteria, geen exclusiviteit en geen verificatie; AI neemt subjectieve beslissingen, kan cruciale documenten missen of bevoorrecht lekken.
Krachtige prompt:
Jouw rol: e-discovery beoordelingsassistent. Casus: Beschuldiging dat bedrijf X het leveringscontract met Y heeft geschonden. Relevantiecriteria: leveringsdata, prijswijzigingen, kwaliteitsklachten, beëindigingsonderhandelingen. Ik zal u samenvattingen van documenten geven. Geef relevant/irrelevant/onzeker + motivering voor elk document. Markeer OOK als "mogelijk bevoorrecht" degenen die de naam van een advocaat of juridisch advies bevatten. Beschouw geen enkele beslissing als definitief; Ze zijn allemaal onderworpen aan bevestiging door een advocaat.
De inhoudelijke criteria, het screenen van privileges en de beperking van ‘advocaatverificatie’ maken het proces verdedigbaar.
EDRM-fasen en AI-tabel
Stadium
AI-bijdrage
menselijke verantwoordelijkheid
collectie
sjabloon, plan
Juridische houvast, integriteit
Verwerking
De-dup, formaat, directory
kwaliteitscontrole
beoordeling
TAR, relevantieaanbeveling
Relevantie beslissing
voorrecht
Kandidaat markeren
definitieve beslissing, bevestiging
Productie
maskerende kandidaat
Laatste controle, levering
Veel voorkomende fouten
- TAR onbeheerd achterlaten. Als u zegt "de machine heeft aangegeven niet geïnteresseerd te zijn" zonder een oproepvoorbeeld uit te voeren, zal dit tot kaping leiden.
- De privilegebeslissing wordt aan de AI overgelaten. Bij een verkeerde levering riskeert u een onherroepelijke afstandsverklaring.
- Alleen focussen op precisie in plaats van herinneren. Strakke drempel mist het betreffende document; In de wet heeft terugroepen prioriteit.
- Het niet documenteren van de methodologie. De andere partij kan het TAR-proces in twijfel trekken; transparantie is een must.
- Het uploaden van persoonlijke/bevoorrechte gegevens naar een ongepast hulpmiddel. Houd u aan de jurisdictie- en vertrouwelijkheidsregels.
Samengevat
E-discovery is het proces van het op legale wijze vinden en leveren van relevant bewijsmateriaal uit elektronische bedrijfsgegevens en werkt binnen het raamwerk van EDRM. AI transformeert de duurste fase, het beoordelen, met TAR/voorspellende codering: de mens leest alleen de meest waarschijnlijke relevante en dubbelzinnige documenten. Maar de juridische verantwoordelijkheid voor de beslissing over de relevantie en vooral het privilege ligt bij de advocaat; Recall sampling, methodologische transparantie en bescherming van persoonsgegevens worden verzekerd door menselijke discipline.
Applicatie taak
Definieer een fictieve casus en 4-5 items met relevantiecriteria. Bereid 20-25 documentsamenvattingen voor (een paar bevoorrechte, een paar obscure). Pas de sjablonen “Relevantie pre-classificatie” en “Privilege screening” toe; Controleer vervolgens handmatig de terugroeping door monsters te nemen uit de "irrelevante" set en bevestig de privilegekandidaten die de AI heeft gemarkeerd.
controlelijst
- [ ] Ik heb de EDRM-fasen en de wettelijke bewaarplicht in acht genomen.
- [ ] Ik heb het TAR/pre-classificatieresultaat gecontroleerd met terugroepbemonstering.
- [ ] Ik heb elke privilegebeslissing gekoppeld aan de bevestiging van een menselijke advocaat.
- [ ] Ik heb de persoonsgegevens die kandidaten maskeren bij de eindcontrole goedgekeurd.
- [ ] Ik documenteerde de methodologie en drempels die ik gebruikte.