Couler un filet plus large ? Enquête sur les technologies et protocoles de codage prédictif — Résultats de l'automne 2020

The Predictive Coding Technologies and Protocols Survey is a non-scientific semi-annual survey designed to help provide a general understanding of the current application of predictive coding technologies, protocols, workflows, and uses by data discovery and legal discovery professionals.

en flag
nl flag
et flag
fi flag
fr flag
de flag
pt flag
ru flag
es flag

Note de l'éditeur : Ce sont les résultats de la cinquième enquête semestrielle sur les technologies et protocoles de codage prédictif menée par ComplexDiscovery. À ce jour, les cinq enquêtes ont fourni des commentaires détaillés de 319 professionnels du droit, des affaires et de la technologie sur l'utilisation de technologies spécifiques d'apprentissage automatique dans le codage prédictif. Les enquêtes ont également permis de mieux comprendre l'utilisation de ces technologies d'apprentissage automatique dans le cadre d'exemples de protocoles d'examen assistés par la technologie.

Cette itération de l'enquête a eu 85 répondants et a continué de se concentrer sur les technologies de codage prédictif, les protocoles, les workflows et les utilisations dans l'écosystème de la découverte électronique. Le sondage de l'automne 2020 comportait également une nouvelle question sur la prévalence de l'utilisation du codage prédictif dans le cadre des workflows de découverte électronique.

Enquête sur les technologies et les protocoles de codage prédictif de l'automne 2020

L'Enquête sur les technologies et les protocoles de codage prédictif est une enquête non scientifique conçue pour aider à fournir une compréhension générale de l'utilisation des technologies de codage prédictif, des protocoles et des flux de travail par les professionnels de la découverte de données et de la découverte juridique au sein de l'écosystème de la découverte électronique. Le sondage de l'automne 2020 a été ouvert du 7 août 2020 au 14 août 2020, les personnes invitées à participer directement par ComplexDiscovery.

Conçue pour fournir une compréhension générale des technologies et des protocoles de codage prédictif, l'enquête avait deux principaux objectifs éducatifs :

Fournir une liste consolidée des définitions possibles de technologies de codage prédictif, de protocoles et de flux de travail. Bien qu'elle ne soit pas exhaustive ou exhaustive, la liste a été vérifiée par des experts du codage prédictif de l'industrie pour en vérifier l'exhaustivité et l'exactitude, de sorte qu'elle semble rentable pour les efforts éducatifs.

Demandez aux professionnels de l'écosystème eDiscovery leurs préférences et leurs modèles d'utilisation en ce qui concerne les plates-formes de codage prédictif, les technologies, les protocoles, les workflows et les domaines d'utilisation.

Le sondage a offert aux répondants l'occasion de fournir des renseignements généraux sur le codage prédictif, y compris leur principale plate-forme de codage prédictif, et a posé cinq questions précises aux répondants. Ces questions étant :

À quelle fréquence utilisez-vous le codage prédictif dans le cadre de votre workflow eDiscovery ? (Prévalence)

Quelles technologies de codage prédictif sont utilisées par votre plateforme eDiscovery ? (Technologies)

Quels protocoles d'examen assistés par la technologie sont utilisés dans votre prestation de codage prédictif ? (Protocoles)

Quel est le principal flux de travail de révision assistée par la technologie utilisé dans votre fourniture de codage prédictif ? (Workflow)

Quels sont les domaines dans lesquels vous utilisez les technologies de révision assistée par la technologie, les protocoles et les workflows ? (Domaines d'utilisation)

Fermé le 14 août 2020, le sondage de l'automne 2020 comptait 85 répondants.

Principaux résultats et observations

Aperçu de la technologie de codage prédictif et du protocole (graphique 1)

43,53 % des répondants provenaient de cabinets d'avocats.

35,29 % des répondants provenaient d'organisations de fournisseurs de logiciels ou de services.

Les 2,18 % restants des répondants faisaient partie d'un cabinet de conseil (8,24 %), d'une société (4,71 %), du gouvernement (1,18 %) ou d'un autre type d'entité (7,06 %).

Plateforme de codage prédictif primaire (graphique 2)

89,41 % des répondants ont déclaré avoir au moins une plate-forme principale pour le codage prédictif.

Les répondants ont signalé 22 plates-formes différentes comme étant une plate-forme de codage prédictif primaire.

La relativité a été déclarée comme principale plate-forme de codage prédictif par 36,47 % des répondants au sondage.

