¿Captura para clima frío? Encuesta de Tecnologías y Protocolos de Codificación Predictiva — Resultados de la primavera 2021

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 del Editor: Estos son los resultados de la sexta encuesta semestral de tecnologías y protocolos de codificación predictiva realizada por ComplexDiscovery. A día de hoy, las seis encuestas han proporcionado retroalimentación detallada de 384 profesionales legales, empresariales y tecnológicos sobre el uso de tecnologías específicas de aprendizaje automático en la codificación predictiva. Las encuestas también han proporcionado información sobre el uso de esas tecnologías de aprendizaje automático como parte de ejemplos de protocolos de examen asistidos por la tecnología.

Esta iteración de la encuesta contaba con 65 respondedores y continuó centrándose en tecnologías de codificación predictiva, protocolos, flujos de trabajo y usos en todo el ecosistema de eDiscovery.

La encuesta sobre tecnologías y protocolos de codificación predictiva primavera 2021

La encuesta sobre tecnologías y protocolos de codificación predictiva es una encuesta no científica diseñada para ayudar a proporcionar una comprensión general del uso de tecnologías de codificación predictiva, protocolos y flujos de trabajo por parte de los profesionales de descubrimiento legal y descubrimiento de datos dentro del ecosistema de eDiscovery. La encuesta de primavera 2021 estuvo abierta desde el 7 de febrero de 2021 hasta el 18 de febrero de 2021, con individuos invitados a participar directamente por CompleXDiscovery.

Diseñado para proporcionar una comprensión general de las tecnologías y protocolos de codificación predictiva, la encuesta tuvo dos objetivos educativos primarios:

Proporcionar una lista consolidada de la tecnología de codificación predictiva potencial, protocolo y definiciones de flujo de trabajo. Si bien la inclusión no es completa ni exhaustiva, la lista fue examinada con expertos en codificación predictiva de la industria seleccionados para determinar su integridad y exactitud, por lo que parece ser rentable para su uso en los esfuerzos educativos.

Preguntar a los profesionales del ecosistema de eDiscovery sobre sus preferencias y patrones de uso con respecto a plataformas de codificación predictiva, tecnologías, protocolos, flujos de trabajo y áreas de uso.

La encuesta ofreció a los respondedores la oportunidad de proporcionar información básica sobre la codificación predictiva, incluida su plataforma de codificación predictiva primaria, así como planteó cinco preguntas específicas a los respondedores. Esas preguntas son:

¿Con qué frecuencia utiliza la codificación predictiva como parte del flujo de trabajo de eDiscovery? (Prevalencia)

¿Qué tecnologías de codificación predictiva utiliza su plataforma de eDiscovery? (Tecnologías)

¿Qué protocolos de revisión asistida por tecnología se utilizan en su entrega de codificación predictiva? (Protocolos)

¿Cuál es el flujo de trabajo de revisión asistida por tecnología principal utilizado en su entrega de codificación predictiva? (Flujo de trabajo)

¿Cuáles son las áreas en las que utiliza tecnologías de revisión asistida por tecnología, protocolos y flujos de trabajo? (Áreas de uso)

Cerrado el 18 de febrero de 2020, la encuesta de primavera tuvo 65 respondedores.

Principales resultados y observaciones

Descripción general del Respondedor de encuestas de protocolo y tecnología de codificación predictiva (gráfico 1)

El 50,77% de los respondedores procedían de organizaciones proveedoras de software o servicios.

El 27,69% de los encuestados procedían de bufetes de abogados.

El 21,54% restante de los encuestados formaban parte de una consultoría (12..31%), del gobierno (4,62), de una corporación (1,54%) u otro tipo de entidad (3,08%).

Plataforma de codificación predictiva primaria (gráfico 2)

Hubo 24 plataformas diferentes reportadas como una plataforma primaria de codificación predictiva por los respondedores.

La relatividad fue reportada como plataforma primaria de codificación predictiva por 36.92% de los encuestadores.

Las dos plataformas principales fueron reportadas como una plataforma primaria de codificación predictiva por el 53,85% de los encuestadores.

El 1.54% de los respondedores informaron que no tenían plataforma primaria para la codificación predictiva.

