Холодная погода поймать? Исследование технологий и протоколов прогнозного кодирования — результаты весны 2021 года

The Predictive Coding Technologies and Protocols Survey is a non-scientific semi-annual survey designed to help provide a general understanding of the current application of predictive coding technologies, protocols, workflows, and uses by data discovery and legal discovery professionals.

en flag
nl flag
et flag
fi flag
fr flag
de flag
pt flag
ru flag
es flag

Примечание редактора: Таковы результаты шестого полугодового опроса технологий и протоколов прогнозного кодирования, проведенного компанией ComplexDiscovery. На сегодняшний день шесть опросов дали подробную обратную связь от 384 юристов, бизнеса и технологий об использовании конкретных технологий машинного обучения в прогнозном кодировании. Обследования также позволили получить представление об использовании этих технологий машинного обучения в качестве части примеров протоколов обзора с помощью технологий.

Эта итерация опроса имела 65 респондентов и продолжала фокусироваться на технологиях прогнозного кодирования, протоколах, рабочих процессах и использовании в экосистеме обнаружения электронных данных.

Исследование технологий прогнозного кодирования и протоколов весны 2021 года

Обследование технологий и протоколов прогнозного кодирования представляет собой ненаучное исследование, предназначенное для обеспечения общего понимания использования технологий прогнозного кодирования, протоколов и рабочих процессов специалистами по раскрытию данных и раскрытию юридических данных в экосистеме eDiscovery. Весенний опрос 2021 года был открыт с 7 февраля 2021 года по 18 февраля 2021 года, с лицами, приглашенными непосредственно принять участие ComplexDiscovery.

Обследование, предназначенное для обеспечения общего понимания технологий и протоколов прогнозного кодирования, преследовало две цели начального образования:

Предоставление консолидированного списка потенциальных определений технологии прогнозного кодирования, протоколов и рабочих процессов. Несмотря на то, что он не является всеобъемлющим или всеобъемлющим, он был проведен с отдельными отраслевыми экспертами по прогнозному кодированию на полноту и точность, поэтому он представляется выгодным для использования в образовательных усилиях.

Чтобы спросить специалистов экосистем eDiscovery об их предпочтениях и моделях использования в отношении платформ прогнозного кодирования, технологий, протоколов, рабочих процессов и областей использования.

Опрос предоставил респондентам возможность предоставить справочную информацию о прогнозном кодировании, включая их основную платформу прогнозного кодирования, а также задало ответчикам пять конкретных вопросов. Эти вопросы:

Как часто вы используете прогнозное кодирование как часть рабочего процесса обнаружения электронных данных? (Распространенность)

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

Какие протоколы проверки с помощью технологий используются при предоставлении прогнозного кодирования? (Протоколы)

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

Каковы области, в которых используются технологические технологии обзора, протоколы и рабочие процессы? (Области использования)

Весенний опрос, закрытый 18 февраля 2020 года, имел 65 респондентов.

Основные результаты и наблюдения

Обзор респондента опроса технологии прогнозного кодирования и протоколов (диаграмма 1)

50,77% ответчиков были представителями организаций, предоставляющих программное обеспечение или услуги.

27,69% респондентов были представителями юридических фирм.

Остальные 21,54% ответчиков были либо частью консалтинговой компании (12,,31%), правительства (4,62), корпорации (1,54%) или другого типа юридических лиц (3,08%).

Первичная платформа прогнозного кодирования (диаграмма 2)

Ответчики сообщили о 24 различных платформах в качестве основной платформы прогнозного кодирования.

36,92% респондентов опросов сообщили о относительности в качестве основной платформы прогнозного кодирования.

Две основные платформы были зарегистрированы в качестве основной платформы прогнозного кодирования 53,85% респондентов опросов.

1,54% ответчиков сообщили, что у них нет основной платформы для прогнозного кодирования.