52,94 % des répondants au sondage ont déclaré que les deux principales plateformes étaient une plateforme prédictive de codage.

10,59 % des répondants ont déclaré qu'ils n'avaient pas de plate-forme principale pour le codage prédictif.

Prévalence de l'utilisation du codage prédictif dans la découverte électronique (graphique 3)

Plus d'un tiers des répondants à l'enquête (36,47 %) ont déclaré avoir utilisé le codage prédictif dans leur workflow de découverte électronique plus de 50 % du temps.

80 % des répondants ont indiqué avoir utilisé un codage prédictif dans leur workflow de découverte électronique au moins 5 % du temps.

Seulement 20 % des répondants ont indiqué avoir utilisé un codage prédictif dans leur flux de travail eDiscovery moins de 5 % du temps.

Emploi en technologie de codage prédictif (graphique 4)

L'apprentissage actif a été signalé comme la technologie de codage prédictif la plus utilisée, avec 88,24 % des répondants l'utilisant dans leurs efforts de codage prédictif.

36,47 % des répondants ont déclaré avoir utilisé une seule technologie de codage prédictif dans leurs efforts de codage prédictif.

61,18 % des répondants ont déclaré avoir utilisé plus d'une technologie de codage prédictif dans leurs efforts de codage prédictif.

2,35 % des répondants n'ont pas indiqué utiliser une technologie de codage prédictif spécifique.

Protocole d'examen assisté par la technologie Emploi (graphique 5)

Tous les protocoles assistés par la technologie énumérés pour le codage prédictif ont été utilisés par au moins un répondant au sondage.

L'apprentissage actif continu® (CAL®) a été signalé comme le protocole de codage prédictif le plus utilisé, avec 88,24 % des répondants l'utilisant dans leurs efforts de codage prédictif.

49,41 % des répondants ont déclaré avoir utilisé un seul protocole de codage prédictif dans leurs efforts de codage prédictif.

48,24 % des répondants ont déclaré avoir utilisé plus d'un protocole de codage prédictif dans leurs efforts de codage prédictif.

2,35 % des répondants ont déclaré n'utiliser aucun protocole de codage prédictif.

Emploi du flux de travail d'examen assisté par la technologie (graphique 6)

68,24 % des répondants ont déclaré avoir utilisé l'Examen assisté par la technologie (TAR) 2.0 comme principal flux de travail dans la prestation du codage prédictif.

8,24 % des répondants ont déclaré utiliser le TAR 1.0 et 11,76 % des répondants ont déclaré utiliser le TAR 3.0 comme principal flux de travail dans la prestation du codage prédictif.

11,76 % des répondants n'ont pas indiqué utiliser TAR 1.0, TAR 2.0 ou TAR 3.0 comme flux de travail principal dans la prestation du codage prédictif.

Utilisations des examens assistés par la technologie (graphique 7)

92,94 % des répondants ont déclaré avoir utilisé l'examen assisté par la technologie dans plus d'un domaine de la découverte des données et des données juridiques.

94,12 % des répondants ont déclaré avoir utilisé l'examen assisté par la technologie pour identifier les documents pertinents.

16,47 % des répondants ont déclaré avoir utilisé l'examen assisté par la technologie pour la gouvernance de l'information et l'élimination des données.

Diagrammes

(Les graphiques peuvent être développés pour un affichage détaillé.)

Graphique 1 : Vue d'ensemble des répondants au sondage (Contexte)

1-Prédictive-coding-Technologies-et-protocoles-Survey-Automne-2020

Graphique 2 : Nom de la plateforme de codage prédictif primaire (Contexte)

2-Primaire-Prédictive-Plate-forme de Coding-Automne-2020

Graphique 3 : À quelle fréquence utilisez-vous le codage prédictif dans le cadre de votre workflow eDiscovery ? (Question #1)

3-Prédictive-Coding-Utilisation-Prévalence-Automne-2020

Graphique 4 : Quelles technologies de codage prédictif sont utilisées par votre plateforme eDiscovery ? (Question #2)

4-Prédictive-Coding-Technologie-Utilisée-Automne-2020

Graphique 5 : Quels protocoles d'examen assistés par la technologie sont utilisés dans votre prestation de codage prédictif ? (Question #3)

5-Technologie-Assisté-Examen Protocol-Utilisation-Automne-2020

Graphique 6 : Quel est le principal flux de travail d'examen assisté par la technologie utilisé dans votre prestation de codage prédictif ? (Question #4)