Prevalencia del uso de codificación predictiva en eDiscovery (gráfico 3)

Más de un tercio de los encuestados (38,46%) informaron que utilizaban codificación predictiva en su flujo de trabajo de eDiscovery en más del 50% del tiempo.

El 80% de los respondedores informaron que utilizaban codificación predictiva en su flujo de trabajo de eDiscovery al menos el 5% del tiempo.

Solo el 20% de los respondedores informaron que utilizaban codificación predictiva en su flujo de trabajo de eDiscovery menos del 5% del tiempo.

Empleo de tecnología de codificación predictiva (gráfico 4)

El aprendizaje activo fue reportado como la tecnología de codificación predictiva más utilizada, con el 93,21% de los respondedores que la utilizaron en sus esfuerzos de codificación predictiva.

El 44,62% de los respondedores reportaron usar una sola tecnología de codificación predictiva en sus esfuerzos de codificación predictiva.

El 53,85% de los respondedores reportaron usar más de una tecnología de codificación predictiva en sus esfuerzos de codificación predictiva.

El 1.54% de los respondedores no reportaron usar ninguna tecnología de codificación predictiva específica.

Protocolo de revisión asistida por tecnología de empleo (gráfico 5)

Todos los protocolos de codificación predictiva asistidos por tecnología enumerados fueron utilizados por al menos un respondedor de la encuesta.

El aprendizaje activo continuo® (CAL®) fue reportado como el protocolo de codificación predictiva más utilizado, con el 84,62% de los respondedores que lo utilizaron en sus esfuerzos de codificación predictiva.

El 55,38% de los respondedores reportaron usar solo un protocolo de codificación predictiva en sus esfuerzos de codificación predictiva.

El 43,08% de los respondedores reportaron usar más de un protocolo de codificación predictiva en sus esfuerzos de codificación predictiva.

El 1.54% de los respondedores declararon no usar ningún protocolo de codificación predictiva.

Empleo del flujo de trabajo de revisión asistida por tecnología (gráfico 6)

El 72,31% de los respondedores reportaron usar la Revisión Asistida por Tecnología (TAR) 2.0 como flujo de trabajo principal en la entrega de codificación predictiva.

El 6,16% de los respondedores informaron que utilizaron TAR 1.0 y el 13,85% de los respondedores declararon usar TAR 3.0 como flujo de trabajo primario en la entrega de codificación predictiva.

El 7,69% de los respondedores no reportaron usar TAR 1.0, TAR 2.0 o TAR 3.0 como flujo de trabajo primario en la entrega de codificación predictiva.

Usos de revisión asistida por tecnología (gráfico 7)

El 87,69% de los respondedores informaron de haber utilizado una revisión asistida por tecnología en más de un área de datos y descubrimiento legal.

El 92,31% de los respondedores comunicaron haber utilizado la revisión asistida por tecnología para la identificación de los documentos pertinentes.

El 13,85% de los respondedores informaron de que utilizaban la revisión asistida por tecnología para la gobernanza de la información y la eliminación de datos.

Gráficos de

(Los gráficos se pueden ampliar para una visualización detallada.)

Gráfico 1: Visión general del respondedor de encuestas (fondo)

1 — Descripción general de la encuesta sobre tecnologías de codificación predictiva y protocolos — Primavera 2021

Gráfico 2: Nombre de la plataforma de codificación predictiva primaria (fondo)

2 — Plataforma de codificación predictiva primaria — Spring 2021

Gráfico 3: ¿Con qué frecuencia utiliza la codificación predictiva como parte del flujo de trabajo de eDiscovery? (Pregunta #1)

3 — Uso de codificación predictiva — Spring 2021

Gráfico 4: ¿Qué tecnologías de codificación predictiva utiliza su plataforma de eDiscovery? (Pregunta #2)

4- Uso de la tecnología de codificación predictiva — Spring 2021

Gráfico 5: ¿Qué protocolos de revisión asistida por tecnología se utilizan en su entrega de codificación predictiva? (Pregunta #3)

5 — Uso del protocolo de revisión asistida por tecnología — Primavera 2021

Gráfico 6: ¿Cuál es el flujo de trabajo de revisión asistida por tecnología principal utilizado en la entrega de codificación predictiva? (Pregunta #4)

