Lançando uma rede mais larga? Pesquisa de Protocolos e Tecnologias de Codificação Preditiva — Resultados do Out

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

Nota do Editor: Estes são os resultados da quinta pesquisa semestral de tecnologias e protocolos de codificação preditiva realizada pela ComplexDiscovery. A partir de hoje, as cinco pesquisas forneceram feedback detalhado de 319 profissionais jurídicos, empresariais e tecnológicos sobre o uso de tecnologias específicas de aprendizado de máquina em codificação preditiva. As pesquisas também forneceram informações sobre o uso dessas tecnologias de aprendizado de máquina como parte de exemplos de protocolos de revisão assistidos por tecnologia.

Essa iteração da pesquisa teve 85 respondentes e continuou a se concentrar em tecnologias de codificação preditiva, protocolos, fluxos de trabalho e usos em todo o ecossistema de eDiscovery. A pesquisa do outono de 2020 também incluiu uma nova questão sobre a prevalência do uso de codificação preditiva como parte dos fluxos de trabalho de eDiscovery.

A pesquisa de tecnologias e protocolos de codificação preditiva queda 2020

O Predictive Coding Technologies and Protocols Survey é uma pesquisa não científica projetada para ajudar a fornecer uma compreensão geral do uso de tecnologias de codificação preditiva, protocolos e fluxos de trabalho por profissionais de descoberta de dados e descoberta legal dentro do ecossistema de eDiscovery. A pesquisa de outono de 2020 foi aberta de 7 de agosto de 2020 a 14 de agosto de 2020, com indivíduos convidados a participar diretamente pelo ComplexDiscovery.

Projetado para fornecer uma compreensão geral das tecnologias e protocolos de codificação preditiva, a pesquisa teve dois objetivos educacionais primários:

Fornecer uma listagem consolidada de potenciais definições de tecnologia de codificação preditiva, protocolo e fluxo de trabalho. Embora não seja tudo incluído ou abrangente, a listagem foi verificada com especialistas selecionados em codificação preditiva do setor quanto à integridade e precisão, portanto, parece ser rentável para uso em esforços educacionais.

Para perguntar aos profissionais do ecossistema de Descoberta Eletrônica sobre suas preferências e padrões de uso em relação a plataformas de codificação preditiva, tecnologias, protocolos, fluxos de trabalho e áreas de uso.

A pesquisa ofereceu aos respondentes a oportunidade de fornecer informações de base de codificação preditiva, incluindo sua plataforma de codificação preditiva primária, além de colocar cinco perguntas específicas aos respondentes. Essas perguntas são:

Com que frequência você usa codificação preditiva como parte do fluxo de trabalho de Descoberta Eletrônica? (Prevalência)

Quais tecnologias de codificação preditiva são utilizadas pela sua plataforma de eDiscovery? (Tecnologias)

Quais protocolos de revisão assistida por tecnologia são utilizados em sua entrega de codificação preditiva? (Protocolos)

Qual é o principal fluxo de trabalho de revisão assistida por tecnologia utilizado em sua entrega de codificação preditiva? (fluxo de trabalho)

Quais são as áreas em que você usa tecnologias de revisão assistida por tecnologia, protocolos e fluxos de trabalho? (Áreas de Uso)

Fechado em 14 de agosto de 2020, a pesquisa de outono de 2020 contou com 85 respondentes.

Principais resultados e observações

Visão geral do Respondente da Pesquisa de Protocolo e Tecnologia de Codificação Preditiva (Gráfico 1)

43,53% dos respondentes eram de escritórios de advocacia.

35,29% dos respondentes eram de organizações de provedores de software ou serviços.

Os restantes 21,18% dos respondentes faziam parte de uma consultoria (8,24%), de uma empresa (4,71%), do governo (1,18%) ou de outro tipo de entidade (7,06%).

Plataforma Primária de Codificação Preditiva (Gráfico 2)

89,41% dos respondentes relataram ter pelo menos uma plataforma primária para codificação preditiva.

Havia 22 plataformas diferentes relatadas como uma plataforma de codificação preditiva primária pelos respondentes.

A relatividade foi relatada como uma plataforma de codificação preditiva primária por 36,47% dos respondentes à pesquisa.

