Sun. Sep 25th, 2022
    en flag
    nl flag
    et flag
    fi flag
    fr flag
    de flag
    pt flag
    ru flag
    es flag

    Toimetaja märkus: Need on viienda poolaasta ennustava kodeerimise tehnoloogiate ja protokollide uuringu tulemused, mida teostab ComplexDiscovery. Alates tänasest on viis uuringut andnud 319 õigus-, äri- ja tehnoloogiaspetsialistilt üksikasjalikku tagasisidet konkreetsete masinõppe tehnoloogiate kasutamise kohta ennustavas kodeerimises. Uuringud on andnud ülevaate ka nende masinõppe tehnoloogiate kasutamisest näidete tehnoloogiapõhiste ülevaateprotokollide osana.

    Küsitluse iteratsioonil oli 85 vastajat ja keskenduti jätkuvalt ennustavatele kodeerimistehnoloogiatele, protokollidele, töövoogudele ja kasutusaladele kogu e-juurdluse ökosüsteemis. 2020. aasta sügisel tehtud uuring hõlmas ka ühte uut küsimust ennustava kodeerimise kasutamise levimuse kohta e-juurdluse töövoogude osana.

    Prognoositavad kodeerimistehnoloogiad ja protokollid sügisel 2020 uuring

    Prognoosivate kodeerimistehnoloogiate ja protokollide uuring on mitteteaduslik uuring, mille eesmärk on anda üldine arusaam ennustavate kodeerimistehnoloogiate, protokollide ja töövoogude kasutamisest e-juurdluse ökosüsteemis. Sügisel 2020 uuring oli avatud 7. augustist 2020 kuni 14. augustini 2020, kus üksikisikud kutsusid osalema otse ComplexDiscovery poolt.

    Uuringu eesmärk on anda üldine arusaam ennustavate kodeerimistehnoloogiate ja protokollide kohta, oli kaks peamist hariduseesmärki:

    Pakkuda potentsiaalse ennustava kodeerimise tehnoloogia, protokolli ja töövoo definitsioonide konsolideeritud loend. Kuigi see ei ole kõikehõlmav või kõikehõlmav, loetelu oli kontrollitud valitud tööstuse ennustav kodeerimine eksperdid täielikkuse ja täpsuse, seega tundub olevat kasumlik kasutamiseks hariduslikes jõupingutustes.

    Küsida e-juurdluse ökosüsteemi spetsialistidelt nende eelistustest ja kasutusviisidest seoses ennustavate kodeerimisplatvormide, tehnoloogiate, protokollide, töövoogude ja kasutusvaldkondadega.

    Uuring pakkus vastajatele võimalust pakkuda prognoositavat kodeerimisplatvormi, sealhulgas nende esmast ennustavat kodeerimisplatvormi, samuti esitas vastajatele viis konkreetset küsimust. Need küsimused on:

    Kui tihti te kasutate e-juurdluse töövoo osana ennustavat kodeeringut? (Levimus)

    Milliseid ennustavaid kodeerimistehnoloogiaid kasutab teie e-juurdluse platvorm? (Tehnoloogiad)

    Milliseid tehnoloogiaga abistatavaid ülevaateprotokolle kasutatakse ennustava kodeerimise kohaletoimetamisel? (Protokollid)

    Mis on peamine tehnoloogiaga abistatav ülevaatetöövoog, mida kasutatakse ennustava kodeerimise kohaletoimetamisel? (Töövoog)

    Millised on valdkonnad, kus kasutate tehnoloogiaga seotud ülevaatustehnoloogiaid, protokolle ja töövooge? (Kasutusvaldkonnad)

    14. augustil 2020 suleti 2020. aasta sügisel toimunud uuringus 85 vastajat.

    Peamised tulemused ja tähelepanekud

    Prognoositava kodeerimise tehnoloogia ja protokolli uuringu vastaja ülevaade (tabel 1)

    43,53% vastanutest olid advokaadibürood.

    35,29% vastajatest olid tarkvara- või teenusepakkujate organisatsioonidest.

    Ülejäänud 21,18% vastajatest kuulusid kas konsultatsiooni (8,24%), ettevõtte (4,71%), valitsuse (1,18%) või muu üksuse liik (7,06%).