6 — Uso del flujo de trabajo de revisión asistida por tecnología — Spring 2021

Gráfico 7: ¿Cuáles son las áreas en las que utiliza tecnologías de revisión asistida por tecnología, protocolos y flujos de trabajo? (Pregunta #5)

7 — Utilización de revisión asistida por tecnología — Primavera 2021

Tecnologías y protocolos de codificación predictiva (Backgrounder de levantamientos)

Tal como se define en The Grossman-Cormack Glosary of Technology-Assisted Review (1), la codificación predictiva es un término específico de la industria generalmente utilizado para describir un proceso de revisión asistida por tecnología que implica el uso de un algoritmo de aprendizaje automático para distinguir documentos relevantes de los no relevantes, basados en un tema codificación por experto en materia de un conjunto de documentos de capacitación. Esta definición de codificación predictiva proporciona una descripción de referencia que identifica una función particular que un conjunto general de algoritmos de aprendizaje automático comúnmente aceptados puede utilizar en una revisión asistida por tecnología (TAR).

Con el creciente conocimiento y uso de la codificación predictiva en el ámbito legal actual, parece que es cada vez más importante que los profesionales de descubrimiento electrónico tengan una comprensión general de las tecnologías que pueden implementarse en plataformas de descubrimiento electrónico para facilitar la codificación predictiva de información almacenada electrónicamente. Esta comprensión general es esencial ya que cada enfoque algorítmico potencial tiene ventajas y desventajas de eficiencia que pueden afectar la eficiencia y eficacia de la codificación predictiva.

Para ayudar a desarrollar esta comprensión general de las tecnologías de codificación predictiva y proporcionar una oportunidad para que los proveedores de descubrimiento electrónico compartan las tecnologías y protocolos que utilizan en y con sus plataformas para lograr la codificación predictiva, las siguientes listas de trabajo de codificación predictiva tecnologías y protocolos TAR se proporcionan para su uso. Las listas de trabajo sobre flujos de trabajo y usos de codificación predictiva también se incluyen para su consideración, ya que ayudan a definir cómo se implementan y utilizan las tecnologías de codificación predictiva y los protocolos TAR.

Lista de Trabajo de Tecnologías de Codificación Predictiva (1,2,3,4)

Agregado a partir de expertos en descubrimiento electrónico basado en publicaciones profesionales y conversaciones personales, se proporciona a continuación una lista de trabajo no inclusiva de tecnologías de aprendizaje automático identificadas que se han aplicado o que tienen el potencial de aplicarse a la disciplina de eDiscovery para facilitar la codificación predictiva. Esta lista de trabajo está diseñada para proporcionar un punto de referencia para las tecnologías de codificación predictiva identificadas y, con el tiempo, puede incluir adiciones, ajustes y modificaciones basadas en la retroalimentación de expertos y organizaciones que aplican e implementan estas tecnologías convencionales en sus plataformas específicas de eDiscovery.

Listado en orden alfabético

Aprendizaje activo: proceso, típicamente iterativo, por el que se utiliza un algoritmo para seleccionar documentos que deben revisarse para la formación en base a una estrategia que ayude al algoritmo de clasificación a aprender de manera eficiente.

Árbol de decisiones: método paso a paso para distinguir entre documentos relevantes y no relevantes, dependiendo de la combinación de palabras (u otras características) que contengan. Un árbol de decisiones para identificar documentos relacionados con derivados financieros podría determinar primero si un documento contenía o no la palabra «swap». Si lo hiciera, el Árbol de Decisiones podría determinar si el documento contenía o no «crédito», etc. Se puede crear un árbol de decisiones ya sea a través de ingeniería del conocimiento o aprendizaje automático.

Clasificador de vecino más cercano K (K-nn): algoritmo de clasificación que analiza los documentos de ejemplo k que son más similares (más cercanos) al documento que se está clasificando con el fin de determinar la mejor clasificación para el documento. Si k es demasiado pequeño (por ejemplo, k=1), puede ser extremadamente difícil lograr una alta recuperación.

Análisis Semántico Latente (LSA): Una representación matemática de documentos que trata palabras altamente correlacionadas (es decir, palabras que tienden a ocurrir en los mismos documentos) como, en cierto sentido, equivalentes o intercambiables. Esta equivalencia o intercambiabilidad puede permitir que los algoritmos identifiquen documentos como conceptualmente similares incluso cuando no están usando las mismas palabras (por ejemplo, porque los sinónimos pueden estar altamente correlacionados), aunque también descarta alguna información potencialmente útil y puede conducir a resultados indeseables causados por correlaciones espurias.