As duas principais plataformas foram relatadas como uma plataforma de codificação preditiva primária por 52,94% dos respondentes da pesquisa.

10,59% dos respondentes relataram não ter uma plataforma primária para codificação preditiva.

Prevalência do Uso de Codificação Preditiva na Descoberta Eletrônica (Gráfico 3)

Mais de um terço dos respondentes ao questionário (36,47%) relataram usar codificação preditiva em seu fluxo de trabalho de Descoberta Eletrônica em mais de 50% do tempo.

80% dos respondentes relataram usar codificação preditiva em seu fluxo de trabalho de eDiscovery pelo menos 5% do tempo.

Apenas 20% dos respondentes relataram o uso de codificação preditiva em seu fluxo de trabalho de Descoberta Eletrônica menos de 5% do tempo.

Emprego de Tecnologia de Codificação Preditiva (Gráfico 4)

A Aprendizagem Ativa foi relatada como a tecnologia de codificação preditiva mais utilizada, com 88,24% dos respondentes utilizando-a em seus esforços de codificação preditiva.

36,47% dos respondentes relataram usar apenas uma tecnologia de codificação preditiva em seus esforços de codificação preditiva.

61,18% dos respondentes relataram usar mais de uma tecnologia de codificação preditiva em seus esforços de codificação preditiva.

2,35% dos respondentes não relataram o uso de nenhuma tecnologia de codificação preditiva específica.

Protocolo de Revisão Assistida pela Tecnologia Emprego (Gráfico 5)

Todos os protocolos assistidos por tecnologia listados para codificação preditiva foram relatados como sendo usados por pelo menos um respondente de pesquisa.

O Continuous Active Learning® (CAL®) foi relatado como o protocolo de codificação preditiva mais utilizado, com 88,24% dos respondentes utilizando-o em seus esforços de codificação preditiva.

49,41% dos respondentes relataram usar apenas um protocolo de codificação preditiva em seus esforços de codificação preditiva.

48,24% dos respondentes relataram usar mais de um protocolo de codificação preditiva em seus esforços de codificação preditiva.

2,35% dos respondentes relataram não usar nenhum protocolo de codificação preditiva.

Emprego do fluxo de trabalho de revisão assistida pela tecnologia (Gráfico 6)

68,24% dos respondentes relataram usar a Revisão Assistida por Tecnologia (TAR) 2.0 como um fluxo de trabalho principal na entrega de codificação preditiva.

8,24% dos respondentes relataram usar o TAR 1.0 e 11,76% dos respondentes relataram usar o TAR 3.0 como um fluxo de trabalho principal na entrega de codificação preditiva.

11,76% dos respondentes não relataram o uso do TAR 1.0, TAR 2.0 ou TAR 3.0 como fluxo de trabalho principal na entrega de codificação preditiva.

Usos de revisão assistida por tecnologia (Gráfico 7)

92,94% dos respondentes relataram o uso de revisão assistida por tecnologia em mais de uma área de dados e descoberta legal.

94,12% dos respondentes referiram utilizar a revisão assistida por tecnologia para a identificação de documentos relevantes.

16,47% dos respondentes relataram o uso de revisão assistida por tecnologia para controle de informações e eliminação de dados.

Gráficos de pesquisa

(Os gráficos podem ser expandidos para visualização detalhada.)

Gráfico 1: Visão geral do Respondente do questionário (Segundo plano)

1-Tecnologias de codificação preditiva-e-protocolos-pesquisa-Overview-outono-2020

Gráfico 2: Nome da Plataforma de Codificação Preditiva Primária (Plano de Fundo)

2-Plataformas de codificação preditiva primária-outono-2020

Gráfico 3: Com que frequência você usa codificação preditiva como parte do fluxo de trabalho de Descoberta Eletrônica? (Pergunta #1)

3-Codição-Preditiva-Uso-Prevalência-queda-2020

Gráfico 4: Quais tecnologias de codificação preditiva são utilizadas pela sua plataforma de eDiscovery? (Pergunta #2)

4-Tecnologia de codificação preditiva-usada-outono-2020

Quadro 5: Quais protocolos de revisão assistida por tecnologia são utilizados em sua entrega de codificação preditiva? (Pergunta #3)

