Catch Tempo Frio? Pesquisa de Tecnologias e Protocolos de Codificação Preditiva — Resultados da 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 do Editor: Estes são os resultados do sexto semestral Preditive Coding Technologies and Protocols Survey realizado pela ComplexDiscovery. A partir de hoje, as seis pesquisas forneceram feedback detalhado de 384 profissionais jurídicos, comerciais e de tecnologia sobre o uso de tecnologias específicas de aprendizado de máquina na codificação preditiva. As pesquisas também forneceram informações sobre o uso dessas tecnologias de aprendizado de máquina como parte do exemplo de protocolos de revisão assistida por tecnologia.

Essa iteração da pesquisa teve 65 respondedores e continuou a se concentrar em tecnologias de codificação preditiva, protocolos, fluxos de trabalho e usos em todo o ecossistema de eDiscovery.

A Pesquisa de Tecnologias e Protocolos de Codificação Preditiva Spring 2021

A Pesquisa de Tecnologias e Protocolos de Codificação Preditiva é uma pesquisa não científica projetada para ajudar a fornecer uma compreensão geral do uso de tecnologias de codificação preditiva, protocolos e fluxos de trabalho por profissionais de descoberta de dados e descoberta legal dentro do ecossistema eDiscovery. A pesquisa da primavera de 2021 foi aberta de 7 de fevereiro de 2021 até 18 de fevereiro de 2021, com indivíduos convidados a participar diretamente pela ComplexDiscovery.

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

Fornecer uma lista consolidada de possíveis definições de tecnologia de codificação preditiva, protocolo e fluxo de trabalho. Embora não tenha tudo incluído ou abrangente, a listagem foi examinada com especialistas em codificação preditiva da indústria selecionados quanto à integridade e precisão, portanto, parece ser rentável para uso em esforços educacionais.

Perguntar aos profissionais do eDiscovery sobre suas preferências e padrões de uso em relação a plataformas de codificação preditiva, tecnologias, protocolos, fluxos de trabalho e áreas de uso.

A pesquisa ofereceu aos respondentes a oportunidade de fornecer informações de base de codificação preditiva, incluindo sua principal plataforma de codificação preditiva, bem como colocou cinco perguntas específicas aos respondentes. Essas perguntas são:

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

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

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

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

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

Encerrado em 18 de fevereiro de 2020, a pesquisa da primavera contou com 65 respondedores.

Principais resultados e observações

Visão geral do respondente de pesquisa de protocolo e tecnologia de codificação preditiva (Gráfico 1)

50,77% dos respondedores eram de organizações provedoras de software ou serviços.

27,69% dos respondentes eram de escritórios de advocacia.

Os restantes 21,54% dos respondentes faziam parte de uma consultoria (12,.31%), do governo (4,62), de uma corporação (1,54%) ou de outro tipo de entidade (3,08%).

Plataforma Primária de Codificação Preditiva (Gráfico 2)

Havia 24 plataformas diferentes relatadas como uma principal plataforma de codificação preditiva pelos respondedores.

Relatividade foi relatada como uma plataforma de codificação preditiva primária por 36,92% dos respondedores da pesquisa.

As duas principais plataformas foram relatadas como uma plataforma de codificação preditiva primária por 53,85% dos respondentes da pesquisa.

1,54% dos respondentes relataram não possuírem plataforma primária para codificação preditiva.

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

Mais de um terço dos respondedores da pesquisa (38,46%) relataram usar codificação preditiva em seu fluxo de trabalho de eDiscovery mais de 50% do tempo.

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

Apenas 20% dos respondentes relataram usar codificação preditiva em seu fluxo de trabalho de eDiscovery menos de 5% do tempo.

Emprego Tecnológico de Codificação Preditiva (Gráfico 4)

A Aprendizagem Ativa foi relatada como a tecnologia de codificação preditiva mais utilizada, com 93,21% dos respondedores usando-a em seus esforços de codificação preditiva.

44,62% dos respondentes relataram usar apenas uma tecnologia de codificação preditiva em seus esforços de codificação preditiva.

53,85% dos respondentes relataram usar mais de uma tecnologia de codificação preditiva em seus esforços de codificação preditiva.

1,54% dos respondentes não relataram usar qualquer tecnologia específica de codificação preditiva.

Emprego do Protocolo de Revisão Assistida por Tecnologia (Gráfico 5)

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

O Continuous Active Learning® (CAL®) foi relatado como o protocolo de codificação preditiva mais utilizado com 84,62% dos respondentes a utilizá-lo em seus esforços de codificação preditiva.

