Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Tag 1: Das Fundament aufbauen — Ingestion, Suche, Retrieval
Modul 1: Das Landscape des Legal Engineers
- Lernziele — die Rolle verstehen, den KI-Einsatz im juristischen Bereich erfassen und die beiden durchgängigen Risiken begreifen.
- Inhalte
-
- Die Rolle des Legal Engineers und warum sie aktuell nachgefragt wird
- Der KI-Einsatzbereich: eDiscovery, Review, Verträge, Recherche, Ermittlungen; das EDRM-Modell in verständlichen Begriffen
- Build vs. Buy
- Die beiden durchgängigen Risiken: Vertraulichkeit/Anwaltsgeheimnis und Verteidigungsfähigkeit
Modul 2: Juristische Daten sind komplex — Ingestion und Extraktion
- Lernziele — der Realität von juristischen Daten im Grossbetrieb begegnen.
- Inhalte
- Über 1.400 Dateitypen, E-Mails und PST, gescannte Dokumente, Load Files (.dat/.opt); relevante eingebettete Metadaten
- Textextraktion (Tika), OCR und Deduplizierung als bewusste Wahl
- Lab: FreeEed Ingestion — Aufbau eines Ingestion-Pipelines über bewusst unstrukturierte Dokumente (E-Mails/PST, Scans, Load Files)
Modul 3: Suche und Retrieval — das Fundament
- Lernziele — die eDiscovery-Core-Primitive aufbauen: Alles in allem finden.
- Inhalte — Volltextsuche und Indexierung (Solr/Lucene); Relevanz, Metadaten- und Datumsfilterung; Suche innerhalb von OCR-Inhalten
- Lab: eDiscovery-Suche ““Indexieren eines Korpus und Ausführen realer eDiscovery-artiger Suchen, auch in OCR-gescannten Dokumenten
Modul 4: RAG für juristische Dokumente — mit Quellenangaben
- Lernziele “RAG über juristische Dokumente mit Quellenverweisen aufbauen.
- Inhalte
- Warum Retrieval statt Fine-Tuning für sensible Materialien — das Modell „verschluckt“ keine Dokumente
- Chunking, Embeddings und vor allem Quellenangaben / Nachverfolgbarkeit
- Zusammenfassung mehrerer Dokumente und Threads
- Lab: Legal RAG mit Quellenangaben “Ein RAG-Q&A über ein Dokumenten-Set aufbauen, das mit Quellenzitaten antwortet
Tag 2: Privat, verteidigungsfähig und bereitstellen
Modul 5: Privatsphäre, Anwaltsgeheimnis und lokaler Betrieb “Das Vertraulichkeits-Risiko
- Lernziele “Juristische Daten lokal halten und deren Konformität zertifizieren können.
- Inhalte
- Wohin die Daten tatsächlich fließen, wenn sie Cloud-KI erreichen
- Anwaltsgeheimnis-Waiver, Sorgfaltspflicht und das Spektrum des "Privaten" (vertraglich vs. physisch)
- Morgan v. V2X und warum lokaler Betrieb gerichtlich verteidigungsfähig ist
- Bereitstellung lokaler Modelle (Ollama / vLLM) und Überwachung des ausgehenden Datenverkehrs
- Lab: Lokales Modell + Egress-Beweis “Ein lokales Modell durchgängig betreiben und mittels Monitoring beweisen, dass keine Daten das Netzwerk verlassen haben
Modul 6: Verteidigungsfähige KI-Bewertung
- Lernziele “Eine KI-Bewertung messen und dokumentieren, sodass sie Bestand hat.