6-Technologie-Assisté-Examen du Flux de travail-Utilisation-Automne-2020

Graphique 7 : Quels sont les domaines dans lesquels vous utilisez les technologies, les protocoles et les workflows d'examen assistés par la technologie ? (Question #5)

7-Technologie-Assisté-Vérification-Utilisations-Automne-2020

Technologies et protocoles de codage prédictif (Document d'information de l'enquête)

Tel que défini dans le Glossaire Grossman-Cormack of Technology-Assisted Review (1), le codage prédictif est un terme spécifique à l'industrie généralement utilisé pour décrire un processus d'examen assisté par la technologie impliquant l'utilisation d'un algorithme d'apprentissage automatique pour distinguer les documents pertinents des documents non pertinents, en fonction d'un sujet le codage de l'expert de la matière d'un ensemble de documents de formation. Cette définition du codage prédictif fournit une description de base qui identifie une fonction particulière qu'un ensemble général d'algorithmes d'apprentissage automatique généralement acceptés peut utiliser dans un examen assisté par la technologie (TAR).

Compte tenu de la sensibilisation et de l'utilisation croissantes du codage prédictif dans le domaine juridique aujourd'hui, il semble de plus en plus important pour les professionnels de la découverte électronique d'avoir une compréhension générale des technologies qui peuvent être mises en œuvre dans les plateformes de découverte électronique afin de faciliter le codage prédictif d'informations stockées électroniquement. Cette compréhension générale est essentielle car chaque approche algorithmique potentielle présente des avantages et des inconvénients en matière d'efficience qui peuvent avoir une incidence sur l'efficience et l'efficacité du codage prédictif.

Afin d'aider à développer cette compréhension générale des technologies de codage prédictif et de permettre aux fournisseurs de découverte électronique de partager les technologies et les protocoles qu'ils utilisent dans et avec leurs plateformes pour réaliser le codage prédictif, les listes de travail suivantes de codage prédictif les technologies et les protocoles TAR sont fournis pour votre utilisation. Des listes de travail sur les flux de travail et les utilisations du codage prédictif sont également incluses à votre attention car elles aident à définir la façon dont les technologies de codage prédictif et les protocoles TAR sont mis en œuvre et utilisés.

Liste de travail des technologies de codage prédictif (1,2,3,4)

Regroupée à partir d'experts en découverte électronique basés sur des publications professionnelles et des conversations personnelles, fournie ci-dessous une liste de travail non exhaustive des technologies d'apprentissage automatique identifiées qui ont été appliquées ou qui ont le potentiel d'être appliquées à la discipline de la découverte électronique afin de faciliter codage prédictif. Cette liste de travail est conçue pour fournir un point de référence pour les technologies de codage prédictif identifiées et peut, au fil du temps, inclure des ajouts, des ajustements et des modifications en fonction des commentaires des experts et des organisations qui appliquent et mettent en œuvre ces technologies courantes dans leurs plateformes de découverte électronique spécifiques.

Inscrit dans l'ordre alphabétique

Apprentissage actif : Processus, généralement itératif, par lequel un algorithme est utilisé pour sélectionner les documents qui doivent être examinés pour la formation en fonction d'une stratégie visant à aider l'algorithme de classification à apprendre efficacement.

Arbre de décision : Méthode par étape permettant de distinguer les documents pertinents et non pertinents, selon la combinaison de mots (ou d'autres caractéristiques) qu'ils contiennent. Un arbre de décision permettant d'identifier les documents relatifs aux produits financiers dérivés pourrait d'abord déterminer si un document contenait ou non le mot « swap ». Si tel était le cas, l'arbre de décision pourrait alors déterminer si le document contenait un « crédit », et ainsi de suite. Un arbre de décision peut être créé soit par l'ingénierie des connaissances, soit par l'apprentissage automatique.

K plus proche Neighbor Classifier (K-nn) : algorithme de classification qui analyse les k exemples de documents les plus semblables (les plus proches) au document à classer afin de déterminer la meilleure classification pour le document. Si k est trop petit (p. ex., k=1), il peut être extrêmement difficile d'obtenir un rappel élevé.