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

Более трети опрошенных (38,46%) сообщили об использовании прогнозного кодирования в своем рабочем процессе обнаружения электронных данных более 50% времени.

80% ответчиков сообщили об использовании прогнозного кодирования в рабочем процессе обнаружения электронных данных не менее 5% случаев.

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

Занятость технологии прогнозного кодирования (диаграмма 4)

Активное обучение было зарегистрировано как наиболее часто используемая технология прогнозного кодирования, при этом 93,21% респондентов использовали ее в своих усилиях по прогнозному кодированию.

44,62% ответчиков сообщили об использовании только одной технологии прогнозного кодирования в своих усилиях по прогнозному кодированию.

53,85% ответчиков сообщили об использовании более одной технологии прогнозного кодирования в своих усилиях по прогнозному кодированию.

1,54% ответчиков не сообщили об использовании какой-либо конкретной технологии прогнозного кодирования.

Протокол о техническом обзоре занятости (диаграмма 5)

Сообщалось, что все перечисленные технологические протоколы для прогнозного кодирования используются по крайней мере одним ответчиком на обследование.

Continuous Active Learning® (CAL®) был зарегистрирован как наиболее часто используемый протокол прогнозного кодирования, при этом 84,62% ответчиков использовали его в своих усилиях по прогнозному кодированию.

55,38% ответчиков сообщили об использовании только одного протокола прогнозного кодирования в своих усилиях по прогнозному кодированию.

43,08% ответчиков сообщили об использовании более одного протокола прогнозного кодирования в своих усилиях по прогнозному кодированию.

1,54% ответчиков сообщили, что не используют какой-либо протокол прогнозного кодирования.

Занятость рабочих процессов с помощью технологий (диаграмма 6)

72,31% ответчиков сообщили об использовании технологии Assisted Review (TAR) 2.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

6,16% ответчиков сообщили об использовании TAR 1.0 и 13,85% ответчиков сообщили об использовании TAR 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

7,69% ответчиков не сообщили об использовании TAR 1.0, TAR 2.0 или TAR 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

Использование с помощью технологий (диаграмма 7)

87,69% ответчиков сообщили об использовании анализа с помощью технологии в более чем одной области данных и раскрытия информации по судебным запросам.

92,31% ответчиков сообщили об использовании технической проверки для идентификации соответствующих документов.

13,85% ответчиков сообщили об использовании анализа с помощью технологии для управления информацией и их распоряжения.

Диаграммы опроса

(Диаграммы могут быть расширены для подробного просмотра.)

Диаграмма 1: Обзор ответчика опроса (справочная информация)

1 — Обзор технологий и протоколов прогнозного кодирования — весна 2021

Диаграмма 2: Название первичной платформы прогнозного кодирования (фон)

2 — Первичная платформа прогнозного кодирования — весна 2021

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

3 — Прогнозное использование кодирования — Весна 2021

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

4- Использование технологии прогнозного кодирования — весна 2021

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

5 — Использование протокола проверки с помощью технологии — весна 2021 года

Диаграмма 6: Каков основной технологический рабочий процесс проверки, используемый при предоставлении прогнозного кодирования? (Вопрос #4)

6 — Использование рабочего процесса проверки с помощью технологий — весна 2021

Диаграмма 7. Каковы области, в которых используются технологии, протоколы и рабочие процессы проверки с помощью технологий? (Вопрос #5)

7 — Технологический обзор использования — весна 2021

Технологии и протоколы прогнозного кодирования (Backgrounder)

Как определено в Глоссарии Гроссмана-Кормака по технологическому обзору (1), прогнозное кодирование представляет собой отраслевой термин, обычно используемый для описания процесса обзора с помощью технологии, включающего использование алгоритма машинного обучения, чтобы отличить релевантные от нерелевантных документов, на основе предмета по кодированию эксперта учебного набора документов. Это определение прогнозного кодирования предоставляет базовое описание, которое идентифицирует одну конкретную функцию, которую общий набор общепринятых алгоритмов машинного обучения может использовать в технологическом обзоре (TAR).