- Inhalte
- Zahlen, die vor Gericht standhalten: Recall, Elusion, Precision, Ground-Truth-Validierung; TAR / aktives Lernen
- Transparenz (warum wurde dieses Dokument so codiert?) und Reproduzierbarkeit — Modellversion fixieren, Einstellungen stabilisieren, alles protokollieren
- Der "Verteidigungsfähige Fall-Snapshot", der es einer anderen Person erlaubt, die Bewertung ein Jahr später erneut durchzuführen und dasselbe Ergebnis zu erzielen
- Lab: Verteidigungsfähiges Review “Eine KI-Bewertung gegen eine verdeckte Ground Truth messen und einen Reproduzierbarkeits-Bundle erstellen
Modul 7: Deployment “Workflow, privater Einsatz und Governance
- Lernziele “Die Bausteine zu einem Workflow zusammenführen, privat bereitstellen und die Leistung bewerten.
- Inhalte
- Ein mehrstufiger juristischer Workflow (Ingestion → Suche → Zusammenfassung → Review → Produktion) mit menschlicher Kontrolle
- Kernaspekte privater/On-Premises-Bereitstellung (Containerisierung; Datenverbleib im eigenen Netzwerk)
- AI-Governance für den Legal-Bereich kurz gefasst und Bewertung des Systems mit SAIS-100 (The Elephant Scale Secure AI Score)
- Lab: Bewertung und Verpackung “Einen mehrstufigen Workflow verdrahten, mit SAIS-100 bewerten und für den privaten Einsatz aufbereiten
Capstone (integriert in Tag 2)
- Eine private, verteidigungsfähige Legal-AI-Anwendung durchgängig erstellen “Ein unstrukturiertes Korpus ingestieren, darin suchen, Fragen mit Zitaten über ein lokales Modell beantworten, eine verteidigungsfähige Bewertung messen und für den privaten Einsatz aufbereiten.
- Die Teilnehmenden verlassen den Kurs mit einem Portfolio-Projekt als Repräsentant der Legal-Engineer-Rolle.
Optional Tag 3 / Fortgeschrittene Module (lieferbar als 3. Tag oder modulare Reihe)
- Ermittlungen: Entitäten, Beziehungen und Zeitlinien “Menschen/Organisationen/Daten extrahieren, E-Mail-Threads rekonstruieren, Chronologien erstellen, Near-Duplicates und Dokumenten-Linien abbilden. Lab: Aufbau einer Timeline- und Entity/Relationship-Ansicht.
- Agentic und mehrstufige juristische Workflows (Tiefe) “Reichere Orchestrierung, Vertraganalyse, Multi-Doc-Synthese, Tool-Nutzung und Guardrails als Designprinzip. Lab: Aufbau eines mehrstufigen Workflows mit menschlichem Checkpoint.
- Bereitstellung im Grossmassstab “On-Premises- und Appliance-Bereitstellung, verteilte Verarbeitung für grosse Mengen, regulierte Umgebungen (CJIS, Regierung, Hochschulen), Hardware-Auslegung. Lab: Containerisierung und Skalierung eines Processing-Jobs über Worker hinweg.
- Governance und Compliance Vertiefung “Die KI-Regulierungslandschaft (über 100 US-Bundesstaaten mit KI-Gesetzen, EU AI Act), Audit-Anforderungen und ein vollständiger SAIS-100-Governance-Audit. Lab: Audit einer Legal-AI-System-Landschaft anhand einer Governance/Verteidigungsfähigkeits-Checkliste.
Voraussetzungen
- Sicherer Umgang mit Python und grundlegenden APIs
- Von Vorteil: Grundkenntnisse in LLMs auf Benutzerebene (kein ML-Hintergrund erforderlich — wir erarbeiten das mentale Modell)
- Keine juristische Vorbildung nötig — die benötigten Rechtskonzepte werden kontextbezogen vermittelt
Zielgruppe
- Software-/ KI-Ingenieurinnen und -Ingenieure, die in den Legal-Tech-Bereich wechseln
- Ingenieurinnen und Ingenieure von Legal-Tech-Unternehmen, die fachliche Vertiefung im Juristika-Bereich benötigen
- Technisch versierte Legal-/ eDiscovery-/ Information-Governance-Fachkräfte, die selbst bauen möchten statt nur zu kaufen
- Alle Personen mit dem Ziel der Rolle als „Legal Engineer“ / „AI Legal Engineer"
14 Stunden
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung
