La prise par temps froid ? Enquête sur les technologies et protocoles de codage prédictif — Résultats du printemps 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

Note de l'éditeur : Voici les résultats de la sixième enquête semestrielle sur les technologies et protocoles de codage prédictif menée par ComplexDiscovery. À ce jour, les six sondages ont fourni des commentaires détaillés de 384 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 comptait 65 répondants et a continué de se concentrer sur les technologies de codage prédictif, les protocoles, les flux de travail et les utilisations dans l'écosystème eDiscovery.

L'enquête Printemps 2021 sur les technologies et protocoles de codage prédictif

L'enquête sur les technologies et 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 eDiscovery. Le sondage du printemps 2021 a été ouvert du 7 février 2021 au 18 février 2021, avec des personnes invitées à participer directement par ComplexDiscovery.

Conçue pour fournir une compréhension générale des technologies et protocoles de codage prédictif, l'enquête visait deux objectifs d'éducation primaire :

Fournir une liste consolidée des technologies potentielles de codage prédictif, des protocoles et des définitions de flux de travail. Bien qu'elle ne soit pas exhaustive ou exhaustive, la liste a été examinée par des experts sélectionnés en 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 modes 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 plateforme de codage prédictif primaire, et de poser cinq questions précises aux répondants. Ces questions sont les suivantes :

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 d'examen assisté par la technologie utilisé dans votre prestation de codage prédictif ? (Workflow)

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

Fermé le 18 février 2020, le sondage du printemps comptait 65 répondants.

Principaux résultats et observations

Technologie de codage prédictif et protocole Aperçu des répondeurs d'enquête (graphique 1)

50,77 % des répondants provenaient d'organismes fournisseurs de logiciels ou de services.

27,69 % des répondants provenaient de cabinets d'avocats.

Les 21,54 % restants faisaient partie d'un cabinet de conseil (12,,31 %), du gouvernement (4,62), d'une société (1,54 %) ou d'un autre type d'entité (3,08 %).

Plateforme de codage prédictif primaire (graphique 2)

24 plates-formes différentes ont été signalées comme plate-forme de codage prédictif primaire par les intervenants.

La relativité a été déclarée comme principale plate-forme de codage prédictif par 36,92 % des répondants au sondage.

Les deux principales plateformes ont été déclarées comme une plate-forme de codage prédictif primaire par 53,85 % des répondants au sondage.

1,54 % des répondants ont déclaré ne pas avoir 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 au sondage (38,46 %) ont déclaré utiliser le codage prédictif dans leur flux de travail de découverte électronique plus de 50 % du temps.

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

Seulement 20 % des répondants ont indiqué utiliser le codage prédictif dans leur flux de travail de découverte électronique 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, 93,21 % des répondants l'utilisant dans leurs efforts de codage prédictif.

44,62 % des répondants ont déclaré utiliser une seule technologie de codage prédictif dans leurs efforts de codage prédictif.

53,85 % des répondants ont déclaré avoir utilisé plus d'une technologie de codage prédictif dans leurs efforts de codage prédictif.

1,54 % des répondants n'ont signalé avoir utilisé aucune technologie de codage prédictif spécifique.

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

Tous les protocoles de codage prédictif assistés par la technologie énumérés ont été utilisés par au moins un répondant à l'enquête.

Continuous Active Learning® (CAL®) a été rapporté comme le protocole de codage prédictif le plus utilisé, 84,62 % des répondants l'utilisant dans leurs efforts de codage prédictif.

55,38 % des répondants ont déclaré utiliser un seul protocole de codage prédictif dans leurs efforts de codage prédictif.

43,08 % des répondants ont déclaré avoir utilisé plus d'un protocole de codage prédictif dans leurs efforts de codage prédictif.

1,54 % des répondants ont déclaré n'utiliser aucun protocole de codage prédictif.

Emploi dans le processus d'examen assisté par la technologie (graphique 6)

72,31 % des répondants ont déclaré utiliser la Revue assistée par la technologie (TAR) 2.0 comme flux de travail principal dans la prestation du codage prédictif.

6,16 % des répondants ont déclaré utiliser le TAR 1.0 et 13,85 % des répondants ont déclaré utiliser le TAR 3.0 comme flux de travail principal dans la prestation du codage prédictif.

7,69 % des répondants n'ont pas déclaré utiliser le TAR 1.0, le TAR 2.0 ou le TAR 3.0 comme flux de travail principal dans la fourniture du codage prédictif.