С ростом осведомленности и использованием прогнозного кодирования в правовой сфере сегодня представляется, что для специалистов по электронному обнаружению становится все более важным иметь общее представление о технологиях, которые могут быть внедрены в платформах электронного обнаружения для облегчения прогнозного кодирования информации, хранящейся в электронном виде. Это общее понимание имеет важное значение, поскольку каждый потенциальный алгоритмический подход имеет преимущества эффективности и недостатки, которые могут повлиять на эффективность и эффективность прогнозного кодирования.

Чтобы помочь в развитии этого общего понимания технологий прогнозного кодирования и предоставить возможность поставщикам электронных открытий обмениваться технологиями и протоколами, которые они используют на своих платформах и со своими платформами для выполнения прогнозного кодирования, следующие рабочие списки прогнозного кодирования технологии и протоколы TAR предоставляются для вашего использования. Рабочие списки рабочих процессов и использования прогнозного кодирования также включены для вашего рассмотрения, поскольку они помогают определить, как внедряются и используются технологии прогнозного кодирования и протоколы TAR.

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

Совокупный от экспертов по электронному раскрытию, основанный на профессиональных публикациях и личных беседах, приводится ниже невсеохватывающий рабочий список идентифицированных технологий машинного обучения, которые были применены или могут быть применены к дисциплине раскрытия электронной документации для облегчения прогнозное кодирование. Этот рабочий список предназначен для того, чтобы служить отправной точкой для определенных технологий прогнозного кодирования и может со временем включать дополнения, корректировки и поправки на основе отзывов экспертов и организаций, применяющих и внедряющих эти основные технологии в своих конкретных платформах раскрытия электронной документации.

Перечислено в алфавитном порядке

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

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

K-Nearest Neighbor Classifier (k-NN): алгоритм классификации, который анализирует k примеров документов, наиболее похожих (ближайших) к классифицируемому документу, чтобы определить наилучшую классификацию для документа. Если k слишком мал (например, k=1), может быть чрезвычайно трудно достичь высокого отзыва.

Latent Semantic Analysis (LSA): Математическое представление документов, которое рассматривает сильно коррелированные слова (т.е. слова, которые, как правило, встречаются в одних и тех же документах) как эквивалентные или взаимозаменяемые. Эта эквивалентность или взаимозаменяемость может позволить алгоритмам идентифицировать документы как концептуально похожие, даже если они не используют одни и те же слова (например, потому что синонимы могут быть сильно коррелированы), хотя она также отбрасывает некоторую потенциально полезную информацию и может привести к нежелательным результатам, вызванным ложные корреляции.

Логистическая регрессия: современный контролируемый алгоритм обучения для машинного обучения, который оценивает вероятность того, что документ релевантен, на основе функций, которые он содержит. В отличие от наивного Байеса, алгоритма, логистическая регрессия определяет особенности, которые различают соответствующие и нерелевантные документы.

Наивный байесовский классификатор: система, которая изучает вероятность того, что каждое слово в новом документе произошло из распределения слов, полученного из обученного отзывчивого документа или обученных документов, не отвечающих требованиям. Система наивна в том смысле, что она предполагает, что все слова не зависят друг от друга.

Нейросеть: Искусственная нейронная сеть (ANN) представляет собой вычислительную модель. Он основан на структуре и функциях биологических нейронных сетей. Это работает как то, как человеческий мозг обрабатывает информацию. Она включает в себя большое количество подключенных блоков обработки, которые работают вместе для обработки информации.

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

Случайные леса: ансамбльный метод обучения для классификации, регрессии и других задач, которые работают путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов (классификация) или среднего предсказания (регрессии) отдельных деревьев. Случайные решения леса корректируют привычку деревьев принятия решений перегружать их тренировочный набор.

