Кастинг более широкой сети? Исследование технологий и протоколов прогнозирования кодирования — результаты осени 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

Примечание редактора: Таковы результаты пятого полугодового исследования технологий и протоколов прогнозного кодирования, проведенного ComplexDiscovery. На сегодняшний день пять опросов дали подробную информацию от 319 специалистов в области права, бизнеса и технологий об использовании конкретных технологий машинного обучения в прогностическом кодировании. Обследования также позволили получить представление об использовании этих технологий машинного обучения в качестве части примеров протоколов обзора с использованием технологий.

Эта итерация опроса имела 85 респондентов и продолжала фокусироваться на технологиях прогнозирования кодирования, протоколах, рабочих процессах и использовании в экосистеме раскрытия электронных данных. Опрос осени 2020 года также включал один новый вопрос о распространенности использования прогнозного кодирования в рамках рабочих процессов раскрытия электронных данных.

Исследование технологий и протоколов прогнозирования кодирования осенью 2020 года

Исследование технологий и протоколов прогнозирования кодирования представляет собой ненаучное исследование, призванное помочь получить общее представление об использовании технологий, протоколов и рабочих процессов прогнозирования кодирования специалистами по обнаружению данных и юридическому обнаружению в экосистеме eDiscovery. Опрос осенью 2020 года был открыт с 7 августа 2020 года по 14 августа 2020 года, при этом отдельные лица были приглашены к участию непосредственно компанией ComplexDiscovery.

Цель обследования заключалась в том, чтобы обеспечить общее понимание технологий и протоколов прогностического кодирования, заключалась в двух основных образовательных целях:

Предоставление сводного списка потенциальных технологий прогнозирования кодирования, протоколов и определений рабочих процессов. Хотя этот перечень не является всеобъемлющим или всеобъемлющим, он проверялся отдельными отраслевыми экспертами по прогнозированию кодирования на предмет полноты и точности, что, как представляется, выгодно использовать его в образовательных усилиях.

Спросите специалистов по экосистемам eDiscovery об их предпочтениях и шаблонах использования в отношении платформ прогнозного кодирования, технологий, протоколов, рабочих процессов и областей использования.

Обследование дало респондентам возможность представить исходную информацию о прогнозном кодировании, включая их первичную платформу прогнозирования кодирования, а также задало пять конкретных вопросов респондентам. К числу этих вопросов относятся:

Как часто вы используете прогнозное кодирование в рамках рабочего процесса обнаружения электронных данных? (Распространенность)

Какие технологии предиктивного кодирования используются вашей платформой eDiscovery? (Технологии)

Какие протоколы обзора с использованием технологий используются при поставке прогнозного кодирования? (Протоколы)

Каков основной технологический процесс проверки, используемый при предоставлении прогнозного кодирования? (Рабочий процесс)

В каких областях вы используете технологии обзора, протоколы и рабочие процессы с использованием технологий? (Области применения)

Опрос осенью 2020 года был закрыт 14 августа 2020 года, в опросе приняли 85 респондентов.

Основные результаты и наблюдения

Обзор респондентов по технологии прогнозирования кодирования и протокольным обследованием (диаграмма 1)

43,53% респондентов были из юридических фирм.

35,29% респондентов составляли представители организаций, предоставляющих программное обеспечение или услуги.

Остальные 21,18% респондентов были либо частью консалтинговой (8,24%), корпорации (4,71%), правительства (1,18%) или другого типа юридических лиц (7,06%).

Первичная платформа прогнозирования кодирования (диаграмма 2)

89,41% респондентов сообщили, что у них есть хотя бы одна основная платформа для прогностического кодирования.

Было зарегистрировано 22 различных платформ, которые респонденты сообщили в качестве основной платформы прогнозирования кодирования.

Согласно сообщениям, относительность является основной платформой для прогнозирования кодирования 36,47% респондентов опроса.

Две основные платформы были зарегистрированы в качестве основной платформы прогнозирования для кодирования 52,94% респондентов опроса.

10,59% респондентов сообщили, что у них нет основной платформы для прогностического кодирования.

Распространенность использования прогнозного кодирования в раскрытии электронных данных (диаграмма 3)

Более трети респондентов опроса (36,47%) сообщили об использовании прогностического кодирования в своем рабочем процессе обнаружения электронных данных более 50% времени.

80% респондентов сообщили о том, что они используют прогностическое кодирование в своем рабочем процессе обнаружения электронных данных не менее 5% времени.