    Esmane ennustav kodeerimisplatvorm (tabel 2)

    89,41% vastajatest teatas, et neil on vähemalt üks esmane platvorm ennustava kodeerimise jaoks.

    Esmase ennustava kodeerimisplatvormina teatati vastajate poolt 22 erinevat platvormi.

    Relatiivsusteooria teatas esmase ennustava kodeerimisplatvormina 36,47% uuringuvastajatest.

    Kaks parimat platvormi teatati 52,94% uuringuvastajatest esmase ennustava kodeerimisplatvormina.

    10,59% vastajatest teatas, et neil polnud esmast platvormi ennustava kodeerimise jaoks.

    Prognoositava kodeerimise kasutamise levimus e-juurdluse korral (tabel 3)

    Enam kui üks kolmandik küsitlusele vastajatest (36,47%) teatas oma e-juurdluse töövoos prognoositava kodeerimise kasutamisest rohkem kui 50% ajast.

    80% vastajatest teatas oma e-juurdluse töövoos prognoositava kodeerimise kasutamisest vähemalt 5% ajast.

    Ainult 20% vastajatest teatas oma e-juurdluse töövoos prognoositava kodeerimise kasutamisest vähem kui 5% ajast.

    Ennustav kodeerimise tehnoloogia tööhõive (tabel 4)

    Aktiivset õppimist teatati kui enim kasutatavast ennustuskodeerimistehnoloogiast, kusjuures 88.24% vastajatest kasutasid seda oma ennustava kodeerimise jõupingutustes.

    36,47% vastajatest teatas, et kasutab ennustavates kodeerimistöödes ainult ühte ennustavat kodeerimistehnoloogiat.

    61,18% vastajatest teatas, et kasutab oma ennustavates kodeerimistehnoloogiaid rohkem kui ühte ennustavat kodeerimistehnoloogiat.

    2,35% vastajatest ei teatanud ühegi konkreetse ennustava kodeerimistehnoloogia kasutamisest.

    Tehnoloogiaga seotud läbivaatamise protokolli tööhõive (joonis 5)

    Kõik loetletud tehnoloogiaga seotud protokollid ennustava kodeerimise kohta olid teatatud, et seda kasutab vähemalt üks küsitlusele vastaja.

    Pidev Active Learning® (CAL®) teatati kui enim kasutatud ennustava kodeerimise protokolli 88,24% vastajatest, kes kasutavad seda oma prognoositavates kodeerimistegevustes.

    49,41% vastajatest teatas, et kasutavad oma ennustavates kodeerimistegevustes ainult ühte ennustavat kodeerimisprotokolli.

    48,24% vastajatest teatas, et kasutavad oma ennustavates kodeerimistegevustes rohkem kui ühte ennustavat kodeerimisprotokolli.

    2,35% vastajatest teatas, et ei kasuta ühtegi ennustavat kodeerimisprotokolli.

    Tehnoloogia-abistava ülevaate töövoo tööhõive (joonis 6)

    68,24% vastajatest teatas, kasutades tehnoloogia-assisted Review (TAR) 2.0 esmase töövoona ennustava kodeerimise kohaletoimetamisel.

    8,24% vastajatest teatas, et kasutades TAR 1.0 ja 11,76% vastajatest teatas, et kasutab TARR 3.0 esmase töövoo ennustava kodeerimise kohaletoimetamisel.

    11,76% vastajatest ei teatanud, kasutades TARR 1.0, TAR 2.0 või TAR 3.0 esmase töövoona ennustava kodeerimise kohaletoimetamisel.

    Tehnoloogia-abistatav ülevaade kasutusviisid (joonis 7)

    92,94% vastajatest teatas tehnoloogiapõhiste ülevaadete kasutamisest rohkem kui ühes andmevaldkonnas ja õiguslikus avastuses.

    94,12% vastajatest teatas asjakohaste dokumentide identifitseerimiseks tehnoloogiaabistava läbivaatuse kasutamisest.

    16,47% vastajatest teatas, et teabe juhtimiseks ja andmete likvideerimiseks kasutas tehnoloogiaabistavat ülevaadet.

    Küsitluse diagrammid

    (Diagramme saab üksikasjaliku vaatamise jaoks laiendada.)