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

Support Vector Machine: Математический подход, который стремится найти линию, которая отделяет отзывчивые от нереагирующих документов, так что, в идеале, все адаптивные документы находятся на одной стороне линии, а все не реагирующие находятся на другой стороне.

Общие протоколы TAR (5,6,7,8,9,10)

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

Перечислено в алфавитном порядке

Continuous Active Learning® (CAL®): В CAL®, методе TAR, разработанном, используемом и пропагандируемом Маурой Р. Гроссманом и Гордоном В. Кормаком, после первоначального набора обучения учащийся неоднократно выбирает следующие наиболее вероятные документы (которые еще не были рассмотрены) для обзора, кодирования и обучения, и продолжает делать это до тех пор, пока он больше не сможет найти более релевантные документы. Как правило, второй обзор не проводится, поскольку к тому времени, когда учащийся прекращает обучение, все документы, которые учащийся считает релевантными, уже были идентифицированы и проверены вручную.

Гибридный мультимодальный метод: подход, разработанный командой e-Discovery Team (Ralph Losey), который включает в себя все типы методов поиска, с первичной зависимостью от прогнозного кодирования и использования высокопоставленных документов для непрерывного активного обучения.

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

Простое активное обучение (SAL): В методах SAL, после начального набора обучения, учащийся выбирает документы, которые будут рассмотрены и закодированы учителем, и используется в качестве примеров обучения, и продолжает выбирать примеры до тех пор, пока он не будет достаточно обучен. Как правило, учащиеся выбирает те документы, о которых учащийся меньше всего уверен, и, следовательно, из которых он узнает больше всего. После того, как учащийся достаточно обучен, затем используется для маркировки каждого документа в коллекции. Как и в случае с SPL, документы, помеченные как релевантные, обычно пересматриваются вручную.

Простое пассивное обучение (SPL): В простых методах пассивного обучения («SPL») учитель (т.е. человек-оператор) выбирает документы, которые будут использоваться в качестве примеров обучения; учащийся обучается с использованием этих примеров и после достаточного обучения используется для маркировки каждого документа в коллекции как релевантного или не- актуально. Как правило, документы, помеченные учащимся как релевантные, пересматриваются вручную. Этот ручной обзор представляет собой небольшую часть коллекции и, следовательно, небольшую часть времени и затрат, связанных с исчерпывающим ручным обзором.

Рабочие процессы TAR (11)

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

TAR 1.0 включает в себя этап обучения, за которым следует этап обзора с набором управления, используемым для определения оптимальной точки, когда вы должны перейти от обучения к обзору. Система больше не учится после завершения этапа обучения. Контрольный набор представляет собой случайный набор документов, которые были проверены и помечены как релевантные или не имеющие отношения к делу. Документы контрольного набора не используются для обучения системы. Они используются для оценки прогнозов системы, чтобы обучение могло быть прекращено, когда преимущества дополнительного обучения больше не перевешивают стоимость дополнительного обучения. Обучение может быть с случайно выбранными документами, известными как Simple Passive Learning (SPL), или оно может включать документы, выбранные системой для оптимизации эффективности обучения, известный как Simple Active Learning (SAL).

TAR 2.0 использует подход под названием Continuous Active Learning® (CAL®), что означает отсутствие разделения между обучением и обзором — система продолжает учиться на протяжении всего. Хотя многие подходы могут быть использованы для выбора документов для рассмотрения, важным компонентом CAL® является множество итераций прогнозирования того, какие документы, скорее всего, будут релевантными, их рассмотрения и обновления прогнозов. В отличие от TAR 1.0, TAR 2.0, как правило, очень эффективен даже при низкой распространенности. Поскольку нет разделения между обучением и обзором, TAR 2.0 не требует набора управления. Создание набора элементов управления может включать в себя анализ большого (особенно при низком распространенности) количества нерелевантных документов, поэтому желательно избегать наборов управления.