Только 20% респондентов сообщили об использовании прогностического кодирования в своем рабочем процессе обнаружения электронных данных менее 5% времени.

Использование технологий прогнозирования кодирования (диаграмма 4)

Активное обучение было заявлено как наиболее используемая технология предиктивного кодирования, при этом 88,24% респондентов использовали ее в своих усилиях по прогнозированию кодирования.

36,47% респондентов сообщили об использовании только одной технологии прогнозирования кодирования в своих усилиях по прогнозированию кодирования.

61,18% респондентов сообщили об использовании более чем одной технологии прогнозирования кодирования в своих усилиях по предиктивному кодированию.

2,35% респондентов не сообщали об использовании какой-либо конкретной технологии прогнозирования кодирования.

Протокол обзора занятости с использованием технологий (диаграмма 5)

Сообщалось, что все перечисленные технологические протоколы для прогностического кодирования используются по крайней мере одним респондентом обследования.

Непрерывное активное обучение (CAL®) было заявлено как наиболее часто используемый протокол предиктивного кодирования, при этом 88,24% респондентов использовали его в своих усилиях по предиктивному кодированию.

49,41% респондентов сообщили об использовании только одного протокола прогнозного кодирования в своих усилиях по предиктивному кодированию.

48,24% респондентов сообщили об использовании более чем одного протокола прогнозного кодирования в своих усилиях по предиктивному кодированию.

2,35% респондентов сообщили, что они не используют какой-либо протокол прогнозного кодирования.

Занятость рабочего процесса с использованием технологий (диаграмма 6)

68,24% респондентов сообщили об использовании технологии Assisted Review (TAR) 2.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

8,24% респондентов сообщили об использовании TAR 1.0 и 11,76% респондентов сообщили об использовании TAR 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

11,76% респондентов не сообщали об использовании TAR 1.0, TAR 2.0 или TAR 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

Использование технических средств для обзора (диаграмма 7)

92,94% респондентов сообщили о том, что они использовали технический анализ в более чем одной области данных и юридических открытий.

94,12% респондентов сообщили об использовании технических средств обзора для идентификации соответствующих документов.

16,47% респондентов сообщили о том, что они используют технический обзор для управления информацией и распоряжения данными.

Диаграммы съемки

(Диаграммы могут быть расширены для подробного просмотра.)

Диаграмма 1: Обзор респондента опроса (справочная информация)

1-Прогнозное кодирование - Технологии и Протоколы-Опрос - Обзор - Осень-2020

Диаграмма 2: Название первичной платформы предиктивного кодирования (фон)

2-первичный прогнозно-кодировальный платформ-Осень-2020

Диаграмма 3. Как часто вы используете прогнозное кодирование в рамках рабочего процесса обнаружения электронных данных? (Вопрос #1)

3-Прогнозное кодирование - использование - Преваленсия-Осень-2020

Диаграмма 4. Какие технологии прогнозирования используются вашей платформой обнаружения электронных данных? (Вопрос #2)

4-Прогнозное кодирование - использование-Осень-2020

Диаграмма 5: Какие протоколы обзора с использованием технологий используются при осуществлении прогнозного кодирования? (Вопрос #3)

5-Технологии - Обзор - Протокол - использование - Осень-2020

Диаграмма 6: Каков основной технологический процесс анализа, используемый при выполнении прогнозного кодирования? (Вопрос #4)

6-Технология-Ассистированный Обзор-Рабочий поток-использование-Осень-2020

Диаграмма 7. В каких областях используются технологии обзора, протоколы и рабочие процессы с использованием технологий? (Вопрос #5)

7-Технологии-Ассисти-Обзор-использование-Осень-2020

Технологии и протоколы прогностического кодирования (справочное исследование)

Как определено в Глоссарии по технологическому обзору Grossman-Cormack (1), прогнозное кодирование является отраслевым термином, обычно используемым для описания процесса обзора с использованием технологии, предусматривающего использование алгоритма машинного обучения для проведения различия между актуальными и не относящимися к делу документами на основе предмета кодирование экспертом учебного набора документов. Это определение прогнозного кодирования обеспечивает базовое описание, которое идентифицирует одну конкретную функцию, которую общий набор общепринятых алгоритмов машинного обучения может использовать в ходе обзора с помощью технологии (TAR).