5-Tecnologia-Assisti-Revisão-Protocolo-Uso-outono-2020

Gráfico 6: Qual é o fluxo de trabalho principal de revisão assistida por tecnologia utilizado em sua entrega de codificação preditiva? (Pergunta #4)

6-Tecnologia-Assisti-Revisão-Fluxo de trabalho-Uso-outono-2020

Quadro 7: Quais são as áreas em que você usa tecnologias de revisão assistida por tecnologia, protocolos e fluxos de trabalho? (Pergunta #5)

7-Tecnologia-Assisti-Revisão-Usos-outono-2020

Tecnologias e protocolos de codificação preditiva (processador em segundo plano de pesquisa)

Conforme definido no Glossário Grossman-Cormack de Revisão Assistida por Tecnologia (1), a Codificação Preditiva é um termo específico da indústria geralmente usado para descrever um processo de revisão assistida por tecnologia envolvendo o uso de um algoritmo de aprendizado de máquina para distinguir documentos relevantes de não relevantes, com base em um assunto codificação de um conjunto de documentos de formação por peritos. Esta definição de codificação preditiva fornece uma descrição de linha de base que identifica uma função específica que um conjunto geral de algoritmos de aprendizado de máquina comumente aceitos pode usar em uma revisão assistida por tecnologia (TAR).

Com a crescente conscientização e uso da codificação preditiva na área jurídica hoje, parece que é cada vez mais importante para os profissionais de descoberta eletrônica ter uma compreensão geral das tecnologias que podem ser implementadas em plataformas de descoberta eletrônica para facilitar a codificação preditiva de informações armazenadas eletronicamente. Esta compreensão geral é essencial, pois cada abordagem algorítmica potencial tem vantagens e desvantagens de eficiência que podem afetar a eficiência e eficácia da codificação preditiva.

Para ajudar no desenvolvimento dessa compreensão geral das tecnologias de codificação preditiva e fornecer uma oportunidade para os provedores de descoberta eletrônica compartilharem as tecnologias e protocolos que eles usam em e com suas plataformas para realizar codificação preditiva, as seguintes listas de trabalho de codificação preditiva e protocolos TAR são fornecidos para seu uso. Listas de trabalho sobre fluxos de trabalho de codificação preditiva e usos também são incluídas para sua consideração, pois ajudam a definir como as tecnologias de codificação preditiva e os protocolos TAR são implementados e usados.

Uma Lista de Trabalho de Tecnologias de Codificação Preditiva (1,2,3,4)

Agregada de especialistas em descoberta eletrônica com base em publicações profissionais e conversas pessoais, fornecida abaixo está uma lista de trabalho não inclusiva de tecnologias de aprendizado de máquina identificadas que foram aplicadas ou têm o potencial de serem aplicadas à disciplina de eDiscovery para facilitar codificação preditiva. Esta lista de trabalho foi projetada para fornecer um ponto de referência para tecnologias de codificação preditiva identificadas e pode, ao longo do tempo, incluir adições, ajustes e emendas com base no feedback de especialistas e organizações que aplicam e implementam essas tecnologias convencionais em suas plataformas específicas de eDiscovery.

Listados em Ordem Alfabética

Aprendizagem Ativa: Um processo, tipicamente iterativo, pelo qual um algoritmo é usado para selecionar documentos que devem ser revisados para treinamento com base em uma estratégia para ajudar o algoritmo de classificação a aprender de forma eficiente.

Árvore de Decisão: um método passo a passo de distinguir entre documentos relevantes e não relevantes, dependendo da combinação de palavras (ou outras características) que contêm. Uma Árvore de Decisão para identificar documentos relativos a derivados financeiros pode primeiro determinar se um documento continha ou não a palavra “swap”. Se isso acontecer, a Árvore de Decisão pode determinar se o documento continha ou não “crédito”, e assim por diante. Uma Árvore de Decisão pode ser criada por meio de engenharia de conhecimento ou aprendizado de máquina.

Classificador vizinho mais próximo de K (K-nn): um algoritmo de classificação que analisa os documentos de exemplo k que são mais semelhantes (mais próximos) ao documento que está sendo classificado para determinar a melhor classificação para o documento. Se k for muito pequeno (por exemplo, k=1), pode ser extremamente difícil conseguir uma alta recuperação.