55,38% dos respondentes relataram usar apenas um protocolo de codificação preditiva em seus esforços de codificação preditiva.

43,08% dos respondentes relataram usar mais de um protocolo de codificação preditiva em seus esforços de codificação preditiva.

1,54% dos respondentes relataram não usar nenhum protocolo de codificação preditiva.

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

72,31% dos respondedores relataram usar Technology-Assisted Review (TAR) 2.0 como um fluxo de trabalho primário na entrega de codificação preditiva.

6,16% dos respondentes relataram usar o TAR 1.0 e 13,8% dos respondentes relataram usar o TAR 3.0 como um fluxo de trabalho primário na entrega da codificação preditiva.

7,69% dos respondentes não relataram o uso do TAR 1.0, TAR 2.0 ou TAR 3.0 como um fluxo de trabalho primário na entrega da codificação preditiva.

Usos da revisão assistida por tecnologia (Gráfico 7)

87,69% dos respondentes relataram usar revisão assistida por tecnologia em mais de uma área de dados e descoberta legal.

92,31% dos respondentes relataram a utilização de uma revisão assistida por tecnologia para a identificação dos documentos relevantes.

13,8% dos respondentes relataram usar revisão assistida por tecnologia para governança de informações e eliminação de dados.

Gráficos de pesquisa

(Os gráficos podem ser expandidos para visualização detalhada.)

Gráfico 1: Visão geral do respondente de pesquisa (plano de fundo)

1 — Visão geral da pesquisa de tecnologias e protocolos de codificação preditiva — Primavera 2021

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

2 — Plataforma Primária de Codificação Preditiva — Primavera 2021

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

3 — Uso de codificação preditiva — Primavera 2021

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

4- Uso da Tecnologia de Codificação Preditiva — Primavera 2021

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

5 — Uso do Protocolo de Revisão Assistida por Tecnologia — Primavera 2021

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

6 — Uso do fluxo de trabalho de revisão assistida por tecnologia — Primavera 2021

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

7 — Usos de revisão assistida por tecnologia — Primavera 2021

Tecnologias e protocolos de codificação preditiva (pesquisador em segundo plano)

Conforme definido em The Grossman-Cormack Glossary of Technology-Assisted Review (1), Codificação Preditiva é um termo específico do setor geralmente usado para descrever um processo de revisão assistida por tecnologia envolvendo o uso de um algoritmo de aprendizado de máquina para distinguir documentos relevantes de não relevantes, com base em um assunto codificação do especialista em matéria de um conjunto de documentos de formação. Esta definição de codificação preditiva fornece uma descrição de linha de base que identifica uma função específica que um conjunto geral de algoritmos de aprendizado de máquina comumente aceitos pode usar em uma revisão assistida por tecnologia (TAR).

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

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

Uma lista de trabalho de tecnologias de codificação preditiva (1,2,3,4)

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

Listado em Ordem Alfabética

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

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

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

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

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

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

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

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

Florestas aleatórias: Um método de aprendizagem de conjunto para classificação, regressão e outras tarefas, que operam construindo uma infinidade de árvores de decisão no momento do treinamento e saindo da classe que é o modo das classes (classificação) ou previsão média (regressão) das árvores individuais. Florestas de decisão aleatória corrigem para o hábito das árvores de decisão de se adequar ao seu conjunto de treinamento.

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

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

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

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

Listado em Ordem Alfabética

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

Método Multimodal Híbrido: Uma abordagem desenvolvida pela equipe de descoberta eletrônica (Ralph Losey) que inclui todos os tipos de métodos de busca, com dependência primária colocada na codificação preditiva e no uso de documentos de alta classificação para treinamento ativo contínuo.

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

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

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

Fluxos de trabalho TAR (11)

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

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

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

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

Usos TAR (12)

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

Identificação de documentos relevantes

Avaliação Antecipada de Caso/Investigação

Priorização para revisão

Categorização (Por Problemas, Para Confidencialidade ou Privacidade)

Privilégio Revisão

Controle de Qualidade e Garantia de Qualidade

Revisão de Incoming Productions

Disposição/Preparação Trial

Governança de informações e eliminação de dados

Informações da pesquisa (13,14,15,16,17,18, 19, 20)

Referências

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

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

(3) Roitblat, H. (2013). Introdução à Codificação Preditiva. [ebook] Orcatec. Disponível em: 31 Ago 2018].

(4) Tredennick, J. e Pickens, J. (2017). Deep Learning em E-Discovery: Passando o Hype. [online] CatalystSecure.com. Disponível em: 31 Ago 2018].