С учетом растущего понимания и использования прогностического кодирования в правовой сфере сегодня представляется, что специалистам по обнаружению электронных средств становится все более важным иметь общее представление о технологиях, которые могут быть внедрены на платформах электронного обнаружения в целях содействия прогнозированию кодирования информации, хранящейся в электронном виде. Такое общее понимание имеет важное значение, поскольку каждый потенциальный алгоритмический подход имеет преимущества и недостатки эффективности, которые могут повлиять на эффективность и действенность прогнозного кодирования.

В целях содействия развитию общего понимания технологий прогнозирования кодирования и предоставления поставщикам электронных средств обнаружения возможности для обмена технологиями и протоколами, которые они используют в своих платформах, а также с их платформами для достижения прогнозного кодирования, следующие рабочие перечни и протоколы TAR предоставляются для вашего использования. На ваше рассмотрение также включены рабочие списки по рабочим процессам и видам использования прогнозного кодирования, поскольку они помогают определить, как внедряются и используются технологии прогнозного кодирования и протоколы TAR.

Рабочий список технологий прогнозирования кодирования (1,2,3,4)

Ниже представлен неполный рабочий список идентифицированных технологий машинного обучения, которые были применены или потенциально могут быть применены к дисциплине eDiscovery для облегчения прогностическое кодирование. Этот рабочий список призван служить ориентиром для определенных технологий прогнозирования кодирования и со временем может включать дополнения, корректировки и изменения, основанные на отзывах экспертов и организаций, применяющих и внедряющих эти основные технологии в своих конкретных платформах раскрытия электронных данных.

Перечислится в алфавитном порядке

Активное обучение: процесс, обычно итеративный, при котором алгоритм используется для выбора документов, которые должны быть рассмотрены для обучения на основе стратегии, помогающей алгоритму классификации учиться эффективно.

Дерево решений: Пошаговый метод разграничения между соответствующими и не относящимися к делу документами в зависимости от того, какое сочетание слов (или других особенностей) они содержат. Дерево принятия решений для идентификации документов, относящихся к производным финансовым инструментам, может сначала определить, содержит ли документ слово «своп». Если это так, дерево решений может определить, содержит ли документ «кредит» и так далее. Дерево решений может быть создано либо с помощью инженерии знаний, либо машинного обучения.

K-Nearest Neighbor Classifier (K-nN): алгоритм классификации, который анализирует k примеров документов, наиболее схожих (ближайших) с классифицируемым документом, чтобы определить наилучшую классификацию для документа. Если k слишком мал (например, k=1), то достичь высокого уровня отзыва может быть крайне сложно.

Латентный семантический анализ (LSA): математическое представление документов, которое рассматривает очень коррелированные слова (т.е. слова, которые обычно встречаются в одних и тех же документах) как эквивалентные или взаимозаменяемые. Такая эквивалентность или взаимозаменяемость может позволить алгоритмам идентифицировать документы как концептуально схожие, даже если они не используют одни и те же слова (например, потому что синонимы могут быть сильно коррелированы), хотя это также отбрасывает некоторую потенциально полезную информацию и может привести к нежелательным результатам, вызванным ложные корреляции.

Логистическая регрессия: современный управляемый алгоритм обучения для машинного обучения, который оценивает вероятность того, что документ является релевантным, исходя из особенностей, которые он содержит. В отличие от наивного Байеса, алгоритм Logistic Regression определяет особенности, которые различаются между соответствующими и не относящимися к делу документами.

Наивный байесовский классификатор: система, которая изучает вероятность того, что каждое слово в новом документе пришло из распределения слов, полученного из подготовленного отзывчивого документа или подготовленных неотзывчивых документов. Система наивна в том смысле, что она предполагает, что все слова независимы друг от друга.

Нейронная сеть: искусственная нейронная сеть (ANN) представляет собой вычислительную модель. Она основана на структуре и функциях биологических нейронных сетей. Он работает так же, как человеческий мозг обрабатывает информацию. Она включает в себя большое количество подключенных процессорных единиц, которые работают вместе для обработки информации.

Вероятностный латентный семантический анализ (PLSA): Это похоже на LSA по духу, но он использует вероятностную модель для достижения результатов, которые, как ожидается, будут лучше.

Случайные леса: метод ансамбля обучения для классификации, регрессии и других задач, которые работают путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов (классификации) или среднего прогнозирования (регрессии) отдельных деревьев. Леса случайных решений корректны для привычки деревьев принятия решений переуступать их тренировочный набор.

Обратная связь по релевантности: активный процесс обучения, в котором документы с наибольшей вероятностью релевантности кодируются человеком и добавляются в учебный набор.