Análise Semântica Latente (LSA): Uma representação matemática de documentos que trata palavras altamente correlacionadas (isto é, palavras que tendem a ocorrer nos mesmos documentos) como sendo, em certo sentido, equivalentes ou intercambiáveis. Essa equivalência ou intercambiabilidade pode permitir que algoritmos identifiquem documentos como sendo conceitualmente semelhantes, mesmo quando eles não estão usando as mesmas palavras (por exemplo, porque os sinônimos podem estar altamente correlacionados), embora também descarte algumas informações potencialmente úteis e pode levar a resultados indesejáveis causados por Correlações espúrias.

Regressão Logística: Um algoritmo de aprendizado supervisionado de última geração para aprendizado de máquina que estima a probabilidade de um documento ser relevante, com base nos recursos que ele contém. Em contraste com o algoritmo Naïve Bayes, a Regressão Logística identifica características que discriminam documentos relevantes e não relevantes.

Classificador Bayesiano Naïve: Um sistema que examina a probabilidade de que cada palavra em um novo documento veio da distribuição de palavras derivada de um documento responsivo treinado ou documentos não-responsivos treinados. O sistema é ingénuo no sentido de que assume que todas as palavras são independentes umas das outras.

Rede Neural: Uma Rede Neural Artificial (ANN) é um modelo computacional. Baseia-se na estrutura e funções das redes neurais biológicas. Funciona como a forma como o cérebro humano processa a informação. Ele inclui um grande número de unidades de processamento conectadas que trabalham juntas para processar informações.

Análise Semântica Latente Probabilística (PLSA): Este é semelhante em espírito ao LSA, mas usa um modelo probabilístico para alcançar resultados que se espera que sejam melhores.

Florestas Aleatórias: Um método de aprendizagem de conjunto para classificação, regressão e outras tarefas, que operam construindo uma infinidade de árvores de decisão no tempo de treinamento e expondo a classe que é o modo das classes (classificação) ou previsão média (regressão) das árvores individuais. Florestas de decisão aleatória corrigir o hábito das árvores de decisão de sobreajustar ao seu conjunto de treinamento.

Feedback de Relevância: Um processo de aprendizagem ativo no qual os documentos com maior probabilidade de relevância são codificados por um ser humano e adicionados ao conjunto de treinamento.

Suporte Vector Machine: Uma abordagem matemática que procura encontrar uma linha que separa documentos responsivos de não-responsivos para que, idealmente, todos os documentos responsivos estejam de um lado da linha e todos os não-responsivos estejam do outro lado.

Protocolos gerais TAR (5,6,7,8,9,10)

Além disso, essas tecnologias são geralmente empregadas como parte de um protocolo TAR que determina como as tecnologias são usadas. Exemplos de protocolos TAR incluem:

Listados em Ordem Alfabética

Continuous Active Learning® (CAL®): No CAL®, o método TAR desenvolvido, usado e defendido por Maura R. Grossman e Gordon V. Cormack, após o conjunto de treinamento inicial, o aluno seleciona repetidamente os documentos mais propensos a serem relevantes (que ainda não foram considerados) para revisão, codificação e treinamento, e continua a fazê-lo até que não possa mais encontrar documentos mais relevantes. Geralmente não há uma segunda revisão porque, no momento em que o aluno deixa de aprender, todos os documentos considerados relevantes pelo aluno já foram identificados e revisados manualmente.

Método Multimodal Híbrido: Uma abordagem desenvolvida pela E-Discovery Team (Ralph Losey) que inclui todos os tipos de métodos de pesquisa, com a principal dependência colocada na codificação preditiva e no uso de documentos de alto nível para treinamento ativo contínuo.

Aprendizagem ativa contínua escalável (S-CAL): a diferença essencial entre S-CAL e CAL® é que, para S-CAL, apenas uma amostra finita de documentos de cada lote sucessivo é selecionada para rotulagem, e o processo continua até que a coleta — ou uma grande amostra aleatória da coleção — seja esgotada. Juntas, as amostras finitas formam uma amostra estratificada da população documental, da qual uma estimativa estatística de ρ pode ser derivada.

