Tehisintellekti küberturvalisuse väljakutsed: AI elutsükli arvestamine

Artificial Intelligence (AI) is influencing people’s everyday lives and playing a key role in digital transformation through its automated decision-making capabilities. The benefits of this emerging technology are significant, but so are the concerns. In this recent report, The EU Agency for Cybersecurity (ENISA) warns that AI may open new avenues in manipulation and attack methods, as well as new privacy and data protection challenges.

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

Toimetaja märkus: Euroopa Liidu Küberjulgeoleku Agentuur ENISA on liidu asutus, mis on pühendunud küberjulgeoleku kõrge taseme saavutamisele kogu Euroopas. 2020. aasta detsembris avaldas ENISA aruande AI Cybersecurity Challenges - Threat Landscape for Kunst Aruandes tutvustatakse agentuuri aktiivset kaardistamist tehisintellekti küberturvalisuse ökosüsteemist ja selle ohumaastikust. Aruande osana esitatakse AI üldise elutsükli võrdlusmudel, mis võimaldab struktureeritud ja metoodiline lähenemine AI erinevate tahkude mõistmiseks. See üldine tehisintellekti elutsükkel võib olla kasulik e-juurdluse ökosüsteemi juriidilistele, äri- ja infoturbe spetsialistidele, kes hakkavad kaaluma küberturvalisust ja selle suhteid tehisintellekti

AI Küberjulgeoleku väljakutsed - Euroopa Liidu Küberjulgeoleku Amet

Aruande väljavõte Lubadega jagatud tehisintellekti elutsükli kohta

AI elutsükli faasid

Joonis - AI elutsükli üldine võrdlusmudel

AI elutsükli üldine võrdlusmudel

Selles jaotises pakume AI elutsükli iga etapi jaoks lühikese definitsiooni ja kordame sellega seotud üksikud sammud („Phase in a Lühidalt”).

Äri eesmärgi määrat

Enne mis tahes AI rakendus/süsteemi arendamist on oluline, et kasutaja organisatsioon mõistaks täielikult AI rakenduse/süsteemi äritegevuse konteksti ja AI rakenduse ärieesmärkide saavutamiseks vajalikke andmeid, samuti ärimõõdikuid, mida kasutatakse, et hinnata, mil määral need eesmärgid on saavutatud.

Ärieesmärgi määratluse etapp lühidalt: Määrake AI rakendus/süsteemi äriotstarve. Siduda eesmärk küsimusega, millele vastatakse taotluse/süsteemis kasutatav tehisintellekti mudel. Määrake mudeli tüüp küsimuse põhjal.

Andmete allaneelamine

Andmete allaneelamine on AI elutsükli etapp, kus andmed saadakse mitmest allikast (algandmed võivad olla mis tahes kujul struktureeritud või struktureerimata), et koostada mitmemõõtmelisi andmepunkte, mida nimetatakse vektoriteks, koheseks kasutamiseks või ladustamiseks, et neid saaks juurde pääseda ja hiljem kasutada. Andmed Allaneelamine põhineb mis tahes AI taotluse. Andmeid saab alla võtta otse selle allikatest reaalajas, pideval viisil, mida nimetatakse ka voogesituseks, või importides andmepartiisid, kus andmeid imporditakse perioodiliselt suurtes makropartiides või väikestes mikropartiides.

Erinevad allaneelamismehhanismid võivad samas rakenduses olla samaaegselt aktiivsed, samade andmevoogude sünkroonimisel või lahtiühendamisel partii ja voogedel allaneelamisel. Allaneelamise komponendid võivad määrata ka andmete annotatsiooni ehk kas allaneelamine toimub koos metaandmetega või ilma (andmesõnastik ehk andmetüüpide ontoloogia/taksonoomia). Sageli toimib juurdepääsukontroll andmete allaneelamisel, modelleerides andmete privaatsustaatust (isikud/mitteisikuandmed), valides sobivaid privaatsust säilitavaid tehnikaid ning võttes arvesse eraelu puutumatuse mõju ja analüütilise täpsuse saavutatavat kauplemist. Kõikidel juhtudel tuleb tagada kohaldatava ELi eraelu puutumatuse ja andmekaitse õigusraamistiku järgimine.