Regresión logística: algoritmo de aprendizaje supervisado de última generación para el aprendizaje automático que estima la probabilidad de que un documento sea relevante, en función de las características que contiene. En contraste con el Naïve Bayes, algoritmo, Regresión Logística identifica características que discriminan entre documentos relevantes y no relevantes.

Naive Bayesian Classifier: Un sistema que examina la probabilidad de que cada palabra en un nuevo documento provenga de la distribución de palabras derivada de un documento capacitado responsive o documentos formados no responsivos. El sistema es ingenuo en el sentido de que asume que todas las palabras son independientes unas de otras.

Red Neural: Una Red Neural Artificial (ANN) es un modelo computacional. Se basa en la estructura y las funciones de las redes neuronales biológicas. Funciona como la forma en que el cerebro humano procesa la información. Incluye un gran número de unidades de procesamiento conectadas que trabajan juntas para procesar información.

Análisis Semántico Latente Probabilístico (PLSA): Esto es similar en espíritu a LSA pero utiliza un modelo probabilístico para lograr resultados que se esperan mejores.

Bosques aleatorios: método de aprendizaje de conjunto para la clasificación, regresión y otras tareas, que operan construyendo una multitud de árboles de decisión en el tiempo de entrenamiento y emitiendo la clase que es el modo de las clases (clasificación) o predicción media (regresión) de los árboles individuales. Los bosques de decisión aleatoria corrigen el hábito de los árboles de decisión de sobreajustarse a su conjunto de entrenamiento.

Retroalimentación de relevancia: Un proceso de aprendizaje activo en el que los documentos con mayor probabilidad de relevancia son codificados por un humano y se añaden al conjunto de entrenamiento.

Soporte Vector Machine: Un enfoque matemático que busca encontrar una línea que separa los documentos responsivos de los que no responden para que, idealmente, todos los documentos responsivos estén en un lado de la línea y todos los que no responden estén en el otro lado.

Protocolos generales del TIE (5,6,7,8,9,10)

Además, estas tecnologías generalmente se emplean como parte de un protocolo TAR que determina cómo se utilizan las tecnologías. Algunos ejemplos de protocolos TAR incluyen:

Listado en orden alfabético

Continuous Active Learning® (CAL®): En CAL®, el método TAR desarrollado, utilizado y promovido por Maura R. Grossman y Gordon V. Cormack, después del conjunto de entrenamiento inicial, el alumno selecciona repetidamente los siguientes documentos más probables que sean relevantes (que aún no se han considerado) para su revisión, codificación y capacitación, y sigue haciéndolo hasta que no pueda encontrar más documentos pertinentes. Por lo general, no hay una segunda revisión porque, en el momento en que el alumno deja de aprender, todos los documentos considerados relevantes por el alumno ya se han identificado y revisado manualmente.

Método multimodal híbrido: enfoque desarrollado por el equipo de e-Discovery (Ralph Losey) que incluye todos los tipos de métodos de búsqueda, con dependencia primaria en la codificación predictiva y el uso de documentos de alto rango para la formación activa continua.

Aprendizaje activo continuo escalable (S-CAL): La diferencia esencial entre S-CAL y CAL® es que para S-CAL, solo se selecciona una muestra finita de documentos de cada lote sucesivo para etiquetar, y el proceso continúa hasta que se agota la colección (o una gran muestra aleatoria de la colección). Juntas, las muestras finitas forman una muestra estratificada de la población documental, de la que se puede obtener una estimación estadística de ρ.

Aprendizaje activo simple (SAL): En los métodos de SAL, después del conjunto de formación inicial, el alumno selecciona los documentos que debe revisar y codificar el profesor, y los utiliza como ejemplos de formación, y continúa seleccionando ejemplos hasta que esté suficientemente capacitado. Normalmente, los documentos que elige el alumno son aquellos sobre los que el alumno está menos seguro y, por lo tanto, de los que aprenderá más. Una vez suficientemente entrenado, el alumno se utiliza para etiquetar todos los documentos de la colección. Al igual que con SPL, los documentos etiquetados como relevantes generalmente se revisan manualmente.