    Tabel 1: uuringu vastaja ülevaade (taust)

    1-prognoositav kodeerimine-tehnoloogiad ja protokollid-uuringu-ülevaade-sügisel-2020

    tabel 2: nimi esmane ennustav kodeerimine platvorm (taust)

    2-Primaarne ennustus-kodeerimine-platvormi-sügisel-2020

    Tabel 3: Kui tihti te kasutate ennustavat kodeerimist osana oma e-juurdluse töövoo? (Küsimus #1)

    3-ennustav-kodeerimine-Kasutus-levimus-sügisel-2020

    tabel 4: Milline ennustav kodeerimistehnoloogia kasutab teie e-juurdluse platvorm? (Küsimus #2)

    4-Prognoositav kodeerimine-tehnoloogia-kasutatud sügisel-2020

    tabel 5: Milline tehnoloogia abistab läbivaatamise protokollid on kasutatud oma kohaletoimetamise ennustav kodeerimine? (Küsimus #3)

    5-tehnoloogia-assisteeritud läbivaadatud-protokolli-Usage-sügisel-2020

    tabel 6: Mis on esmane tehnoloogia abistab läbivaatamise töövoo kasutada oma kohaletoimetamise ennustav kodeerimine? (Küsimus #4)

    6-tehnoloogia-assisteeritud läbivaadatud-töövool-Usage-sügisel-2020

    Joonis 7: Millised on valdkonnad, kus te kasutate tehnoloogiaga seotud ülevaatetehnoloogiaid, protokolle ja töövooge? (Küsimus #5)

    7-tehnoloogia-assisteeritud läbivaadatud-Kasutamise-sügisel-2020

    Prognoositavad kodeerimistehnoloogiad ja protokollid (uuringu tagasilöök)

    Nagu on määratletud „Grossman-Cormack Glossary of Technology Assisted Review” (1), on ennustav kodeerimine tööstusharuspetsiifiline termin, mida üldjuhul kasutatakse tehnoloogia-abistava läbivaatamise protsessi kirjeldamiseks, mis hõlmab masinõppe algoritmi kasutamist, et eristada asjakohaseid mitteasjakohastest dokumentidest, mis põhineb teemal asi eksperdi kodeerimine koolituse dokumentide kogum. See ennustava kodeerimise definitsioon annab lähtekirjelduse, mis tuvastab ühe konkreetse funktsiooni, mida üldtunnustatud masinõppe algoritmide kogum võib kasutada tehnoloogiaga seotud ülevaates (TAR).

    Mis kasvav teadlikkus ja kasutamine ennustav kodeerimine õigusareenil täna, tundub, et elektroonilise avastuse spetsialistid on üha olulisem, et oleks üldine arusaam tehnoloogiatest, mida võidakse rakendada elektroonilise avastamise platvormid hõlbustada ennustav kodeerimine elektrooniliselt salvestatud teavet. See üldine arusaam on oluline, kuna igal potentsiaalsel algoritmilisel lähenemisel on efektiivsuse eelised ja puudused, mis võivad mõjutada ennustava kodeerimise efektiivsust ja efektiivsust.

    Et aidata arendada seda üldist arusaamist ennustava kodeerimise tehnoloogiate ja anda võimalus elektroonilise avastamise pakkujad jagada tehnoloogiaid ja protokolle, mida nad kasutavad ja oma platvormidel, et saavutada ennustav kodeerimine, järgmised töönimekirjad ennustav kodeerimine tehnoloogiad ja TAR protokollid on ette nähtud teie kasutamiseks. Teie kaalutluseks on kaasatud ka tööloendid ennustavate kodeerimistöövoogude ja kasutusalade kohta, kuna need aitavad määratleda, kuidas ennustavaid kodeerimistehnoloogiaid ja TAR-protokolle rakendatakse ja kasutatakse.