Andmetele määratud privaatsustaatust kasutatakse tehisintelleppe (tehisintelleppe) määratlemiseks kooskõlas kehtiva ELi eraelu puutumatuse ja andmekaitse õigusraamistikuga, sealhulgas pädevate reguleerivate asutuste kontrolli/auditeerimise võimalus (nt andmekaitse Omavalitsused). Oluline on märkida, et andmete allaneelamisel võib tekkida IT-juhtimiskonflikt. Ühelt poolt jagavad andmed selle omanike poolt, et tagada juurdepääsukontroll ja eraelu puutumatuse kaitse, teiselt poolt peab need olema integreeritud, et võimaldada analüüsimist. Sageli kehtivad sama kategooria üksustele erinevad poliitikad ja poliitikareeglid. Multimeediumiandmeallikate puhul võivad juurdepääsuprotokollid isegi järgida digitaalõiguste halduse (DRM) lähenemist, mille puhul tuleb kõigepealt litsentsiserveritega läbirääkimisi pidada. Tehisintellekti rakenduste kujundaja ülesanne on tagada, et allaneelamine toimub kooskõlas andmepakkujate andmekasutuse poliitikaga ning kohaldatava ELi eraelu puutumatuse ja andmekaitse õigusraamistikuga.

Andmete kogumine/allaneelamise faas lühidalt: tuvastage kogutavad sisendandmed (dünaamilised) ja vastavad konteksti metaandmed. Korraldage allaneelamist vastavalt AI rakenduse nõuetele, importides andmeid voo, partii või mitme modaalse moodi.

Andmete uurimine

Data Exploration on etapp, kus arusaamu hakatakse võtma allaneelatud andmetest. Kuigi see võib vahele jätta mõned AI rakendused, kus andmed on hästi arusaadav, see on tavaliselt väga aeganõudev etapp AI elutsükli. Praeguses etapis on oluline mõista, millist tüüpi andmeid koguti. Võtmevahet tuleb teha erinevate võimalike andmetüüpide vahel, kusjuures numbriline ja kategooriline on kõige silmapaistvamad kategooriad, kõrvuti multimeedia andmetega (nt pilt, audio, video jne). Numbrilised andmed sobivad joonistamiseks ja võimaldavad arvutada kirjeldavat statistikat ja kontrollida, kas andmed sobivad lihtsate parameetrite jaotustega nagu Gaussi üks. Puuduvaid andmeväärtusi saab avastada ja käsitleda ka uurimise etapis. Kategoorilised muutujad on need, millel on kaks või enam kategooriat, kuid ilma sisemise järjestuseta. Kui muutujal on selge järjestus, siis loetakse seda ordinaalmuutujaks.

Andmete valideerimine/uurimine lühidalt: Kontrollige, kas andmed sobivad tuntud statistika jaotusega kas komponentide (mono-variate jaotused) või vektoritena (mitme muutujaga jaotus). Hinnake vastavaid statistilisi parameetreid.

Andmete eeltöötlus

Andmete eeltöötluse etapis kasutatakse tehnikaid andmete puhastamiseks, integreerimiseks ja teisendamiseks. Selle protsessi eesmärk on parandada andmete kvaliteeti, mis parandab üldist tehisintellekti süsteemi jõudlust ja tõhusust, säästes aega analüütiliste mudelite koolitusetapis ja edendades tulemuste paremat kvaliteeti. Täpsemalt tähistab termin andmete puhastamine tehnikaid vastuolude kõrvaldamiseks, müra eemaldamiseks ja andmete anonüümseks/pseudonüümimiseks.

Andmete integreerimine koondab mitmest allikast pärinevaid andmeid, samal ajal kui andmete teisendamine valmistab andmed analüütilise mudeli söötmiseks, tavaliselt kodeerides need numbrilises vormingus. Tüüpiline kodeering on ühekuumkodeering, mida kasutatakse kategooriliste muutujate kujutamiseks binaarvektoritena. See kodeering nõuab kõigepealt, et kategoorilised väärtused vastendatakse täisarvuliste väärtustega. Seejärel esitatakse iga täisarvuline väärtus binaarvektor, mis on kõik nullväärtused, välja arvatud täisarvu asend, mis on tähistatud väärtusega 1.