(5) Grossman, M. e Cormack, G. (2017). Revisão assistida por tecnologia na descoberta eletrônica. [ebook] Disponível em: 31 Ago 2018].

(6) Grossman, M. e Cormack, G. (2016). Aprendizagem ativa contínua para TAR. [ebook] Direito Prático. Disponível em: 31 Ago 2018].

(7) Grossman, M. e Cormack, G. (2016). Escalabilidade do aprendizado ativo contínuo para classificação confiável de texto de alta recordação. [ebook] Disponível em: 3 Sep. 2018].

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

(9) “APRENDIZAGEM ACTIVA CONTÍNUA Marca de Maura Grossman E Gordon V. Cormack — Número de Registro 5876987 — Número de Série 86634255። Justia Trademarks”. Trademarks.Justia.com, 2020, 12 Fev 2020].

(10) “CAL Trademark Of Maura Grossman E Gordon V. Cormack — Número de Registro 5876988 — Número de série 86634265። Justia Marcas”. Trademarks.Justia.com, 2020, 12 Fev 2020].

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

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

(13) Dimm, B. (2018). TAR, proporcionalidade e algoritmos ruins (1-NN). [online] Blog do Clustify — eDiscovery, Clustering de Documentos, Codificação Preditiva, Recuperação de Informações e Desenvolvimento de Software. Disponível em: 31 Ago 2018].

(14) Robinson, R. (2013). Resultados em execução: Pesquisa de implementação de provedores de uma pergunta de codificação preditiva. [online] ComplexDiscovery: informações de descoberta eletrônica. Disponível em: 31 Ago 2018].

(15) Robinson, R. (2018). Uma lista em execução: mais de 100 provedores de descoberta eletrônica. [online] ComplexDiscovery: informações de descoberta eletrônica. Disponível em: 31 Ago 2018].

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

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

(18) Robinson, R. (2019) De Plataformas a Fluxos de Trabalho: Pesquisa de Tecnologias e Protocolos de Codificação Preditiva — Resultados do Outono 2019 [online] ComplexDiscovery: Informações de Descoberta Eletrônica. Disponível em: 12 Fev 2020].

(19) Robinson, R. (2020) É tudo relativo? Pesquisa de Tecnologias e Protocolos de Codificação Preditiva - Resultados da Primavera [online] ComplexDiscovery: Informações de Descoberta Eletrônica. Disponível em: [Acessado em 7 de agosto de 2020].

(20) Robinson, R. (2020) Lançando uma rede mais ampla? Pesquisa de Tecnologias e Protocolos de Codificação Preditiva — Outono de 2020 [online] ComplexDiscovery: Informações de descoberta eletrônica. Disponível em: 5 de Fevereiro de 2021].

Clique aqui para fornecer adições, correções e atualizações específicas.

* Respondentes da pesquisa de codificação preditiva: seis pesquisas

0 — Respondentes da Pesquisa de Codificação Preditiva (Individual e Agregada) — Seis Pesquisas

Fonte: ComplexDiscovery

First Legal adquire o provedor de eDiscovery Redpoint Technologies

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

Veristar adquire dados do planeta

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

Questel adquire Doelegal

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

Seguindo o dinheiro? Mike Bryant fornece um olhar sólido sobre a atividade de fusão e aquisição de tecnologia legal

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

A New Era in eDiscovery? Framing Market Growth Through the Lens of Six Eras

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

Um Mashup de tamanho do mercado de eDiscovery: 2020-2025 Visão geral mundial de software e serviços

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

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

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

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

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

Cinco grandes leituras sobre eDiscovery para fevereiro 2021

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

Cinco ótimas leituras sobre eDiscovery para janeiro 2021

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

Cinco ótimas leituras sobre eDiscovery para dezembro de 2020

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

Cinco ótimas leituras sobre eDiscovery para novembro de 2020

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

HayStackID reconhecido no IDC MarketScape para eDiscovery Services

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

Uma visão geracional da segurança remota? HayStackID™ lança melhorias de segurança 3.0 para rever a tecnologia

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

Só uma questão de tempo? HayStackID lança novo serviço para descoberta e revisão de violação de dados

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

É um fósforo! Concentrando-se no custo total da análise de eDiscovery com ReviewRight Match

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

Catch Tempo Frio? Pesquisa de Tecnologias e Protocolos de Codificação Preditiva — Resultados da Primavera 2021

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

Saindo da floresta? Dezoito observações sobre a confiança dos negócios do eDiscovery no inverno de 2021

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

Problemas que afetam o desempenho dos negócios do eDiscovery: uma visão geral do inverno 2021

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

Não é tão excelente? Métricas operacionais de eDiscovery no inverno de 2021

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