    Prognoositava kodeerimise tehnoloogiate tööloend (1,2,3,4)

    Allpool esitatud elektroonilise avastuse eksperdid, mis põhinevad erialaseid väljaandeid ja isiklikke vestlusi, on mitte-kõikehõlmav töönimekiri tuvastatud masinõppe tehnoloogiatest, mida on rakendatud või mida on võimalik rakendada e-juurdluse distsipliinile, et hõlbustada ennustav kodeerimine. See töönimekiri on loodud selleks, et anda kindlaks määratud ennustavate kodeerimistehnoloogiate võrdluspunkt ning see võib aja jooksul sisaldada täiendusi, kohandusi ja muudatusi, mis põhinevad ekspertide ja organisatsioonide tagasisidel, kes rakendavad ja rakendavad neid tavatehnoloogiaid oma konkreetsetes e-juurdluse

    Loetletud tähestikulises järjekorras

    Aktiivne õpe: protsess, mis on tavaliselt iteratiivne, mille abil valitakse dokumendid, mida tuleks koolituseks läbi vaadata, lähtudes strateegiast, mis aitab klassifitseerimisalgoritmil efektiivselt õppida.

    Otsustuspuu: samm-sammult meetod asjakohaste ja mitteasjakohaste dokumentide eristamiseks sõltuvalt sellest, millist sõnade (või muude funktsioonide) kombinatsiooni need sisaldavad. Tuletisinstrumentidega seotud dokumentide tuvastamiseks otsustuspuu võib kõigepealt kindlaks teha, kas dokument sisaldas sõna „swap” või mitte. Kui see nii, võib otsustuspuu seejärel kindlaks teha, kas dokument sisaldas „krediiti” ja nii edasi. Otsustuspuu võib luua kas teadmistehnika või masinõppe kaudu.

    K-lähima naabri klassifikaator (K-nn): klassifitseerimisalgoritm, mis analüüsib k näitedokumente, mis on klassifitseeritavale dokumendile kõige sarnasemad (lähimad), et määrata kindlaks dokumendi parim klassifikatsioon. Kui k on liiga väike (nt k=1), võib suure tagasikutsumise saavutamine olla äärmiselt raske.

    Latentne semantiline analüüs (LSA): dokumentide matemaatiline esitus, mis käsitleb kõrgelt korreleeruvaid sõnu (st sõnu, mis kipuvad esinema samades dokumentides) kui oleksid mõnes mõttes samaväärsed või vahetatavad. See samaväärsus või vahetatatavus võib võimaldada algoritmidel tuvastada dokumente kontseptuaalselt sarnaseks ka siis, kui nad ei kasuta samu sõnu (nt kuna sünonüümid võivad olla väga korrelatsioonis), kuigi see kõrvaldab ka mõned potentsiaalselt kasulikku teavet ja võib põhjustada soovimatuid tulemusi, mille on põhjustanud ebakindlad korrelatsioonid.

    Logistiline regressioon: state-of-the-art juhendatud õppe algoritm masinõppe, mis hindab tõenäosust, et dokument on asjakohane, põhineb funktsioone, et see sisaldab. Erinevalt Naïve Bayesi algoritmist tuvastab logistiline regressioon funktsioone, mis diskrimineerivad asjakohaseid ja mitteasjakohaseid dokumente.

    Naïve Bayesian klassifikaator: süsteem, mis uurib tõenäosust, et iga sõna uues dokumendis pärineb sõnajaotusest, mis tuleneb koolitatud tundlikust dokumendist või koolitatud mittereageerivatest dokumentidest. Süsteem on naiivne selles mõttes, et ta eeldab, et kõik sõnad on üksteisest sõltumatud.

    Närvivõrk: kunstlik närvivõrk (ANN) on arvutuslik mudel. See põhineb bioloogiliste närvivõrkude struktuuril ja funktsioonidel. See toimib nagu see, kuidas inimese aju töötleb teavet. See sisaldab suurt hulka ühendatud töötlemisüksusi, mis töötavad koos teabe töötlemiseks.

    Tõenäosuslik latentne semantiline analüüs (PLSA): See on vaimus sarnane LSA, kuid ta kasutab tõenäosuslikku mudelit tulemuste saavutamiseks, mis eeldatavasti on parem.

    Juhuslikud metsad: Ansambli õppimise meetod klassifitseerimiseks, regressiooniks ja muud ülesanded, mis toimivad ehitades hulgaliselt otsustuspuid koolituse ajal ja kirjutades klassi, mis on režiim klasside (klassifikatsioon) või keskmine ennustus (regressioon) üksikute puude. Juhuslik otsus metsad õige otsuse puude harjumus liialdama oma koolituse komplekt.

    Asjakohasuse tagasiside: aktiivne õppeprotsess, kus kõige suurema tõenäosusega dokumendid kodeerib inimene ja lisatakse koolitusele.