Kui arvudeks teisendatakse, võivad andmed alluda edasistele ümberkujundamisviisidele: ümbermastaapimine, standardimine, normaliseerimine ja märgistamine. Selle protsessi lõpus saadakse numbriline andmekogum, mis on AI-mudeli koolituse, testimise ja hindamise aluseks.

Kuna piisavalt suur andmestik on mudeli nõuetekohase koolitamise üks peamisi edutegureid, on tavaline, et need koolituse andmekogumid on liiga väikesed, rakendada erinevaid andmete suurendamise tehnikaid. Näiteks on tavaline kaasata koolitusandmestikku erinevad piltide skaleeritud või pööratud versioonid, mis olid juba selles andmestikus. Teine näide andmete suurendamise tehnikast, mida saab teksti töötlemisel kasutada, on sõna asendamine selle sünonüümiga. Isegi nendel juhtudel, kui koolituse andmestik on piisavalt suur, võivad andmete suurendamise tehnikad parandada lõplikku koolitatud mudelit. Andmeid saab lisada ka selleks, et suurendada selle kogust ja hõlmatud stsenaariumide mitmekesisust. Andmete suurendamine seisneb tavaliselt teisenduste rakendamises, mis on teadaolevalt sildi säilitavad, st mudel ei tohiks muuta oma väljundit (nimelt ennustust), kui neid esitatakse koos teisendatud andmeelementidega. Andmete suurendamine võib aidata parandada mudeli toimivust ja eelkõige selle vastupidavust healoomuliste häirete suhtes. Üks ülesanne, kus andmete suurendamist vaikimisi kasutatakse, on piltide klassifikatsioon, kus andmeid saab täiendada näiteks tõlkete, pöörlemiste ja hägusfiltrite rakendamisega.

Andmete eeltöötlus lühidalt: teisendada allaneelatud andmed mõõdikusse (numbrilisse) vormingusse, integreerida erinevatest allikatest pärit andmeid, käsitseda puudu/tühiväärtusi interpoleerimise teel, tihendada, et vähendada andmete hõrenemist, de-müra, filtreerimisintervalli muutmist, anonüümseerimist/pseudonüümimist, andmete suurendamist.

Funktsiooni valik

Funktsioonivalik (üldises funktsioonitehnoloogias) on etapp, kus iga andmevektori komponeerivate komponentide või funktsioonide (nimetatakse ka dimensioonideks) arvu vähendatakse, tuvastades komponendid, mis arvatakse olevat AI-mudeli jaoks kõige tähenduslikumad. Tulemuseks on vähendatud andmekogum, kuna igal andmevektoril on varasemast vähem komponente. Lisaks arvutuslikule kulude vähendamisele võib funktsioonivalik tuua täpsemaid mudeleid.

Lisaks on madalama dimensiooniga andmete peal ehitatud mudelid arusaadavamad ja seletatavad. Seda etappi saab manustada ka mudeli loomise faasi (näiteks kujutise või kõneandmete töötlemisel), mida arutatakse järgmises jaotises.

Funktsioonide valik lühidalt: tuvastage andmekogumi mõõtmed, mis moodustavad globaalse parameetri, nt siltide üldine dispersioon. Projekti andmed seatud mööda neid mõõtmeid, kõrvaldades teised.

Mudeli valimine/hoone

See etapp täidab andmete analüüsimiseks parima AI mudeli või algoritmi valimist/ülesehitamist. See on raske ülesanne, sageli katse-eksituse. Ärieesmärgi ja olemasolevate andmete tüübi põhjal saab kasutada erinevaid AI-tehnikaid. Kolm üldtunnustatud peamist kategooriat on juhendatud õppimine, järelevalveta õppimine ja tugevdamine õppimise mudelid. Juhendatud tehnikad tegelevad märgistatud andmetega: tehisintellekti mudelit kasutatakse sisendnäidete ja sihtväljundite vahelise kaardistamise õppimiseks.

Juhendatud mudeleid saab kujundada klassifikaatoritena, mille eesmärgiks on ennustada klassimärgist, ja Regressorid, mille eesmärk on ennustada sisendite arvväärtuslikku funktsiooni. Siin mõned levinumad algoritmid on Support Vector Machines, Naïve Bayes, Hidden Markov Model, Bayesian võrgud ja Neuraalsed Networks.