Поддержка Vector Machine: математический подход, который стремится найти строку, которая отделяет отзывчивые от неотзывчивых документов, так что в идеале все отзывчивые документы находятся на одной стороне линии, а все неотзывчивые из них - на другой стороне.

Общие протоколы ТДО (5,6,7,8,9,10)

Кроме того, эти технологии, как правило, используются как часть протокола TAR, который определяет способ использования технологий. Примеры протоколов TAR включают:

Перечислится в алфавитном порядке

Continuous Active Learning® (CAL®): В CAL® метод TAR разработан, используется и пропагандируется Маурой Р. Гроссманом и Гордоном В. Кормаком, после первоначального набора обучения учащийся неоднократно выбирает следующие наиболее вероятные документы (которые еще не были рассмотрены) для рассмотрения, кодирования и обучения, и продолжает делать это до тех пор, пока он не сможет найти больше соответствующих документов. Как правило, второй проверки не проводится, поскольку к тому времени, когда учащийся прекращает обучение, все документы, которые он считает актуальными, уже были идентифицированы и проанализированы вручную.

Гибридный мультимодальный метод: подход, разработанный группой электронного обнаружения (Ralph Losey), который включает в себя все виды поисковых методов, при этом основной упор делается на прогнозное кодирование и использование документов высокого ранга для непрерывного активного обучения.

Масштабируемое непрерывное активное обучение (S-CAL). Существенное различие между S-CAL и CAL® заключается в том, что для S-CAL для маркировки выбирается только конечная выборка документов из каждой последовательной партии, и процесс продолжается до тех пор, пока не будет исчерпан сбор или большая случайная выборка коллекции. В совокупности конечные выборки образуют стратифицированную выборку совокупности документов, из которой может быть получена статистическая оценка ρ.

Simple Active Learning (SAL): В методах SAL, после первоначального набора обучения, учащийся выбирает документы, которые будут рассмотрены и закодированы преподавателем, и используется в качестве примеров обучения, и продолжает выбирать примеры до тех пор, пока он не будет достаточно подготовлен. Как правило, документы, которые ученик выбирает это те документы, о которых учащийся меньше всего уверен, и, следовательно, из которых он будет учиться больше всего. После того, как ученик достаточно обучен, он затем используется для маркировки каждого документа в коллекции. Как и в случае с SPL, документы, помеченные как релевантные, обычно повторно проверяются вручную.

Простое пассивное обучение (SPL): В простых методах пассивного обучения («SPL») учитель (т.е. оператор человека) выбирает документы, которые будут использоваться в качестве примеров обучения; учащийся обучается на этих примерах, и после того, как он достаточно обучен, используется для маркировки каждого документа в коллекции как релевантный или не-актуальным. Как правило, документы, помеченные учащимся как имеющие отношение к делу, повторно проверяются вручную. Этот обзор вручную представляет собой небольшую часть коллекции и, следовательно, небольшую часть времени и затрат на исчерпывающий обзор вручную.

Рабочие процессы TAR (11)

Рабочие процессы TAR представляют собой практическое применение технологий и протоколов прогнозного кодирования для определения подходов к выполнению задач прогнозного кодирования. Три примера рабочих процессов TAR:

TAR 1.0 включает этап обучения, за которым следует фаза обзора с набором управления, используемым для определения оптимальной точки при переключении с обучения на проверку. После завершения этапа обучения система больше не учится. Контрольный набор представляет собой случайный набор документов, которые были просмотрены и помечены как относящиеся к делу или не имеющие отношения к делу. Документы комплекта управления не используются для обучения системы. Они используются для оценки прогнозов системы, с тем чтобы обучение могло быть прекращено, когда преимущества дополнительного обучения больше не перевешивают стоимость дополнительного обучения. Обучение может быть с случайно выбранными документами, известными как простое пассивное обучение (SPL), или оно может включать документы, выбранные системой для оптимизации эффективности обучения, известные как Simple Active Learning (SAL).

TAR 2.0 использует подход, называемый Continuous Active Learning® (CAL®), что означает, что нет разделения между обучением и обзором — система продолжает учиться на протяжении всего процесса. Несмотря на то, что для выбора документов для рассмотрения может использоваться множество подходов, важным компонентом CAL® является множество итераций прогнозирования, какие документы, скорее всего, будут актуальны, их просмотра и обновления прогнозов. В отличие от TAR 1.0, TAR 2.0 имеет тенденцию быть очень эффективным даже при низкой распространенности. Поскольку нет разделения между обучением и обзором, TAR 2.0 не требует набора управления. Создание контрольного набора может включать просмотр большого (особенно при низкой распространенности) количества нерелевантных документов, поэтому желательно избегать контрольных наборов.