    Support Vector Machine: matemaatiline lähenemine, mis püüab leida rida, mis eraldab reageerivad mittereageerivatest dokumentidest nii, et ideaalis on kõik reageerivad dokumendid ühel pool joont ja kõik mittereageerivad need on teisel pool.

    TAR üldprotokollid (5,6,7,8,9,10)

    Lisaks kasutatakse neid tehnoloogiaid üldiselt osana TARR protokollist, mis määrab kindlaks, kuidas tehnoloogiaid kasutatakse. TAR protokollide näideteks on:

    Loetletud tähestikulises järjekorras

    Pidev Active Learning® (CAL®): CAL® -is valib õppija pärast esialgset koolitust korduvalt välja töötatud, kasutatud ja propageeritud MAura R. Grossman ja Gordon V. Cormack pärast algkoolituse komplekti valib õppija korduvalt järgmise-kõige tõenäolisemalt asjakohased dokumendid (mida pole veel arvestatud) läbivaatamiseks, kodeerimiseks ja koolituseks ja jätkab seda seni, kuni ta ei leia enam asjakohaseid dokumente. Teist ülevaadet üldiselt ei tehta, sest selleks ajaks, kui õppija lõpetab õppimise, on kõik õppija poolt asjakohaseks peetavad dokumendid juba tuvastatud ja käsitsi läbi vaadatud.

    Hübriidne mitmeliigiline meetod: E-juurdluse meeskonna (Ralph Losey) väljatöötatud lähenemine, mis hõlmab igat tüüpi otsingumeetodeid, kusjuures esmane tuginemine ennustavale kodeerimisele ja kõrgetasemeliste dokumentide kasutamine pidevaks aktiivseks koolituseks.

    Skaalable Constant Active Learning (S-CAL): S-CAL-i ja CAL® -i oluline erinevus seisneb selles, et S-CAL-i puhul valitakse märgistuseks ainult igast järjestikusest partiist pärinevate dokumentide piiritletud näidis ning protsess jätkub seni, kuni kollektsiooni kogumine või suur juhuslik näidis on ammendatud. Koos moodustavad piiritletud valimid dokumendi populatsioonist kihistunud valimi, millest võib tuletada statistilise hinnangu ρ.

    Lihtne aktiivne õpe (SAL): SAL-meetodites valib õppija pärast algkoolituse komplekti dokumendid, mida õpetaja vaatab ja kodeerib, ning mida kasutatakse koolitusnäidetena ning jätkab näidete valimist seni, kuni see on piisavalt koolitatud. Tavaliselt on õppija poolt valitud dokumendid need, mille kohta õppija on kõige vähem kindel ja millest seetõttu õpib ta kõige rohkem. Kui see on piisavalt koolitatud, kasutatakse õppijat iga kogumikus oleva dokumendi märgistamiseks. Nagu SPL-i puhul, vaadatakse asjakohaseks märgistatud dokumendid üldjuhul käsitsi uuesti läbi.

    Lihtne passiivne õpe (SPL): lihtsate passiivsete õppe („SPL”) meetodite puhul valib õpetaja (st inimoperaator) koolitusnäidetena kasutatavad dokumendid; õppijat koolitatakse neid näiteid kasutades ja kui piisavalt koolitatud, kasutatakse iga kogumikus oleva dokumendi märgistamiseks asjakohaseks või mitte-asjakohased. Üldiselt vaadatakse õppija poolt asjakohaseks märgistatud dokumendid käsitsi uuesti läbi. Käesolev käsitsi läbivaatamine kujutab endast väikest osa kogust ja seega väikest osa ammendava käsitsi läbivaatamise ajast ja maksumusest.