Aprendizaje pasivo simple (SPL): En los métodos de aprendizaje pasivo simple («SPL»), el profesor (es decir, el operador humano) selecciona los documentos que se utilizarán como ejemplos de formación; el alumno es entrenado utilizando estos ejemplos, y una vez suficientemente capacitado, se utiliza para etiquetar cada documento de la colección como relevante o no - pertinentes. Por lo general, los documentos etiquetados como relevantes por el alumno se revisan manualmente. Esta revisión manual representa una pequeña fracción de la colección y, por lo tanto, una pequeña fracción del tiempo y el costo de una revisión manual exhaustiva.

Flujos de trabajo TAR (11)

Los flujos de trabajo TAR representan la aplicación práctica de tecnologías y protocolos de codificación predictiva para definir enfoques para completar tareas de codificación predictiva. Tres ejemplos de flujos de trabajo TAR incluyen:

TAR 1.0 implica una fase de entrenamiento seguida de una fase de revisión con un conjunto de control que se utiliza para determinar el punto óptimo en el que debe cambiar de entrenamiento a revisión. El sistema ya no aprende una vez completada la fase de entrenamiento. El conjunto de control es un conjunto aleatorio de documentos que han sido revisados y marcados como relevantes o no pertinentes. Los documentos del conjunto de control no se utilizan para entrenar el sistema. Se utilizan para evaluar las predicciones del sistema de manera que se pueda terminar la capacitación cuando los beneficios de la capacitación adicional ya no superan el costo de la capacitación adicional. La formación puede realizarse con documentos seleccionados aleatoriamente, conocidos como Aprendizaje Pasivo Simple (SPL), o puede involucrar documentos elegidos por el sistema para optimizar la eficiencia del aprendizaje, conocido como Aprendizaje Activo Simple (SAL).

TAR 2.0 utiliza un enfoque llamado Continuous Active Learning® (CAL®), lo que significa que no hay separación entre entrenamiento y revisión: el sistema continúa aprendiendo a lo largo de todo. Aunque se pueden utilizar muchos enfoques para seleccionar documentos para revisión, un componente importante de CAL® son muchas iteraciones de predicción de qué documentos tienen más probabilidades de ser relevantes, revisarlos y actualizar las predicciones. A diferencia del TAR 1.0, TAR 2.0 tiende a ser muy eficiente incluso cuando la prevalencia es baja. Dado que no hay separación entre entrenamiento y revisión, TAR 2.0 no requiere un conjunto de control. Generar un conjunto de control puede implicar revisar un gran número (especialmente cuando la prevalencia es baja) de documentos no relevantes, por lo que es deseable evitar conjuntos de control.

TAR 3.0 requiere un algoritmo de agrupamiento conceptual de alta calidad que forme clústeres enfocados de tamaño fijo en el espacio conceptual. Aplica la metodología TAR 2.0 sólo a los centros de clúster, lo que asegura que se revise un conjunto diverso de documentos potencialmente relevantes. Una vez que no se encuentran más centros agrupados pertinentes, los centros de agrupación examinados se utilizan como documentos de capacitación para hacer predicciones para la población completa de documentos. No hay necesidad de un conjunto de control: el sistema está bien entrenado cuando no se pueden encontrar centros de clúster relevantes adicionales. El análisis de los centros de agrupación que se examinaron proporciona una estimación de la prevalencia y el número de documentos no pertinentes que se producirían si se produjeran documentos basados exclusivamente en las predicciones sin revisión humana. El usuario puede decidir producir documentos (no identificados como potencialmente privilegiados) sin revisión, similar a SAL de TAR 1.0 (pero sin un conjunto de control), o puede decidir revisar documentos que tienen demasiado riesgo de no ser relevantes (que pueden utilizarse como entrenamiento adicional para el sistema, es decir, CAL®). El punto clave es que el usuario tiene la información que necesita para tomar una decisión sobre cómo proceder después de completar la revisión de los centros de clúster que probablemente sean relevantes, y nada hecho antes de que ese punto quede invalidado por la decisión (comparar con comenzar con TAR 1.0, revisar un conjunto de control, encontrar que las predicciones no son lo suficientemente buenas para producir documentos sin revisión, y luego cambiar a TAR 2.0, lo que hace que el conjunto de control sea prácticamente inútil).