TAR 3.0 требует высококачественного концептуального алгоритма кластеризации, который формирует узкофокусированные кластеры фиксированного размера в концептуальном пространстве. Он применяет методологию TAR 2.0 только к кластерным центрам, что обеспечивает обзор разнообразного набора потенциально релевантных документов. После того, как больше не будут найдены соответствующие кластерные центры, проверяемые кластерные центры используются в качестве учебных документов для составления прогнозов для всей совокупности документов. Нет необходимости в установке управления — система хорошо обучена, когда не найдены дополнительные кластерные центры. Анализ кластерных центров, которые были рассмотрены, дает оценку распространенности и количества не имеющих отношения к делу документов, которые были бы подготовлены в том случае, если бы документы были подготовлены исключительно на основе прогнозов без учета человеческого фактора. Пользователь может принять решение о подготовке документов (не идентифицированных как потенциально привилегированные) без проверки, аналогично SAL из TAR 1.0 (но без контрольного набора), или он может принять решение о проверке документов, которые имеют слишком большой риск оказаться неактуальными (которые могут быть использованы в качестве дополнительного обучения для системы, т.е. CAL®). Ключевым моментом является то, что пользователь имеет информацию, которую он/она должна принять решение о том, как действовать после завершения проверки кластерных центров, которые, вероятно, будут актуальны, и ничего не сделано до того, как этот пункт станет недействительным решением (по сравнению с TAR 1.0, проверка контрольного набора, поиск , что прогнозы недостаточно хороши, чтобы создавать документы без обзора, а затем переключиться на TAR 2.0, что делает набор управления практически бесполезным).

Использование TAR (12)

Технологии, протоколы и рабочие процессы TAR можно эффективно использовать, чтобы помочь специалистам по обнаружению электронных данных выполнить множество задач по обнаружению данных и юридическому обнаружению. Девять наиболее распространенных примеров использования ТДО включают:

Идентификация соответствующих документов

Оценка ранней доработки/расследование

Приоритетность для рассмотрения

Категоризация (по вопросам, по конфиденциальности или конфиденциальности)

Обзор привилегий

Контроль качества и обеспечение качества

Обзор входящих производств

Диспозиция/Подготовка к судебному разбирательству

Управление информацией и управление данными

Информация об обследовании (13,14,15,16,17,18, 19)

Рекомендации

(1) Гроссман, М. и Кормак, Г. (2013). Глоссарий Гроссмана-Кормака по технологическим обзором. [ebook] Обзор законодательства федеральных судов. Доступно по адресу: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Доступ к 31 августа 2018 г.].

(2) Димм, Б. (2018). Экспертиза по прогнозному кодированию. [email].

(3) Ройтблат, Х. (2013). Введение в прогнозное кодирование. [электронная книга] Оркатек. Доступно в: 31 авг. 2018].

(4) Треденник, Й. и Пикенс, Й. (2017). Глубокое обучение в E-Discovery: пройдите мимо шумихи. [онлайн] CatalistSecure.com. Доступно в: 31 авг. 2018].

(5) Гроссман, М. и Кормак, Г. (2017). Технологический обзор в области электронного обнаружения. [электронная книга] Доступно в: 31 авг. 2018].

(6) Гроссман, М. и Кормак, Г. (2016). Непрерывное активное обучение для TAR. Практическое право. Доступно в: 31 авг. 2018].

7) Гроссман, М. и Кормак, Г. (2016). Масштабируемость непрерывного активного обучения для надежной классификации текста с высоким уровнем отзыва. [электронная книга] Доступно в: 3 сентября 2018].

(8) Лози, Р., Салливан, Дж. и Райхенбергер, Т. (2015). Группа электронного обнаружения на TREC 2015 Total Remall Track. [электронная книга] Доступно в: 1 сентября 2018].

(9) «Непрерывное активное обучение товарный знак Мауры Гроссман и Гордон В. Кормак — регистрационный номер 5876987 — Серийный номер 86634255። Товарные знаки Justia». Trademarks.Justia.com, 2020, 12 февраля 2020 г.