TAR 3.0 требует высококачественного концептуального алгоритма кластеризации, который формирует узко сфокусированные кластеры фиксированного размера в концептуальном пространстве. Он применяет методологию TAR 2.0 только к кластерным центрам, что гарантирует, что разнообразный набор потенциально релевантных документов рассматривается. После того, как больше не удается найти соответствующие кластерные центры, проверенные кластерные центры используются в качестве учебных документов для прогнозов для полной совокупности документов. Нет необходимости в наборе управления — система хорошо обучена, когда нет дополнительных соответствующих кластерных центров. Анализ кластерных центров, которые были рассмотрены, дает оценку распространенности и количества нерелевантных документов, которые были бы подготовлены, если бы документы были подготовлены исключительно на основе прогнозов без проверки человеком. Пользователь может принять решение о подготовке документов (не идентифицированных как потенциально привилегированные) без рассмотрения, аналогично SAL из TAR 1.0 (но без контрольного набора), или он/она может принять решение о пересмотре документов, которые имеют слишком большой риск быть нерелевантными (которые могут быть использованы в качестве дополнительного обучения для системы, то есть CAL®). Ключевым моментом является то, что пользователь имеет информацию, необходимую ему, чтобы принять решение о том, как действовать после завершения обзора кластерных центров, которые, вероятно, будут релевантными, и ничего не сделано до этого момента, станет недействительным решением (сравните с началом с TAR 1.0, рассмотрение набора элементов управления, поиск , что прогнозы недостаточно хороши, чтобы создавать документы без рецензирования, а затем переключиться на TAR 2.0, что делает набор элементов управления практически бесполезным).

Использование TAR (12)

Технологии, протоколы и рабочие процессы TAR можно эффективно использовать, чтобы помочь специалистам по раскрытию электронных данных выполнять множество задач по обнаружению данных и раскрытию документов по судебным запросам. Девять часто рассматриваемых примеров использования TAR включают:

Идентификация соответствующих документов

Ранняя оценка/расследование

Приоритетность для проверки

Категоризация (по вопросам, для конфиденциальности или конфиденциальности)

Проверка привилегий

Контроль качества и обеспечение качества

Обзор входящих производств

Подготовка к распоряжению/пробной подготовке

Управление информацией и распоряжение данными

Информация об обследовании (13,14,15,16,17,18, 19, 20)

Ссылки

(1) Гроссман, М. и Кормак, Г. (2013). Глоссарий Гроссмана-Кормака по обзору с помощью технологий. [электронная книга] Обзор закона федеральных судов. Доступно по адресу: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Доступ к 31 августа 2018].

(2) Димм, Б. (2018). Экспертиза в области прогнозного кодирования. [электронная почта].

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

(4) Треденник, Дж. и Пикенс, Дж. (2017). Глубокое обучение в E-Discovery: проход мимо шумихи. [онлайн] CatalystSecure.com. Доступно в: 31 Авг. 2018].

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

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

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

(8) Лози, Р., Салливан, Дж. и Райхенбергер, Т. (2015). [электронная книга] Доступно по адресу: 1 сентября 2018].

(9) «НЕПРЕРЫВНОЕ АКТИВНОЕ ОБУЧЕНИЕ Товарный знак Мауры Гроссман и Гордона В. Кормака — Регистрационный номер 5876987 — Серийный номер 86634255። Товарные знаки Justia». Товарные знаки.Justia.com, 2020, 12 февраля 2020 г.].

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

(11) Димм, Б. (2016), Производительность TAR 3.0. [online] Blog Clustify — обнаружение электронных данных, кластеризация документов, прогнозное кодирование, извлечение информации и разработка программного обеспечения. Доступно по адресу: 18 Февр. 2019].

(12) Эталонная модель электронного обнаружения (EDRM) (2019). Руководящие принципы обзора с помощью технологии (TAR). [online] Доступно по адресу: 18 Февр. 2019].