Utilisations des examens assistés par la technologie (graphique 7)

87,69 % des répondants ont déclaré avoir recours à l'examen assisté par la technologie dans plus d'un domaine de données et de découverte juridique.

92,31 % des répondants ont déclaré avoir utilisé un examen assisté par la technologie pour identifier les documents pertinents.

13,85 % des répondants ont déclaré avoir recours à un examen assisté par la technologie pour la gouvernance de l'information et l'élimination des données.

Graphiques d'enquête

(Les graphiques peuvent être développés pour une visualisation détaillée.)

Graphique 1 : Aperçu des répondants au sondage (Contexte)

1 — Aperçu de l'enquête sur les technologies et protocoles de codage prédictif — Printemps 2021

Graphique 2 : Nom de la plate-forme de codage prédictif primaire (arrière-plan)

2 — Plateforme de codage prédictif primaire — Printemps 2021

Graphique 3 : À quelle fréquence utilisez-vous le codage prédictif dans le cadre de votre flux de travail de découverte électronique ? (Question #1)

3 — Utilisation du codage prédictif — Printemps 2021

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

4- Utilisation de la technologie de codage prédictif — Printemps 2021

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

5 — Utilisation du protocole d'examen assisté par la technologie — Printemps 2021

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 — Utilisation du flux de travail des examens assistés par la technologie — Printemps 2021

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 — Utilisations des examens assistés par la technologie — Printemps 2021

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

Tel que défini dans The Grossman-Cormack Glossary of Technology-Assisted Review (1), le codage prédictif est un terme propre 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 par l'expert en 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 communément acceptés peut utiliser dans un examen assisté par la technologie (TAR).

Avec la sensibilisation croissante et l'utilisation du codage prédictif dans le domaine juridique aujourd'hui, il semble qu'il est 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 plates-formes 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'efficacité et l'efficacité du codage prédictif.

Pour aider à développer cette compréhension générale des technologies de codage prédictif et offrir aux fournisseurs de découverte électronique l'occasion de partager les technologies et protocoles qu'ils utilisent dans et avec leurs plateformes pour réaliser le codage prédictif, les listes de travail suivantes du codage prédictif et les protocoles TAR sont fournis pour votre utilisation. Des listes de travail sur les flux de travail et les utilisations de codage prédictif sont également incluses pour vous aider à définir comment les technologies de codage prédictif et les protocoles TAR sont implémentés et utilisés.

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

Regroupée à partir d'experts de la découverte électronique basée sur des publications professionnelles et des conversations personnelles, fournie ci-dessous est une liste de travail non exhaustive des technologies identifiées d'apprentissage automatique qui ont été appliquées ou susceptibles d'être appliquées à la discipline de la découverte électronique pour faciliter le 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 basés sur les commentaires des experts et des organisations appliquant et mettant en œuvre ces technologies grand public dans leurs plates-formes spécifiques de découverte électronique.

Classé par ordre alphabétique

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

Arbre de décision : Méthode étape par étape permettant de distinguer les documents pertinents et les documents non pertinents, en fonction de la combinaison de mots (ou d'autres caractéristiques) qu'ils contiennent. Un arbre de décision pour identifier les documents relatifs aux produits financiers dérivés pourrait d'abord déterminer si un document contenait ou non le mot « swap ». Si c'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-NN (Neighbor Classifier) : 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 des mots hautement corrélés (c.-à-d. des mots qui ont tendance à se produire dans les mêmes documents) comme étant, dans un sens, équivalents ou interchangeables. Cette équivalence ou interchangeabilité peut permettre aux algorithmes d'identifier les documents comme étant conceptuellement similaires même lorsqu'ils n'utilisent pas les mêmes mots (p. ex., parce que les synonymes peuvent être fortement corrélés), bien qu'elle rejette également certaines informations potentiellement utiles et peut conduire à des résultats indésirables causés par corrélations fausses.

Régression logistique : Algorithme d'apprentissage supervisé ultramoderne 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 les caractéristiques qui font la distinction entre les documents pertinents et les documents 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 réactif formé ou de documents formés non réactifs. Le système est naïf en ce sens qu'il suppose que tous les mots sont indépendants les uns des autres.

Réseau neuronal : Un réseau neuronal artificiel (ANN) est un modèle computationnel. 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 dans l'esprit 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 sortant la classe qui est le mode des classes (classification) ou la prévision moyenne (régression) des arbres individuels. Les forêts de décision aléatoire corrigent l'habitude des arbres de décision de surajustement à leur ensemble d'entraînement.