Analyse sémantique latente (LSA) : Représentation mathématique de documents qui traite les mots fortement corrélés (c'est-à-dire les mots qui ont tendance à se produire dans les mêmes documents) comme étant, dans un sens, équivalents ou interchangeables. Cette équivalence ou cette interchangeabilité peut permettre aux algorithmes d'identifier les documents comme étant conceptuellement similaires même s'ils n'utilisent pas les mêmes mots (par exemple, parce que les synonymes peuvent être fortement corrélés), mais elle rejette également certaines informations potentiellement utiles et peut conduire à des résultats indésirables causés par corrélations fallacieuses.

Régression logistique : algorithme d'apprentissage supervisé de pointe pour l'apprentissage automatique qui estime la probabilité qu'un document soit pertinent, en fonction des caractéristiques qu'il contient. Contrairement à l'algorithme Naïve Bayes, la Régression Logistique identifie des caractéristiques qui distinguent les documents pertinents et non pertinents.

Classificateur bayésien naïf : Système qui examine la probabilité que chaque mot d'un nouveau document provienne de la distribution de mots dérivée d'un document réceptif formé ou de documents non réceptifs formés. Le système est naïf en ce sens qu'il suppose que tous les mots sont indépendants les uns des autres.

Réseau de neurones : un réseau de neurones artificiels (ANN) est un modèle de calcul. Il est basé sur la structure et les fonctions des réseaux neuronaux biologiques. Cela fonctionne comme la façon dont le cerveau humain traite l'information. Il comprend un grand nombre d'unités de traitement connectées qui travaillent ensemble pour traiter les informations.

Analyse sémantique latente probabiliste (PLSA) : Cette analyse est similaire à la LSA, mais elle utilise un modèle probabiliste pour obtenir des résultats qui devraient être meilleurs.

Forêts aléatoires : Méthode d'apprentissage d'ensemble pour la classification, la régression et d'autres tâches, qui fonctionne en construisant une multitude d'arbres décisionnels au moment de l'entraînement et en exécutant la classe qui est le mode des classes (classification) ou la prédiction moyenne (régression) des arbres individuels. Les forêts de décision aléatoires corrigent l'habitude des arbres décisionnels de suradapter leur jeu d'entraînement.

Commentaires sur la pertinence : Processus d'apprentissage actif dans lequel les documents ayant la plus grande probabilité de pertinence sont codés par un humain et ajoutés à l'ensemble de formation.

Support Vector Machine : Approche mathématique qui cherche à trouver une ligne séparant les documents réactifs des documents non réactifs de sorte que, idéalement, tous les documents réactifs soient d'un côté de la ligne et tous les documents non réactifs sont de l'autre côté.

Protocoles généraux du TAR (5,6,7,8,9,10)

De plus, ces technologies sont généralement utilisées dans le cadre d'un protocole TAR qui détermine la façon dont les technologies sont utilisées. Voici des exemples de protocoles TAR :

Inscrit dans l'ordre alphabétique

Apprentissage actif continu® (CAL®) : Dans CAL®, la méthode TAR développée, utilisée et préconisée par Maura R. Grossman et Gordon V. Cormack, après la formation initiale, l'apprenant sélectionne à plusieurs reprises les documents les plus susceptibles d'être pertinents (qui n'ont pas encore été pris en considération) pour examen, codage et formation. et continue de le faire jusqu'à ce qu'il ne trouve plus de documents pertinents. Il n'y a généralement pas de deuxième examen parce que, au moment où l'apprenant cesse d'apprendre, tous les documents jugés pertinents par l'apprenant ont déjà été identifiés et examinés manuellement.

Méthode multimodale hybride : Approche développée par l'équipe de découverte électronique (Ralph Losey) qui comprend tous les types de méthodes de recherche, en se basant principalement sur le codage prédictif et l'utilisation de documents de haut rang pour la formation active continue.

Apprentissage actif continu évolutif (S-CAL) : La différence essentielle entre S-CAL et CAL® réside dans le fait que pour S-CAL, seul un échantillon fini de documents de chaque lot successif est sélectionné pour l'étiquetage, et le processus se poursuit jusqu'à ce que la collection (ou un échantillon aléatoire important de la collection) soit épuisé. Ensemble, les échantillons finis forment un échantillon stratifié de la population documentaire, à partir duquel une estimation statistique de ρ peut être obtenue.