Usos de TAR (12)

Las tecnologías, protocolos y flujos de trabajo TAR se pueden utilizar de manera eficaz para ayudar a los profesionales de eDiscovery a realizar muchas tareas de descubrimiento de datos y descubrimiento legal. Nueve ejemplos comúnmente considerados de uso del TIE son:

Identificación de los documentos pertinentes

Evaluación temprana de casos/investigación

Priorización para revisión

Categorización (por problemas, confidencialidad o privacidad)

Revisión de privilegios

Control de Calidad y Garantía de Calidad

Revisión de las producciones entrantes

Disposición y preparación del juicio

Gobernanza de la Información y Eliminación de Datos

Información de la Encuesta (13,14,15,16,17,18, 19, 20)

Referencias

(1) Grossman, M. y Cormack, G. (2013). El Glosario Grossman-Cormack de revisión asistida por tecnología. [ebook] Revisión de la Ley de Tribunales Federales. Disponible en: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Accedido el 31 de agosto de 2018].

(2) Dimm, B. (2018). Experiencia en codificación predictiva. [correo electrónico].

(3) Roitblat, H. (2013). Introducción a la codificación predictiva. [ebook] OrCatec. Disponible en: 31 agosto 2018].

(4) Tredennick, J. y Pickens, J. (2017). Aprendizaje profundo en e-Discovery: superando el bombo. [online] CatalystSecure.com. Disponible en: 31 agosto 2018].

(5) Grossman, M. y Cormack, G. (2017). Revisión asistida por tecnología en descubrimiento electrónico. [ebook] Disponible en: 31 agosto 2018].

(6) Grossman, M. y Cormack, G. (2016). Aprendizaje activo continuo para TAR. [ebook] Derecho práctico. Disponible en: 31 agosto 2018].

(7) Grossman, M. y Cormack, G. (2016). Escalabilidad del aprendizaje activo continuo para una clasificación fiable de texto de alta recuperación. [ebook] Disponible en: 3 Sep. 2018].

(8) Losey, R., Sullivan, J. y Reichenberger, T. (2015). Equipo de e-Discovery en TREC 2015 Total Recall Track. [ebook] Disponible en: 1 Sep. 2018].

(9) «Continuous active learning marca comercial de Maura Grossman y Gordon V. Cormack — Número de registro 5876987 — Número de serie 86634255። Justia Trademarks». Trademarks.Justia.com, 2020, 12 de febrero de 2020].

(10) «Marca comercial CAL de Maura Grossman y Gordon V. Cormack — Número de registro 5876988 — Número de serie 86634265። Justia Trademarks». Trademarks.Justia.com, 2020, 12 de febrero de 2020].

(11) Dimm, B. (2016), TAR 3.0 Rendimiento. [online] Clustify Blog: eDiscovery, Clustering de documentos, codificación predictiva, recuperación de información y desarrollo de software. Disponible en: 18 Feb. 2019].

(12) Modelo de referencia de descubrimiento electrónico (EDRM) (2019). Directrices sobre la revisión asistida de la tecnología (TIE). [online] Disponible en: 18 Feb. 2019].

(13) Dimm, B. (2018). TAR, Proporcionalidad y Algoritmos Malos (1-NN). [online] Clustify Blog: eDiscovery, Clustering de documentos, codificación predictiva, recuperación de información y desarrollo de software. Disponible en: 31 agosto 2018].

(14) Robinson, R. (2013). Resultados en ejecución: Encuesta de implementación de proveedor de una pregunta de codificación predictiva. [en línea] CompleXDiscovery: información de eDiscovery. Disponible en: 31 agosto 2018].

(15) Robinson, R. (2018). Una lista en ejecución: más de 100 proveedores de eDiscovery principales. [en línea] CompleXDiscovery: información de eDiscovery. Disponible en: 31 agosto 2018].

(16) Robinson, R. (2018) Relativamente hablando: Tecnologías de codificación predictiva y protocolos Resultados de la encuesta [online] ComplexDiscovery: información de eDiscovery. Disponible en: 18 Feb. 2019].