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

Support Vector Machine : Une approche mathématique qui cherche à trouver une ligne qui sépare les documents sensibles des documents non réactifs de sorte que, idéalement, tous les documents sensibles se trouvent d'un côté de la ligne et tous ceux qui ne répondent pas de l'autre côté.

Protocoles généraux sur le 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 de RAT :

Classé par ordre alphabétique

Continuous Active Learning® (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 suivants les plus probables à être pertinents (qui n'ont pas encore été pris en compte) pour examen, codage et formation, et continue de le faire jusqu'à ce qu'il ne puisse plus trouver 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 e-Discovery (Ralph Losey) qui comprend tous les types de méthodes de recherche, en se fondant principalement sur le codage prédictif et l'utilisation de documents hautement classés pour la formation active continue.

Scalable Continuous Active Learning (S-CAL) : La différence essentielle entre S-CAL et CAL® est que pour S-CAL, seul un échantillon fini de documents provenant de chaque lot successif est sélectionné pour l'étiquetage, et le processus se poursuit jusqu'à épuisement de la collection — ou un grand échantillon aléatoire de la collection — est épuisé. Ensemble, les échantillons finis forment un échantillon stratifié de la population du document, à partir duquel une estimation statistique de ρ peut être obtenue.

Apprentissage actif simple (SAL) : Dans les méthodes SAL, après l'ensemble de formation initiale, l'apprenant sélectionne les documents à examiner et coder par l'enseignant, et à 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 que l'apprenant choisit 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) choisit les documents à utiliser comme exemples de formation ; l'apprenant est formé à l'aide de ces exemples et, une fois suffisamment formé, il est utilisé pour étiqueter chaque document de la collection comme pertinent ou non pertinent. Généralement, les documents étiquetés comme pertinents par l'apprenant sont réexaminés manuellement. Cet examen manuel représente une petite fraction de la collection et, par conséquent, une petite fraction du temps et du coût d'un examen manuel exhaustif.

Flux de travail TAR (11)

Les flux de travail TAR représentent l'application pratique de technologies et de protocoles de codage prédictif pour définir des approches pour exécuter les tâches de codage prédictif. Voici trois exemples de flux de travail TAR :

Le TAR 1.0 comprend une phase de formation suivie d'une phase de révision avec un jeu de contrôles servant à déterminer le point optimal où vous devriez passer de la formation à la révision. Le système n'apprend plus une fois la phase de formation terminée. Le jeu de contrôles est un ensemble aléatoire de documents qui ont été examinés et marqués comme pertinents ou non pertinents. Les documents du jeu de commandes 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 de la formation supplémentaire. La formation peut se faire avec des documents sélectionnés au hasard, connus sous le nom de « Simple Passive Learning » (SPL), ou des documents choisis par le système pour optimiser l'efficacité de l'apprentissage, appelés Simple Active Learning (SAL).

Le 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 l'examen — le système continue d'apprendre tout au long du processus. Bien que de nombreuses approches puissent être utilisées pour sélectionner les documents à examiner, une composante importante de CAL® est de nombreuses itérations visant à prédire quels documents sont les plus susceptibles d'être pertinents, à les examiner et à mettre à jour les prévisions. Contrairement au TAR 1.0, le TAR 2.0 tend à être très efficace même lorsque la prévalence est faible. Puisqu'il n'y a pas de séparation entre la formation et l'examen, le TAR 2.0 ne nécessite pas d'ensemble de contrôle. La génération d'un ensemble de contrôles peut impliquer 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 ensembles 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. Elle applique la méthodologie TAR 2.0 uniquement aux centres de grappes, ce qui garantit l'examen d'un ensemble diversifié de documents potentiellement pertinents. Une fois qu'il n'y a plus de centres de regroupement pertinents, les centres de regroupement 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'aucun autre centre de regroupement pertinent n'est trouvé. L'analyse des centres thématiques examinés fournit une estimation de la prévalence et du nombre de documents non pertinents qui seraient produits si des 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, semblable au SAL du TAR 1.0 (mais sans jeu de contrôle), ou il peut décider d'examiner des documents qui risquent trop de ne pas être 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 qui sont susceptibles d'être pertinents, et rien fait avant que ce point ne soit invalidé par la décision (comparer à commencer par TAR 1.0, examiner un ensemble de contrôles, trouver que les prédictions ne sont pas assez bonnes pour produire des documents sans révision, puis passer à TAR 2.0, ce qui rend le jeu de contrôles pratiquement inutile).