Apprentissage actif simple (SAL) : Dans les méthodes SAL, après la formation initiale, l'apprenant sélectionne les documents à examiner et à coder par l'enseignant, et les utiliser comme exemples de formation, et continue de sélectionner des exemples jusqu'à ce qu'ils soient suffisamment formés. En règle générale, les documents choisis par l'apprenant sont ceux dont l'apprenant est le moins certain et dont il apprendra le plus. Une fois suffisamment formé, l'apprenant est ensuite utilisé pour étiqueter chaque document de la collection. Comme pour SPL, les documents étiquetés comme pertinents sont généralement réexaminés manuellement.

Apprentissage passif simple (SPL) : Dans les méthodes d'apprentissage passif simple (« SPL »), l'enseignant (c'est-à-dire l'opérateur humain) sélectionne les documents à utiliser comme exemples de formation ; l'apprenant est formé à l'aide de ces exemples, et une fois suffisamment formé, est utilisé pour étiqueter chaque document de la collection comme étant pertinent ou nonpertinent. Généralement, les documents étiquetés comme pertinents par l'apprenant sont réexaminés manuellement. Cet examen manuel représente une petite fraction de la collection, et donc une petite fraction du temps et du coût d'un examen manuel exhaustif.

Flux de travail TAR (11)

Les workflows de TAR représentent l'application pratique de technologies et de protocoles de codage prédictif pour définir des approches permettant d'accomplir des tâches de codage prédictif. Voici trois exemples de workflows TAR :

TAR 1.0 comprend une phase de formation suivie d'une phase de révision avec un ensemble de contrôles servant à déterminer le point optimal où vous devriez passer d'une formation à une révision. Le système n'apprend plus une fois la phase de formation terminée. L'ensemble de contrôle est un ensemble aléatoire de documents qui ont été examinés et marqués comme pertinents ou non pertinents. Les documents du jeu de contrôle ne sont pas utilisés pour former le système. Ils servent à évaluer les prévisions du système afin de mettre fin à la formation lorsque les avantages d'une formation supplémentaire ne l'emportent plus sur le coût d'une formation supplémentaire. La formation peut se faire avec des documents choisis aléatoirement, appelés Simple Passif Learning (SPL), ou elle peut impliquer des documents choisis par le système pour optimiser l'efficacité de l'apprentissage, connus sous le nom de Simple Active Learning (SAL).

TAR 2.0 utilise une approche appelée Continuous Active Learning® (CAL®), ce qui signifie qu'il n'y a pas de séparation entre la formation et la révision — le système continue d'apprendre tout au long de l'apprentissage. Bien que de nombreuses approches puissent être utilisées pour sélectionner les documents à examiner, une composante importante de CAL® est de nombreuses itérations permettant de prédire quels documents sont les plus susceptibles d'être pertinents, de les examiner et de mettre à jour les prévisions. Contrairement au TAR 1.0, le TAR 2.0 a tendance à être très efficace même lorsque la prévalence est faible. Comme il n'y a pas de séparation entre la formation et l'examen, le TAR 2.0 ne nécessite pas de jeu de contrôle. La génération d'un ensemble de contrôles peut nécessiter l'examen d'un grand nombre (surtout lorsque la prévalence est faible) de documents non pertinents, de sorte qu'il est souhaitable d'éviter les jeux de contrôle.

TAR 3.0 nécessite un algorithme de clustering conceptuel de haute qualité qui forme des grappes étroitement ciblées de taille fixe dans l'espace conceptuel. Il applique la méthodologie TAR 2.0 uniquement aux centres de grappes, ce qui permet d'examiner un ensemble diversifié de documents potentiellement pertinents. Une fois qu'il n'y a plus de centres de grappes pertinents, les centres de grappes examinés sont utilisés comme documents de formation pour faire des prévisions pour l'ensemble de la population de documents. Il n'y a pas besoin d'un ensemble de contrôle : le système est bien formé lorsqu'il n'y a pas de centres de cluster supplémentaires pertinents. L'analyse des centres regroupés qui ont été examinés fournit une estimation de la prévalence et du nombre de documents non pertinents qui seraient produits si les documents étaient produits uniquement sur la base des prévisions sans examen humain. L'utilisateur peut décider de produire des documents (non identifiés comme potentiellement privilégiés) sans examen, comme SAL de TAR 1.0 (mais sans jeu de contrôle), ou il peut décider d'examiner des documents qui présentent trop de risques d'être non pertinents (qui peuvent être utilisés comme formation supplémentaire pour le système, c'est-à-dire CAL®). Le point clé est que l'utilisateur dispose des informations dont il a besoin pour prendre une décision sur la façon de procéder après avoir terminé l'examen des centres de cluster susceptibles d'être pertinents, et que rien n'a été fait avant que ce point ne soit invalidé par la décision (comparer à commencer par TAR 1.0, examiner un jeu de contrôle, trouver que les prédictions ne sont pas suffisantes pour produire des documents sans révision, puis passer à TAR 2.0, ce qui rend le jeu de contrôle pratiquement inutile).