Aprendizagem Ativa Simples (SAL): Nos métodos SAL, após o conjunto de treinamento inicial, o aluno seleciona os documentos a serem revisados e codificados pelo professor, e utilizados como exemplos de treinamento, e continua a selecionar exemplos até que seja suficientemente treinado. Normalmente, os documentos que o aluno escolhe são aqueles sobre os quais o aluno tem menos certeza e, portanto, a partir dos quais ele aprenderá mais. Uma vez suficientemente treinado, o aluno é então usado para rotular todos os documentos da coleção. Tal como acontece com o SPL, os documentos rotulados como relevantes geralmente são revistos manualmente.

Aprendizagem Passiva Simples (SPL): Em métodos de aprendizagem passiva simples (“SPL”), o professor (ou seja, operador humano) seleciona os documentos a serem usados como exemplos de treinamento; o aluno é treinado usando esses exemplos, e uma vez suficientemente treinado, é usado para rotular todos os documentos da coleção como relevantes ou nãorelevante. Geralmente, os documentos rotulados como relevantes pelo aluno são revisados manualmente novamente. Esta revisão manual representa uma pequena fração da coleção e, portanto, uma pequena fração do tempo e do custo de uma revisão manual exaustiva.

Fluxos de trabalho TAR (11)

Os fluxos de trabalho TAR representam a aplicação prática de tecnologias e protocolos de codificação preditiva para definir abordagens para concluir tarefas de codificação preditiva. Três exemplos de fluxos de trabalho TAR incluem:

O TAR 1.0 envolve uma fase de treinamento seguida de uma fase de revisão com um conjunto de controle sendo usado para determinar o ponto ideal quando você deve mudar de treinamento para revisão. O sistema não aprende mais uma vez que a fase de treinamento é concluída. O conjunto de controle é um conjunto aleatório de documentos que foram revisados e marcados como relevantes ou não relevantes. Os documentos do conjunto de controle não são usados para treinar o sistema. Eles são usados para avaliar as previsões do sistema para que o treinamento possa ser encerrado quando os benefícios de treinamento adicional não superam mais o custo de treinamento adicional. O treinamento pode ser com documentos selecionados aleatoriamente, conhecidos como Aprendizagem Passiva Simples (SPL), ou pode envolver documentos escolhidos pelo sistema para otimizar a eficiência do aprendizado, conhecido como Aprendizagem Ativa Simples (SAL).

O TAR 2.0 usa uma abordagem chamada Continuous Active Learning® (CAL®), o que significa que não há separação entre treinamento e revisão — o sistema continua aprendendo ao longo do tempo. Embora muitas abordagens possam ser usadas para selecionar documentos para revisão, um componente significativo do CAL® é muitas iterações de prever quais documentos são mais propensos a ser relevantes, revisá-los e atualizar as previsões. Ao contrário do TAR 1.0, o TAR 2.0 tende a ser muito eficiente mesmo quando a prevalência é baixa. Como não há separação entre treinamento e revisão, o TAR 2.0 não requer um conjunto de controle. Gerar um conjunto de controle pode envolver a revisão de um grande número (especialmente quando a prevalência é baixa) de documentos não relevantes, portanto evitar conjuntos de controle é desejável.

O TAR 3.0 requer um algoritmo de agrupamento conceitual de alta qualidade que forma clusters focados estreitamente de tamanho fixo no espaço conceitual. Ela aplica a metodologia TAR 2.0 apenas aos centros de cluster, o que garante que um conjunto diversificado de documentos potencialmente relevantes seja revisado. Quando não forem encontrados mais centros de cluster relevantes, os centros de cluster revisados são usados como documentos de treinamento para fazer previsões para toda a população de documentos. Não há necessidade de um conjunto de controle — o sistema é bem treinado quando não é possível encontrar centros de cluster relevantes adicionais. A análise dos centros de cluster que foram revisados fornece uma estimativa da prevalência e do número de documentos não relevantes que seriam produzidos se os documentos fossem produzidos com base puramente nas previsões sem revisão humana. O usuário pode decidir produzir documentos (não identificados como potencialmente privilegiados) sem revisão, semelhante ao SAL do TAR 1.0 (mas sem um conjunto de controle), ou ele/ela pode decidir revisar documentos que têm muito risco de não serem relevantes (que podem ser usados como treinamento adicional para o sistema, ou seja, CAL®). O ponto chave é que o usuário tem as informações que ele precisa para tomar uma decisão sobre como proceder após concluir a revisão dos centros de cluster que provavelmente serão relevantes, e nada feito antes que esse ponto seja invalidado pela decisão (comparar com o TAR 1.0, revisar um conjunto de controle, encontrar que as previsões não são boas o suficiente para produzir documentos sem revisão e, em seguida, mudar para o TAR 2.0, o que torna o conjunto de controle praticamente inútil).