Utilisations du TAR (12)

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

Identification des documents pertinents

Évaluation précoce des cas et enquête

Établissement des priorités pour examen

Catégorisation (par questions, pour la confidentialité ou la protection des renseignements personnels)

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

Renseignements sur l'enquête (13,14,15,16,17,18, 19, 20)

Références

(1) Grossman, M. et Cormack, G. (2013). Le glossaire Grossman-Cormack de la revue assistée par la technologie. [livre électronique] Revue du droit des Cours fédérales. Disponible à l'adresse suivante : http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [consulté le 31 août 2018].

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

(3) Roitblat, H. (2013). Introduction au codage prédictif. [livre électronique] OrCaTec. Disponible à : 31 août 2018].

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

(5) Grossman, M. et Cormack, G. (2017). Revue assistée par la technologie dans la découverte électronique. [ebook] Disponible au : 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 au : 3 sept. 2018].

(8) Losey, R., Sullivan, J. et Reichenberger, T. (2015). Équipe e-Discovery à TREC 2015 Total Recall Track. [ebook] Disponible au : 1 sept. 2018].

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

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

(11) Dimm, B. (2016), TAR 3.0 Performance. [online] Blog Clustify : découverte électronique, clustering de documents, codage prédictif, extraction d'informations et développement logiciel. Disponible à : 18 févr. 2019].

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

(13) Dimm, B. (2018). TAR, Proportionnalité et mauvais algorithmes (1-NN). [online] Blog Clustify : découverte électronique, clustering de documents, codage prédictif, extraction d'informations et développement logiciel. Disponible à : 31 août 2018].

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

(15) Robinson, R. (2018). Une liste en cours d'exécution : plus de 100 fournisseurs de découverte électronique les plus populaires. [online] ComplexDiscovery : Informations de 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 févr. 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 flux de travail : Enquête sur les technologies et protocoles de codage prédictif — Résultats d'automne 2019 [en ligne] ComplexDiscovery : Informations sur la découverte électronique. Disponible à : 12 févr. 2020].

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

(20) Robinson, R. (2020) Un filet plus large ? Enquête sur les technologies et protocoles de codage prédictif — Automne 2020 [en ligne] ComplexDiscovery : Informations sur la découverte électronique. Disponible à : 5 février 2021].

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

* Répondants à l'enquête sur le codage prédictif : six enquêtes

0 — Répondants à l'enquête de codage prédictif (individuels et agrégés) — Six enquêtes

Source : ComplexDiscovery

First Legal acquiert un fournisseur de découverte électronique Redpoint Technologies

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

Veristar acquiert les données de la planète

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

Questel acquiert DoeLegal

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

Suivez l'argent ? Mike Bryant présente un regard solide sur l'activité de fusion et d'acquisition de technologies juridiques

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

Une nouvelle ère dans l'e-Discovery ? Encadrer la croissance du marché à travers l'objectif de six époques

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

Un mashup de taille de marché électronique : 2020-2025 Présentation mondiale des logiciels et des services

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

Réinitialiser la ligne de base ? Ajustements de taille de marché eDiscovery pour 2020

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

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...

Cinq excellentes lectures sur eDiscovery pour février 2021

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

Cinq grandes lectures sur eDiscovery pour janvier 2021

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

Cinq excellentes lectures sur eDiscovery pour décembre 2020

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

Cinq grandes lectures sur eDiscovery pour novembre 2020

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

HayStackID reconnu dans IDC MarketScape pour les services eDiscovery

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

Une vue générationnelle de la sécurité à distance ? HayStackID™ publie des améliorations de sécurité 3.0 pour la technologie de révision

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

Seulement une question de temps ? HayStackID lance un nouveau service pour la découverte et l'examen des violations de données

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

C'est un Match ! Se concentrer sur le coût total de la révision eDiscovery avec ReviewRight Match

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

La prise par temps froid ? Enquête sur les technologies et protocoles de codage prédictif — Résultats du printemps 2021

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

Sortir des bois ? Dix-huit observations sur la confiance des entreprises en eDiscovery à l'hiver 2021

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

Problèmes ayant une incidence sur les performances de l'entreprise eDiscovery : Aperçu de l'hiver 2021

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

Pas si exceptionnel ? Mesures opérationnelles de découverte électronique à l'hiver 2021

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