Utilisations du TAR (12)

Les technologies TAR, les protocoles et les workflows peuvent être utilisés efficacement pour aider les professionnels de l'eDiscovery à accomplir de nombreuses tâches de découverte de données et de découverte juridique. Neuf exemples couramment considérés d'utilisation du TAR comprennent :

Identification des documents pertinents

Évaluation et enquête précoces des cas

Établissement des priorités pour examen

Catégorisation (par questions, pour des raisons de confidentialité ou de confidentialité)

Examen des privilèges

Contrôle de la qualité et assurance de la qualité

Examen des productions entrantes

Disposition/préparation de l'essai

Gouvernance de l'information et élimination des données

Information sur l'enquête (13,14,15,16,17,18, 19)

Références

(1) Grossman, M. et Cormack, G. (2013). Glossaire Grossman-Cormack de l'examen assisté par la technologie. [ebook] Examen du droit des Cours fédérales. Disponible à l'adresse suivante : http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Date de consultation : 31 août 2018].

(2) Dimm, B. (2018). Expertise en codage prédictif. [courriel].

(3) Roitblat, H. (2013). Introduction au codage prédictif. [ebook] ou Catec. Disponible à : 31 août 2018].

(4) Le juge Tredennick et le juge Pickens (2017). Deep Learning in E-Discovery : passer le battage médiatique. [en ligne] CatalystSecure.com. Disponible à : 31 août 2018].

(5) Grossman, M. et Cormack, G. (2017). Examen assisté par la technologie dans la découverte électronique. [ebook] Disponible à l'adresse : 31 août 2018].

(6) Grossman, M. et Cormack, G. (2016). Apprentissage actif continu pour TAR. [ebook] Droit pratique. Disponible à : 31 août 2018].

(7) Grossman, M. et Cormack, G. (2016). Évolutivité de l'apprentissage actif continu pour une classification fiable des textes à rappel élevé. [ebook] Disponible à : 3 sept. 2018].

(8) Losey, R., Sullivan, J. et Reichenberger, T. (2015). [ebook] Disponible à : 1 sept. 2018].

(9) « CONTINU ACTIVE LEARNING Marque de commerce de Maura Grossman et Gordon V. Cormack — Numéro d'enregistrement 5876987 — Numéro de série 86634255። Marques de commerce Justia ». Marquets.Justia.com, 2020, 12 févr. 2020].

(10) « Marque de commerce CAL de Maura Grossman et Gordon V. Cormack — Numéro d'enregistrement 5876988 — Numéro de série 86634265። Marques de commerce Justia ». Marquets.Justia.com, 2020, 12 févr. 2020].

(11) Dimm, B. (2016), TAR 3.0 Performance. [en ligne] Blog Clustify — eDiscovery, Clustering de documents, codage prédictif, récupération d'informations et développement logiciel. Disponible à : 18 février 2019].

(12) Modèle de référence de découverte électronique (EDRM) (2019). Lignes directrices sur l'examen assisté par la technologie (RAT). [en ligne] Disponible à : 18 février 2019].

(13) Dimm, B. (2018). TAR, Proportionnalité et Mauvais algorithmes (1-NN). [en ligne] Blog Clustify — eDiscovery, Clustering de documents, codage prédictif, récupération d'informations et développement logiciel. Disponible à : 31 août 2018].

(14) Robinson, R. (2013). Résultats en cours : Enquête sur l'implémentation du fournisseur d'une question de codage prédictif. [en ligne] ComplexDiscovery : Informations sur la découverte électronique. Disponible à : 31 août 2018].

(15) Robinson, R. (2018). Une liste en cours d'exécution : plus de 100 meilleurs fournisseurs d'eDiscovery. [en ligne] ComplexDiscovery : Informations sur la découverte électronique. Disponible à : 31 août 2018].

(16) Robinson, R. (2018) Relativement parlant : Technologies et protocoles de codage prédictif Résultats de l'enquête [en ligne] ComplexDiscovery : Information sur la découverte électronique. Disponible à : 18 février 2019].