(17) Robinson, R. (2019) ¿Aprendiendo activamente? Tecnologías de codificación predictiva y protocolos Resultados de la encuesta [en línea] CompleXDiscovery: información de eDiscovery. Disponible en: 22 ago. 2019]

(18) Robinson, R. (2019) De las plataformas a los flujos de trabajo: Encuesta de tecnologías y protocolos de codificación predictiva — Resultados de otoño de 2019 [online] ComplexDiscovery: información de eDiscovery. Disponible en: 12 Feb. 2020].

(19) Robinson, R. (2020) ¿Es todo relativo? Encuesta de tecnologías y protocolos de codificación predictiva - Resultados de primavera [online] CompleXDiscovery: información de eDiscovery. Disponible en: [Accedido el 7 de agosto de 2020].

(20) Robinson, R. (2020) ¿Lanzando una red más ancha? Encuesta de tecnologías y protocolos de codificación predictiva — Otoño de 2020 [online] ComplexDiscovery: información de eDiscovery. Disponible en: 5 de febrero de 2021].

Haga clic aquí para proporcionar adiciones, correcciones y actualizaciones específicas.

* Encuestas de Codificación Predictiva: Seis Encuestas

0 — Encuestas de codificación predictiva (individual y agregada) — Seis encuestas

Fuente: CompleXDiscovery

First Legal adquiere el proveedor de eDiscovery Redpoint Technologies

According to Alex Martinez, CEO of First Legal, “Both First Legal...

Veristar adquiere datos del planeta

According to Veristar company founder, CEO, and president Rick Avers, “We...

Questel adquiere DoeGal

doeLEGAL today announced that it has been acquired by intellectual property...

¿Siguiendo el dinero? Mike Bryant ofrece una sólida mirada a la actividad de fusión y adquisición de tecnología legal

From seed and venture capital investments to private equity and Special...

¿Una nueva era en eDiscovery? Enmarcar el crecimiento del mercado a través de la lente de las seis eras

There are many excellent resources for considering chronological and historiographical approaches...

Un Mashup de tamaño de mercado de eDiscovery: 2020-2025 Información general sobre software y servicios en todo el mundo

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

¿Restablecer la línea base? Ajustes de tamaño de mercado de eDiscovery para 2020

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

¿A casa o a distancia? Consideraciones sobre el tamaño del mercado y los precios de la colección eDiscovery

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

Cinco excelentes lecturas sobre eDiscovery para febrero de 2021

From litigation trends and legal tech investing to facial recognition and...

Cinco excelentes lecturas sobre eDiscovery para enero de 2021

From eDiscovery business confidence and operational metrics to merger and acquisition...

Cinco excelentes lecturas sobre eDiscovery para diciembre de 2020

May the peace and joy of the holiday season be with...

Cinco excelentes lecturas sobre eDiscovery para noviembre de 2020

From market sizing and cyber law to industry investments and customer...

HayStackID reconocido en IDC MarketScape para servicios de eDiscovery

According to HaystackID CEO Hal Brooks, “We are proud to once...

¿Una vista generacional de la seguridad remota? HayStackID™ lanza mejoras de seguridad 3.0 para revisar la tecnología

According to HaystackID's Senior Vice President and General Manager for Review...

¿Sólo una cuestión de tiempo? HayStackID lanza un nuevo servicio para la detección y revisión de brechas de datos

According to HaystackID's Chief Innovation Officer and President of Global Investigations,...

¡Es un fósforo! Centrarse en el costo total de la revisión de eDiscovery con ReviewRight Match

As a leader in remote legal document review, HaystackID provides clients...

¿Captura para clima frío? Encuesta de Tecnologías y Protocolos de Codificación Predictiva — Resultados de la primavera 2021

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

¿Saliendo del bosque? Dieciocho observaciones sobre la confianza empresarial de eDiscovery en el invierno de 2021

In the winter of 2021, 85.0% of eDiscovery Business Confidence Survey...

Problemas que afectan el rendimiento empresarial de eDiscovery: Una descripción general del invierno 2021

In the winter of 2021, 43.3% of respondents viewed budgetary constraints...

¿No tan sobresaliente? Métricas operativas de eDiscovery en el invierno de 2021

In the winter of 2021, eDiscovery Business Confidence Survey more...