Usos do TAR (12)

Tecnologias, protocolos e fluxos de trabalho TAR podem ser usados de forma eficaz para ajudar os profissionais de Descoberta Eletrônica a realizar muitas tarefas de descoberta de dados e descoberta legal. Nove exemplos comumente considerados de uso de TAR incluem:

Identificação dos documentos relevantes

Avaliação Antecipada/Investigação de Casos

Priorização para revisão

Categorização (Por Problemas, Para Confidencialidade ou Privacidade)

Revisão de privilégio

Controle de Qualidade e Garantia de Qualidade

Revisão de Incoming Productions

Preparação de disposição/teste

Governança de informações e disposição de dados

Informações da pesquisa (13,14,15,16,17,18, 19)

Referências

(1) Grossman, M. e Cormack, G. (2013). O Glossário Grossman-Cormack de Revisão Assistida por Tecnologia. [ebook] Revisão da Lei dos Tribunais Federais. Disponível em: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Acessado em 31 de agosto de 2018].

(2) Dimm, B. (2018). Experiência em Codificação Preditiva. [email].

(3) Roitblat, H. (2013). Introdução à Codificação Preditiva. OrcaTec. Disponível em: 31 de agosto de 2018].

(4) Tredennick, J. e Pickens, J. (2017). Aprendizagem profunda em e-Discovery: Movendo para além do hype. [online] CatalystSecure.com. Disponível em: 31 de agosto de 2018].

(5) Grossman, M. e Cormack, G. (2017). Revisão Assistida por Tecnologia em Descoberta Eletrônica. [ebook] Disponível em: 31 Ago 2018].

(6) Grossman, M. e Cormack, G. (2016). Aprendizagem ativa contínua para TAR. [ebook] Lei Prática. Disponível em: 31 de agosto de 2018].

(7) Grossman, M. e Cormack, G. (2016). Escalabilidade da Aprendizagem Ativa Contínua para Classificação Confiável de Texto Alta [ebook] Disponível em: 3 Set. 2018].

(8) Losey, R., Sullivan, J. e Reichenberger, T. (2015). e-Discovery Team no TREC 2015 Total Recall Track. [ebook] Disponível em: 1 Set. 2018].

(9) “Marca de Aprendizagem Activa Contínua de Maura Grossman e Gordon V. Cormack — Número de Registro 5876987 — Número de Série 86634255። Marcas Justia”. Marcas registradas.Justia.com, 2020, 12 Fev 2020].

(10) “Marca comercial CAL de Maura Grossman e Gordon V. Cormack — Número de registo 5876988 — Número de série 86634265። Marcas comerciais Justia”. Marcas registradas.Justia.com, 2020, 12 Fev 2020].

(11) Dimm, B. (2016), Desempenho TAR 3.0. [online] Blog Clustify — Descoberta Eletrônica, Clustering de Documentos, Codificação Preditiva, Recuperação de Informações e Desenvolvimento de Software. Disponível em: 18 de fevereiro de 2019].

(12) Modelo de Referência de Descoberta Eletrônica (EDRM) (2019). Diretrizes de Revisão Assistida por Tecnologia (TAR). [online] Disponível em: 18 Fev 2019].

(13) Dimm, B. (2018). TAR, Proporcionalidade e Algoritmos Inadequados (1-NN). [online] Blog Clustify — Descoberta Eletrônica, Clustering de Documentos, Codificação Preditiva, Recuperação de Informações e Desenvolvimento de Software. Disponível em: 31 de agosto de 2018].

(14) Robinson, R. (2013). Resultados em Execução: Pesquisa de Implementação de Provedor de Codificação Preditiva de Uma [online] ComplexDiscovery: Informações de Descoberta Eletrônica. Disponível em: 31 de agosto de 2018].

