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 : Construire les fondations — Ingestion, recherche, récupération
Module 1 : Le paysage de l'ingénierie juridique
- Objectifs d'apprentissage — comprendre le rôle, l'intégration de l'IA dans le travail juridique et les deux risques majeurs qui traversent tout le domaine.
- Sujets
-
- Le rôle de l'ingénieur juridique et pourquoi il est actuellement très demandé
- Où s'intègre l'IA : eDiscovery, examen de documents, contrats, recherche, enquêtes ; le modèle EDRM expliqué simplement
- Faire vs. acheter
- Les deux risques transversaux : confidentialité/privilège et défendabilité
Module 2 : Les données juridiques sont désordonnées — Ingestion et extraction
- Objectifs d'apprentissage — gérer la réalité des données juridiques à grande échelle.
- Sujets
- + de 1 400 types de fichiers, emails et PST, documents scannés, fichiers de chargement (.dat/.opt) ; métadonnées intégrées essentielles
- Extraction de texte (Tika), OCR et déduplication comme choix stratégique
- Laboratoire : Ingestion FreeEed — construire un pipeline d'ingestion sur un ensemble de documents délibérément désordonné (emails/PST, scans, fichiers de chargement)
Module 3 : Recherche et récupération — la fondation
- Objectifs d'apprentissage — construire le primitive essentielle de l'eDiscovery : trouver n'importe quoi dans tout.
- Sujets — recherche en texte intégral et indexation (Solr/Lucene) ; pertinence, filtrage par métadonnées et date ; recherche dans le contenu OCRisé
- Laboratoire : Recherche eDiscovery — indexer un corpus et effectuer de vraies recherches style eDiscovery, y compris dans les scans OCRisés
Module 4 : RAG pour documents juridiques — avec citations
- Objectifs d'apprentissage — construire du RAG sur des documents juridiques qui cite ses sources.
- Sujets
- Pourquoi la récupération, et non le fine-tuning, pour les données sensibles — le modèle n'ingère jamais les documents directement
- Chunking, embeddings et surtout citations / traçabilité
- Sommaire multi-documents et threads
- Laboratoire : RAG juridique avec citations — construire un Q&R RAG sur un ensemble de documents qui répond avec des citations de source
Jour 2 : Rendre privé, défendable et prêt au déploiement
Module 5 : Vie privée, privilège et hébergement local — le piège du privilège
- Objectifs d'apprentissage — garder les données juridiques locales et pouvoir les certifier.
- Sujets
- Où vont réellement les données lorsqu'elles touchent une IA cloud
- Renonciation au privilège, devoir de compétence et spectre du « privé » (contractuel vs. physique)
- Arrêt Morgan v. V2X et pourquoi le local est défendable en justice
- Hébergement de modèles locaux (Ollama / vLLM) et surveillance du trafic sortant
- Laboratoire : Modèle local + Preuve d'exfiltration — exécuter un modèle local de bout en bout et prouver, via la surveillance, qu'aucune donnée n'a quitté le réseau
Module 6 : Examen d'IA défendable
- Objectifs d'apprentissage — mesurer et documenter un examen d'IA de manière à ce qu'il soit tenable en justice.
- Sujets
- Les chiffres recevables en justice : recall, elusion, précision, validation ground-truth ; TAR / apprentissage actif
- Transparence (pourquoi a-t-il classé ce document ?) et reproductibilité — verrouiller le modèle, figer les paramètres, tout journaliser
- La « capture de cas défendable » permettant à quiconque de relancer votre examen un an plus tard et d'obtenir le même résultat
- Laboratoire : Examen défendable — mesurer un examen d'IA par rapport à une ground-truth aveugle et produire un bundle de reproductibilité
Module 7 : Déployer — Workflow, déploiement privé et gouvernance
- Objectifs d'apprentissage — assembler les pièces en un workflow, le déployer de manière privée et l'évaluer.
- Sujets
- Un workflow juridique multi-étapes (ingestion → recherche → sommaire → examen → production) avec intervention humaine
- Essentiels du déploiement privé/sur site (conteneurisation ; garder les données dans l'entreprise)
- Gouvernance IA pour le juridique en bref, et évaluation du système avec SAIS-100 (l'échelle Elephant Scale Secure AI Score)
- Laboratoire : Évaluation et empaquetage — câbler un workflow multi-étapes, l'évaluer avec SAIS-100 et le préparer pour un déploiement privé
Projet final (intégré sur le Jour 2)
- Construire une application d'IA juridique privée et défendable de bout en bout — ingérer un corpus désordonné, le rechercher, répondre à des questions via ce corpus avec citations en utilisant un modèle local, mesurer un examen défendable et l'empaqueter pour un déploiement privé.
- Les participants repartent avec un projet portfolio correspondant exactement au métier d'ingénieur juridique.
Jour 3 optionnel / Modules avancés (livrables en tant que 3ème jour ou série modulaire)
- Enquêtes : Entités, relations et chronologies — extraire personnes/organisations/dates, reconstruire les threads d'emails, construire des chronologies, cartographier les quasi-doublons et la lignée des documents. Lab : construire une chronologie et une vue entité/relation.
- Workflows juridiques Agents et multi-étapes (approfondi) — orchestration enrichie, analyse de contrats, synthèse multi-docs, usage d'outils et garde-fous comme principe de design. Lab : construire un workflow multi-étapes avec un point de contrôle humain.
- Déploiement à grande échelle — déploiement sur site et appliances, traitement distribué pour les gros volumes, environnements réglementés (CJIS, gouvernement, enseignement supérieur), dimensionnement matériel. Lab : conteneuriser et mettre à l'échelle un job de traitement sur plusieurs workers.
- Approfondissement Gouvernance et Conformité — paysage de la régulation IA (+ de 100 lois étatiques américaines sur l'IA, AI Act européen), exigences d'audit et audit complet de gouvernance SAIS-100. Lab : auditer un système d'IA juridique par rapport à une checklist de gouvernance/défendabilité.
Pré requis
- À l'aise avec Python et les API de base
- Utile : familiarité avec les LLM (Large Language Models) au niveau utilisateur (aucune formation en ML n'est requise — nous construisons le modèle mental)
- Aucun contexte juridique requis — les concepts juridiques nécessaires sont enseignés dans leur contexte
Public visé
- Ingénieurs logiciels / IA se tournant vers la legal-tech
- Ingénieurs de entreprises de legal-tech ayant besoin d'une expertise approfondie du domaine juridique
- Professionnels juridiques, d'eDiscovery ou de gouvernance de l'information ayant une approche technique et souhaitant construire des solutions plutôt que simplement les acheter
- Toute personne visonnant le poste d'« ingénieur juridique » ou « ingénieur en IA juridique »
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