    TAR töövood (11)

    TAR töövood kujutavad endast ennustavate kodeerimistehnoloogiate ja protokollide praktilist rakendamist prognoositavate kodeerimisülesannete lõpuleviimise Kolm näidet TAR töövoogude kohta on järgmised:

    TAR 1.0 hõlmab treeningufaasi, millele järgneb läbivaatamise faas, mille optimaalse punkti määramiseks kasutatakse juhtelementi, kui peaksite koolituselt üle vaatama. Süsteem ei õpi enam, kui koolitusetapp on lõpule viidud. Juhtseatud on juhuslik dokumentide kogum, mis on läbi vaadatud ja märgistatud asjakohaseks või mitteasjakohaseks. Juhtseatud dokumente süsteemi koolitamiseks ei kasutata. Neid kasutatakse süsteemi prognooside hindamiseks, et koolitus saaks lõpetada, kui täiendkoolituse kasu ei ületa enam täiendkoolituse kulusid. Koolitus võib toimuda juhuslikult valitud dokumentidega, mida nimetatakse lihtsaks passiivseks õppeks (SPL), või see võib hõlmata süsteemi poolt valitud dokumente õppimistõhususe optimeerimiseks, mida tuntakse lihtsa aktiivse õppe (SAL) nime all.

    TAR 2.0 kasutab lähenemist nimega Continuctive Active Learning® (CAL®), mis tähendab, et koolituse ja ülevaatamise vahel ei ole eraldatud — süsteem õpib jätkuvalt kogu aeg. Kuigi arvukalt lähenemisviise võib kasutada dokumentide valimiseks läbivaatamiseks, on CAL-i® oluliseks komponendiks palju iteratsioone, mis ennustavad, millised dokumendid on kõige tõenäolisemalt asjakohased, nende läbivaatamine ja prognooside ajakohastamine. Erinevalt TAR 1,0-st kipub TAR 2.0 olema väga tõhus ka siis, kui levimus on väike. Kuna koolituse ja läbivaatamise vahel pole eraldust, ei vaja TAR 2.0 juhtseadet. Juhtkomplekti loomine võib hõlmata suure (eriti kui levimus on väike) mitteasjakohaste dokumentide arvu läbivaatamist, seega on soovitav kontrollkomplektide vältimine.

    TAR 3.0 nõuab kvaliteetset kontseptuaalset klasterdamise algoritmi, mis moodustab kontseptiivruumis kitsalt keskendunud fikseeritud suurusega klastreid. See rakendab TAR 2.0 metoodikat vaid klastrikeskustele, mis tagab, et läbivaadatakse läbi mitmekülgne potentsiaalselt asjakohaste dokumentide kogum. Kui enam asjakohaseid klastrikeskusi ei leita, kasutatakse ülevaadatud klastrikeskusi koolitusdokumentidena, et teha prognoose kogu dokumendi populatsiooni kohta. Juhtseadet pole vaja — süsteem on hästi koolitatud, kui täiendavaid asjakohaseid klastrikeskusi ei leita. Läbivaadatud klastri keskuste analüüs annab hinnangu mitteasjakohaste dokumentide esinemissageduse ja arvu kohta, mis oleks koostatud, kui dokumendid koostatakse puhtalt ennustuste põhjal ilma inimhinnanguta. Kasutaja saab otsustada koostada dokumente (mis ei ole tuvastatud potentsiaalselt privilegeeritud) ilma läbivaatamiseta, sarnaselt SAL alates TAR 1.0 (kuid ilma kontrollkomplektita), või ta saab otsustada üle vaadata dokumendid, millel on liiga suur oht olla mitteasjakohased (mida saab kasutada süsteemi täiendavaks koolituseks, st CAL®). Põhipunkt on see, et kasutajal on teave, mida ta peab otsustama selle kohta, kuidas jätkata pärast klastri keskuste läbivaatamist, mis on tõenäoliselt asjakohased, ja midagi teha enne, kui see punkt muutub otsusega kehtetuks (võrreldes TARR 1.0 alustades, kontrollkomplekti vaatamine, leidmine , et prognoosid ei ole piisavalt head, et dokumente ilma läbivaatamiseta toota ja seejärel lülituda versioonile TAR 2.0, mis muudab juhtelemendi komplekti praktiliselt kasutuks).

    TAR kasutusalad (12)

    TAR tehnoloogiaid, protokolle ja töövooge saab tõhusalt kasutada, et aidata e-juurdluse spetsialistidel täita paljusid andmetuvastus- ja juriidilise tuvastusülesandeid. Üheksa levinud TAR kasutamise näited on järgmised:

    Asjakohaste dokumentide tuvastamine

    Juhtumi varajane hindamine

    Ülevaate prioriteediks seadmine

    Kategoorimine (küsimuste, konfidentsiaalsuse või privaatsuse järgi)

    Õiguste läbivaatamine

    Kvaliteedikontroll ja kvaliteedi tagamine

    Sissetulevate lavastuste ülevaade

    Dispositsioon/kohtuprotsessi ettevalmistamine

    Teabe juhtimine ja andmete kõrvaldamine

    Uuringu teave (13,14,15,16,18, 19)

    Viited

    (1) Grossman, M. ja Cormack, G. (2013). Grossman-Cormacki Sõnastik Tehnoloogia-Abistatud Review. [ebook] Föderaalkohtud seadus Review. Saadaval aadressil: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Jugeb 31 Aug. 2018].