(15) Robinson, R. (2018). Uma lista em execução: 100 principais provedores de eDiscovery. [online] ComplexDiscovery: Informações de Descoberta Eletrônica. Disponível em: 31 de agosto de 2018].

(16) Robinson, R. (2018) Relativamente falando: Tecnologias de codificação preditiva e protocolos Resultados da pesquisa [online] ComplexDiscovery: informações de descoberta eletrônica. Disponível em: 18 de fevereiro de 2019].

(17) Robinson, R. (2019) Aprendendo ativamente? Resultados da pesquisa de protocolos e tecnologias de codificação preditiva [online] complexDiscovery: informações de descoberta eletrônica. Disponível em: 22 de agosto de 2019]

(18) Robinson, R. (2019) Das plataformas aos fluxos de trabalho: Pesquisa de protocolos e tecnologias de codificação preditiva — Resultados do outono de 2019 [online] ComplexDiscovery: informações de eDiscovery. Disponível em: 12 de fevereiro de 2020].

(19) Robinson, R. (2020) É Tudo Relativo? Pesquisa de protocolos e tecnologias de codificação preditiva - Spring Results [online] ComplexDiscovery: informações de descoberta eletrônica. Disponível em: [Acessado em 7 de agosto de 2020].

Clique aqui para fornecer adições, correções e atualizações específicas.

Fonte: ComplexDiscovery

[Annual Update] The Intersection of International Law and Cyber Operations: An Interactive Cyber Law Toolkit

The Cyber Law Toolkit is a dynamic interactive web-based resource for legal professionals...

Reynen Court Secures Additional Funding

According to the media release, Reynen Court has secured $4.5 million...

Da detecção proativa às revisões de violação de dados: descoberta e extração de dados confidenciais com Ascema

A steady rise in the number of sensitive data discovery requirements...

Redefinindo a linha de base? Ajustes de tamanho do mercado de eDiscovery

An unanticipated pandemeconomic-driven retraction in eDiscovery spending during 2020 has resulted...

A Running List: Top 100+ eDiscovery Providers

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

Guia de Compradores de Sistemas de Disclosure — Edição 2020 (Andrew Haslam)

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

A Corrida para a Linha de Partida? Anúncios recentes de revisão remota segura

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

Ativando a Descoberta Eletrônica Remota? Um instantâneo de DAaS

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

Redefinindo a linha de base? Ajustes de tamanho do mercado de eDiscovery

An unanticipated pandemeconomic-driven retraction in eDiscovery spending during 2020 has resulted...

Para casa ou para fora? Considerações de preço e dimensionamento do mercado de coleta de eDiscovery

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

Revisões e decisões? Novas considerações sobre análises remotas seguras de eDiscovery

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

Uma visão macro do tamanho do mercado de descoberta eletrônica passado e projetado de 2012 a 2024

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

Uma Temporada de Mudança? Dezoito observações sobre a confiança dos negócios do eDiscovery no outono de 2020

In the fall of 2020, 77.2% of eDiscovery Business Confidence Survey...

O Caso Continuado de Restrições Orçamentárias no Negócio de eDiscovery

In the fall of 2020, 49.4% of respondents viewed budgetary constraints...

Contas pendentes? Métricas operacionais de eDiscovery no outono de 2020

In the fall of 2020, eDiscovery Business Confidence Survey more...

Segurando o leme? Resultados da Pesquisa de Confiança Empresarial de eDiscovery

This is the twentieth quarterly eDiscovery Business Confidence Survey conducted by...

Reynen Court Secures Additional Funding

According to the media release, Reynen Court has secured $4.5 million...

DISCO levanta US $60 milhões

According to the media release, DISCO will use this investment to...

Rampiva e o Grupo RYABI

According to today's announcement, the RYABI Group merger is Rampiva's first...

eDiscovery Fusões, aquisições e investimentos no terceiro trimestre de 2020

From HaystackID and NightOwl Global to Reveal Data and NexLP, the...

Cinco ótimas leituras sobre eDiscovery em outubro de 2020

From business confidence and captive ALSPs to digital republics and mass...

Cinco ótimas leituras sobre eDiscovery em setembro de 2020

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

Cinco grandes leituras sobre eDiscovery para agosto de 2020

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

Cinco grandes leituras sobre eDiscovery em julho de 2020

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