(17) Robinson, R. (2019) Apprendre activement ? Technologies et protocoles de codage prédictif Résultats de l'enquête [en ligne] ComplexDiscovery : Informations sur la découverte électronique. Disponible à : 22 août 2019]

(18) Robinson, R. (2019) Des plates-formes aux workflows : Enquête sur les technologies et protocoles de codage prédictif — Résultats de l'automne 2019 [en ligne] ComplexDiscovery : Information sur la découverte électronique. Disponible à : 12 février 2020].

(19) Robinson, R. (2020) Est-ce tout relatif ? Enquête sur les technologies et protocoles de codage prédictif - Résultats du printemps [en ligne] ComplexDiscovery : Information sur la découverte électronique. Disponible à : [Consulté le 7 août 2020].

Cliquez ici pour fournir des ajouts, des corrections et des mises à jour spécifiques.

Source : ComplexDiscovery

Mitratech acquiert Acuity ELM

According to Mike Williams, CEO of Mitratech, “We came to the...

Veritas acquiert Globanet

“By integrating Globanet’s technology into our digital compliance portfolio, we’re making...

Cinq grandes lectures sur la découverte électronique pour septembre 2020

From cloud forensics and cyber defense to social media and surveys,...

C'est l'heure d'un changement ? FTC propose des modifications aux règles sur les avis préalables à la fusion

The Federal Trade Commission, with the support of the Department of...

A Running List: Top 100+ eDiscovery Providers

Based on a compilation of research from analyst firms and industry...

Guide de l'acheteur des systèmes de divulgation électronique — Édition 2020 (Andrew Haslam)

Authored by industry expert Andrew Haslam, the eDisclosure Buyers Guide continues...

La course à la ligne de départ ? Annonces récentes d'examen sécurisé à distance

Not all secure remote review offerings are equal as the apparent...

Activation de la découverte électronique à distance ? Un instantané des DaaS

Desktop as a Service (DaaS) providers are becoming important contributors to...

À la maison ou à l'extérieur ? Considérations relatives à la taille du marché et à la tarification des collections eDis

One of the key home (onsite) or away (remote) decisions that...

Révisions et décisions ? Nouvelles considérations relatives aux examens à distance sécurisés eDiscovery

One of the key revision and decision areas that business, legal,...

Un aperçu macroéconomique de la taille du marché de la découverte électronique passée et projetée de 2012 à 2024

From a macro look at past estimations of eDiscovery market size...

Un Mashup sur la taille du marché de la découverte électronique : 2019-2024 Présentation mondiale des logiciels et services

While the Compound Annual Growth Rate (CAGR) for worldwide eDiscovery software...

Festif ou réactif ? Enquête sur la confiance des entreprises de l'automne 2020

Since January 2016, 2,189 individual responses to nineteen quarterly eDiscovery Business...

Couler un filet plus large ? Enquête sur les technologies et protocoles de codage prédictif — Résultats de l'automne 2020

The Predictive Coding Technologies and Protocols Survey is a non-scientific semi-annual...

Les affaires comme inhabituelles ? Dix-huit observations sur la confiance des entreprises eDiscovery à l'été 2020

Based on the aggregate results of nineteen past eDiscovery Business Confidence...

Une préoccupation croissante ? Les contraintes budgétaires et l'activité de la découverte électronique

In the summer of 2020, 56% of respondents viewed budgetary constraints...

Mitratech acquiert Acuity ELM

According to Mike Williams, CEO of Mitratech, “We came to the...

Veritas acquiert Globanet

“By integrating Globanet’s technology into our digital compliance portfolio, we’re making...

Une saison des Fêtes eDiscovery en dessous ? Macquarie prépare Nuix pour l'introduction en bourse

According to John Beveridge, writing for Small Caps, Macquarie holds a...

ayfie pour acquérir Haive

According to Johannes Stiehler, CEO of ayfie Group AS, “This acquisition...

Cinq grandes lectures sur la découverte électronique pour septembre 2020

From cloud forensics and cyber defense to social media and surveys,...

Cinq bonnes lectures sur eDiscovery pour août 2020

From predictive coding and artificial intelligence to antitrust investigations and malware,...

Cinq grandes lectures sur la découverte électronique pour juillet 2020

From business confidence and operational metrics to data protection and privacy...

Cinq grandes lectures sur la découverte électronique pour juin 2020

From collection market size updates to cloud outsourcing guidelines, the June...