    (2) Dimm, B. (2018). Ekspertiis ennustav kodeerimine. [e-post].

    (3) Roitblat, H. (2013). Sissejuhatus ennustav kodeerimine. [e-raamat] OrcaTec. Saadaval aadressil: 31 Aug. 2018].

    (4) Tredennick, J. ja Pickens, J. (2017). Sügav õppimine E-Discovery: Liikumine mööda Hype. [Internetis] CatalystSecure.com. Saadaval aadressil: 31 Aug. 2018].

    (5) Grossman, M. ja Cormack, G. (2017). Tehnoloogia-abistatav ülevaade elektroonilises avastuses. [ebook] Saadaval aadressil: 31 Aug. 2018].

    (6) Grossman, M. ja Cormack, G. (2016). Pidev aktiivne õppimine TAR jaoks. [e-raamat] Praktiline seadus. Saadaval aadressil: 31 Aug. 2018].

    (7) Grossman, M. ja Cormack, G. (2016). Pideva aktiivse õppe skaleeritavus usaldusväärse kõrge tagasivõtmise teksti klassifika [e-raamat] Saadaval aadressil: 3 September 2018].

    (8) Losey, R., Sullivan, J. ja Reichenberger, T. (2015). e-Discovery Team TREC 2015 Kokku tagasivõtmine Track. [e-raamat] Saadaval aadressil: 1 September 2018].

    (9) „Pideva aktiivse õppe kaubamärk Maura Grossman ja Gordon V. Cormack — Registreerimisnumber 5876987 — Seerianumber 86634255። Justia Kaubamärgid”. Kaubamärgid.Justia.com, 2020, 12. veebruar 2020].

    (10) „CAL kaubamärk Maura Grossman ja Gordon V. Cormack — Registreerimisnumber 5876988 — Seerianumber 86634265። Justia kaubamärgid”. Kaubamärgid.Justia.com, 2020, 12. veebruar 2020].

    (11) Dimm, B. (2016), TAR 3.0 jõudlus. [võrgus] Clustify blogi — e-juurdlus, dokumentide klasterdamine, ennustav kodeerimine, teabe otsing ja tarkvaraarendus. Saadaval aadressil: 18 Veebr 2019].

    (12) Elektrooniline tuvastusmudel (EDRM) (2019). Tehnoloogia Assisted Review (TAR) juhised. [Internetis] Saadaval aadressil: 18 Veebr 2019].

    (13) Dimm, B. (2018). TAR, proportsionaalsus ja halvad algoritmid (1-NN). [võrgus] Clustify blogi — e-juurdlus, dokumentide klasterdamine, ennustav kodeerimine, teabe otsing ja tarkvaraarendus. Saadaval aadressil: 31 Aug. 2018].

    (14) Robinson, R. (2013). Running tulemused: ennustav kodeerimine ühe küsimuse pakkuja rakendamise uuring. [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 31 Aug. 2018].

    (15) Robinson, R. (2018). Töötav loend: Top 100+ e-juurdluse pakkujad. [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 31 Aug. 2018].

    (16) Robinson, R. (2018) Suhteliselt öeldes: ennustav kodeerimine tehnoloogiad ja protokollid uuringu tulemused [Internetis] ComplexDiscovery: eDiscovery Information. Saadaval aadressil: 18 Veebr 2019].

    (17) Robinson, R. (2019) Aktiivselt õppimine? Prognoositav kodeerimise tehnoloogiad ja protokollid uuringu tulemused [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 22 Aug. 2019]

    (18) Robinson, R. (2019) platvormidest töövoogudesse: ennustav kodeerimise tehnoloogiate ja protokollide uuring - Sügis 2019 Tulemused [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 12. veebruar 2020].