(10) «Товарный знак CAL Моры Гроссман и Гордона В. Кормака — регистрационный номер 5876988 — Серийный номер 86634265። Товарные знаки Justia». Trademarks.Justia.com, 2020, 12 февраля 2020 г.

(11) Димм, Б. (2016), Производительность TAR 3.0. [online] Clustify Blog — раскрытие электронных данных, кластеризация документов, прогнозирование кодирования, поиск информации и разработка программного обеспечения. Доступно в: 18 Февр. 2019].

12) Справочная модель электронного обнаружения (EDRM) (2019). Руководящие принципы обзора с использованием технологий (ТДО). [online] Доступно в: 18 Февр. 2019].

(13) Димм, Б. (2018). TAR, пропорциональность и плохие алгоритмы (1-NN). [online] Clustify Blog — раскрытие электронных данных, кластеризация документов, прогнозирование кодирования, поиск информации и разработка программного обеспечения. Доступно в: 31 авг. 2018].

14) Робинсон Р. (2013). Результаты выполнения: Опрос поставщика по внедрению прогнозного кодирования с одним вопросом. [online] ComplexDiscovery: сведения об обнаружении электронной Доступно в: 31 авг. 2018].

15) Робинсон Р. (2018). Список запущенных устройств: более 100 лучших поставщиков электронных данных. [online] ComplexDiscovery: сведения об обнаружении электронной Доступно в: 31 авг. 2018].

(16) Робинсон, Р. (2018) Относительно говоря: Результаты опроса по технологиям прогнозирования кодирования и протоколам [онлайн] ComplexDiscovery: Информация по раскрытию электронных данных. Доступно в: 18 Февр. 2019].

(17) Робинсон, Р. (2019) Активно учится? Результаты опроса по технологиям и протоколам прогнозирования [онлайн] ComplexDiscovery: информация об обнаружении электронных данных. Доступно на: 22 авг. 2019]

(18) Robinson, R. (2019) От платформ к рабочим процессам: исследование технологий и протоколов прогнозирования кодирования — результаты осени 2019 года [online] ComplexDiscovery: информация об обнаружении электронных данных. Доступно в: 12 Февр. 2020].

(19) Робинсон, Р. (2020) Все ли это относительно? Исследование технологий и протоколов прогнозирования кодирования - Весенние результаты [онлайн] ComplexDiscovery: информация об обнаружении электронных данных. Доступно на: [Доступ к 7 августа 2020 г.].

Щелкните здесь, чтобы указать конкретные дополнения, исправления и обновления.

Источник: Комплексное обнаружение

Митратех приобретает остроту ELM

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

Веритас приобретает Globanet

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

Пять замечательных чтений по раскрытию электронных данных за сентябрь 2020 года

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

Время перемен? FTC предлагает внести изменения в правила предварительного уведомления о слияниях в соответствии с Законом о ВЗР

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...

Руководство по покупателям систем электронного раскрытия информации — издание 2020 года (Эндрю Хаслам)

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

Гонка на стартовой линии? Недавние объявления о безопасному удаленному обзору

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

Включение удаленного обнаружения электронных данных? Снимок DaaS

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

Домой или уходом? Соображения по вопросам размера и ценообразования на рынке коллекции электронных данных Discovery

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

Изменения и решения? Новые соображения по безопасному удаленному проверку обнаружения электронных данных

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

A Macro Look at Past and Projected eDiscovery Market Size from 2012 to 2024

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

An eDiscovery Market Size Mashup: 2019-2024 Worldwide Software and Services Overview

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

Праздничный или нерешительный? Исследование достоверности бизнеса, проведенное осенью 2020 года

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

Кастинг более широкой сети? Исследование технологий и протоколов прогнозирования кодирования — результаты осени 2020

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

Необычное дело? Восемнадцать наблюдений за доверием бизнеса к раскрытию электронных данных летом 2020 года

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

Растущая озабоченность? Бюджетные ограничения и бизнес раскрытия электронных данных

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

Митратех приобретает остроту ELM

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

Веритас приобретает Globanet

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

Праздничный сезон электронных открытий вниз? Маккуори готовит Nuix для IPO

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

ayfie для приобретения Хайве

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

Пять замечательных чтений по раскрытию электронных данных за сентябрь 2020 года

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

Пять замечательных чтений по раскрытию электронных данных за август 2020 года

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

Пять отличных данных по раскрытию электронных данных за июль 2020 года

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

Пять отличных данных по раскрытию электронных данных за июнь 2020 года

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