(13) Димм, Б. (2018). TAR, пропорциональность и плохие алгоритмы (1-NN). [online] Blog Clustify — обнаружение электронных данных, кластеризация документов, прогнозное кодирование, извлечение информации и разработка программного обеспечения. Доступно в: 31 Авг. 2018].

(14) Робинсон, Р. (2013). Результаты выполнения: опрос по внедрению поставщика прогнозного кодирования с одним вопросом. [online] ComplexDiscovery: информация об обнаружении электронных данных Доступно в: 31 Авг. 2018].

(15) Робинсон, Р. (2018). Список выполнения: более 100 лучших поставщиков обнаружения электронных данных. [online] ComplexDiscovery: информация об обнаружении электронных данных Доступно в: 31 Авг. 2018].

(16) Робинсон, Р. (2018) Относительно говоря: Технологии прогнозного кодирования и протоколы Результаты опроса [онлайн] Сложное обнаружение: информация об обнаружении электронных данных. Доступно по адресу: 18 Февр. 2019].

(17) Робинсон, Р. (2019) Активно учится? Результаты опроса технологий прогнозного кодирования и протоколов [онлайн] КомплексОбнаружение: информация об обнаружении электронных данных. Доступно в: 22 Авг. 2019]

(18) Робинсон, Р. (2019) От платформ к рабочим процессам: исследование технологий прогнозного кодирования и протоколов — результаты осени 2019 года [онлайн] КомплексОбнаружение: информация об обнаружении электронных данных. Доступно в: 12 Февр. 2020].

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

(20) Робинсон, Р. (2020) Кастинг более широкой сети? Исследование технологий и протоколов прогнозного кодирования — осень 2020 [онлайн] КомплексОбнаружение: информация об обнаружении электронных данных. Доступно в: 5 февраля 2021 года].

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

* Респонденты опроса прогнозного кодирования: шесть опросов

0 — Респонденты опроса прогнозного кодирования (индивидуальные и агрегированные) — Шесть опросов

Источник: ComplexDiscovery

First Legal приобретает поставщика раскрытия электронной документации Redpoint Technologies

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

Veristar получает данные о планете

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

Questel приобретает DoElegal

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

Следит за деньгами? Майк Брайант дает солидный взгляд на деятельность по слиянию и поглощению юридических технологий

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

Новая эра в раскрытии электронных данных? Обрамление роста рынка через призму шести эпох

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

Mashup на рынке раскрытия электронной документации: 2020-2025 годы Обзор программного обеспечения и услуг по всему миру

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

Сброс базовой линии? Корректировка размера рынка раскрытия электронных данных на 2020 год

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

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

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

Пять великих чтений по раскрытию электронных данных за февраль 2021 года

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

Пять великих чтений об раскрытии электронных данных за январь 2021 года

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

Пять замечательных чтений по раскрытию электронной документации за декабрь 2020 года

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

Пять отличных чтений по раскрытию электронной документации за ноябрь 2020 года

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

HayStackID признан в IDC MarketScape для служб обнаружения электронных данных

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

Представление удаленной безопасности поколений? HayStackID™ выпускает усовершенствования безопасности 3.0 для обзора технологий

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

Только вопрос времени? HayStackID запускает новую услугу по обнаружению и проверке утечки данных

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

Это «Матч»! Сосредоточение внимания на общей стоимости проверки электронных данных с помощью ReviewRight Match

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

Холодная погода поймать? Исследование технологий и протоколов прогнозного кодирования — результаты весны 2021 года

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

Выезжаешь из леса? Восемнадцать наблюдений за уверенностью бизнеса по раскрытию электронной документации зимой 2021 года

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

Проблемы, влияющие на эффективность бизнеса по раскрытию электронной документации: обзор зимой 2021 года

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

Не так выдающийся? Операционные метрики раскрытия электронной документации зимой 2021 года

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