    (19) Robinson, R. (2020) Kas see kõik on suhteline? Ennustav kodeerimine Technologies ja protokollid Survey - Spring Tulemused [Internetis] ComplexDiscovery: eDiscovery Kättesaadav aadressil: [Jugeb 7. august 2020].

    Konkreetsete täienduste, paranduste ja värskenduste pakkumiseks klõpsake siin.

    Allikas: ComplexDiscovery

    Kallutades edasi? CISA 2023-2025 strateegiline kava

    The purpose of the CISA Strategic Plan is to communicate the...

    Pidev riski parandamine? Q3 Cyber Round-Up Alates Cowbell Cyber

    According to Manu Singh, director of risk engineering at Cowbell, "Every...

    Põhjalik küberavastamise ressurss? DOD küberturvalisuse poliitika diagramm CSIAC

    The Cyber Security and Information Systems Information Analysis Center (CSIAC) is...

    Kiiresti pöörlev küberkindlustus? Q2 Cyber Round-Up Alates Cowbell Cyber

    According to Isabelle Dumont, SVP of Marketing and Technology Partners at...

    Paljastavad vastuse? Nuix vastab ASX teabenõudele

    The following investor news update from Nuix shares a written response...

    Paljastavad aruanded? Nuix Märgib Press spekulatsioon

    According to a September 9, 2022 market release from Nuix, the...

    HayStackID® omandab Business Intelligence Associates

    According to HaystackID CEO Hal Brooks, “BIA is a leader in...

    Üks suur tarkvara ja pilve äri? OpenText omandada Micro Focus

    According to OpenText CEO & CTO Mark J. Barrenechea, “We are...

    Liikuda? 2022 e-Discovery Market Kineetika: viis huvipakkuvat valdkonda

    Recently ComplexDiscovery was provided an opportunity to share with the eDiscovery...

    Usaldades protsessi? 2021 e-juurdluse töötlemise ülesande, kulude ja kulude andmete töötlemine

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    Ülevaatamise aasta? 2021 e-juurdluse läbivaatamise ülesande, kulutuste ja kulude andmepunktid

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    2021 pilk e-juurdluse kogumist: ülesannete, kulude ja kulude andmepunktid

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    Viis suurt loeb küberandmete ja õigusliku avastamise kohta septembriks 2022

    From privacy legislation and special masters to acquisitions and investigations, the...

    Viis suurt lugeb küberi, andmete ja õigusliku avastamise kohta augustis 2022

    From AI and Big Data challenges to intriguing financial and investment...

    Viis suurt loeb küberi, andmete ja juriidilise avastamise kohta juuliks 2022

    From lurking business undercurrents to captivating deepfake developments, the July 2022...

    Viis suurt loeb küberi, andmete ja juriidilise avastamise kohta juunis 2022

    From eDiscovery ecosystem players and pricing to data breach investigations and...

    Jahedam temperatuur? 2022. aasta languse e-juurdluse ettevõtete usalduse uuringu tulemused

    Since January 2016, 2,874 individual responses to twenty-eight quarterly eDiscovery Business...

    Pöördumine või läbipaine? Koondülevaade kaheksast poolaastasest e-juurdluse hinnakujunduse uuringust

    Initiated in the winter of 2019 and conducted eight times with...

    Muutuvad hoovused? Kaheksateist tähelepanekut e-juurdluse ettevõtete usalduse kohta 2022. aasta suvel

    In the summer of 2022, 54.8% of survey respondents felt that...

    Väljakutseid variandid? E-juurdluse ettevõtte jõudlust mõjutavad probleemid: 2022. aasta suvi ülevaade

    In the summer of 2022, 28.8% of respondents viewed increasing types...

    Tuumaenergia Valikud? Ukraina Konflikti hindamised Maps (17. - 21. september 2022)

    According to a recent update from the Institute for the Study...

    Massihauad ja piinamiskojad? Ukraina Konflikti hindamine Maps (12. — 16. september 2022)

    According to a recent update from the Institute for the Study...

    On perspektiivis? Ukraina Konflikti hindamised Maps (September 7-11, 2022)

    According to a recent update from the Institute for the Study...

    Materiaalne lagunemine? Ukraina Konflikti hindamised Maps (September 2-6, 2022)

    According to a recent update from the Institute for the Study...