Järelevalveta tehnikad kasutavad märgistamata koolitusandmeid, et kirjeldada ja neist eraldada, kas eesmärgiga korraldada need klastritesse, esile tuua seost andmesisestusruumi vahel, kokku andmete levitamist ja vähendada andmete dimensionaalsust (seda teemat käsitleti juba esialgse samm andmete ettevalmistamisel jaotises funktsiooni valik). Õppimise tugevdamine kaardistab olukordi tegevustega, õppides käitumist, mis maksimeerivad soovitud tasu funktsiooni.

Kuigi koolitusandmete tüüp, märgistatud või mitte, on kasutatava ja valitud tehnika tüübi võtmetähtsusega, võib mudeleid ehitada ka nullist (kuigi see on üsna ebatõenäoline), kusjuures andmeteadlane projekteerib ja kodeerib mudelit koos omaste tarkvaratehnikatega; või mudeli ehitamine kombineerides meetodite koostist. Oluline on märkida, et mudeli valik (nimelt andmetele kohandatud mudeli valimine) võib käivitada sisendandmete edasise ümberkujundamise, kuna erinevad AI-mudelid nõuavad sisendandmete vektorite erinevaid numbrilisi kodeeringuid.

Üldiselt hõlmab mudeli valimine ka koolitusstrateegia valimist. Näiteks juhendatud õppe kontekstis hõlmab koolitus arvutamist (õppimisfunktsioon) mudeli väljundi erinevust, kui ta saab iga treeningkomplekti andmeelemendi D sisendina, ja D märgistuseks. Seda tulemust kasutatakse mudeli muutmiseks, et erinevust vähendada.

Saadaval on palju vigade minimeerimise koolitusalgoritme, enamik neist põhineb gradiendi laskumisel. Koolitusalgoritmidel on oma hüperparameetrid, sealhulgas funktsioon, mida kasutatakse mudeli vea arvutamiseks (nt keskmine ruudukujuline viga), ja partii suurus, st mudelile söödetavate märgistatud proovide arv, et koguda mudeli enda kohandamiseks kasutatava vea väärtust.

AI mudel valik Lühidalt: Vali tüüp AI mudel sobib taotluse. Andmesisendvektorid kodeerivad vastavalt mudeli eelistatud sisendvormingule.

Mudeli koolitus

Olles valinud AI-mudeli, mis selle võrdlusmudeli kontekstis viitab enamasti masinõppe (ML) mudelile, algab AI-süsteemi koolitusfaas. Juhendatud õppe kontekstis peab valitud ML-mudel läbima koolitusetapi, kus andmetest õpitakse sisemisi mudeli parameetreid nagu kaalud ja erapoolikus. See võimaldab mudelil saada arusaamist kasutatavate andmete üle ja seega saada nende analüüsimisel võimekamaks. Jällegi, koolitus hõlmab arvutustehnika (funktsioon) vahe mudeli väljund, kui ta saab iga treeningkomplekti andmeüksuse D sisendina ja D sildi. Seda tulemust kasutatakse mudeli muutmiseks, et vähendada tuletatud tulemuse ja soovitud tulemuse erinevust ning seega viib järk-järgult täpsemate oodatavate tulemusteni.

Koolitusetapp söödab ML-mudelit sisendvektorite partiidega ja kasutab valitud õppefunktsiooni mudeli sisemiste parameetrite (kaalude ja eelarvamuste) kohandamiseks mudeli väljundi ja etikettide erinevuse mõõdu (nt lineaarne, ruutmeetriline, logikadu) alusel. Sageli jaotatakse saadaolevad andmekogumid selles etapis koolituskomplektiks, mida kasutatakse mudeli parameetrite seadmiseks, ja katsekomplektiks, kus hindamiskriteeriumid (nt veamäär) registreeritakse ainult selleks, et hinnata mudeli jõudlust väljaspool koolituskomplekti. Ristvalideerimisskeemid jagavad juhuslikult mitu korda kogutud andmekogumi koolituseks ja fikseeritud suurusega katseosaks (nt 80% ja 20% olemasolevatest andmetest) ning seejärel korratakse iga partitsiooni koolitus- ja valideerimisetappe.

AI mudeli koolitus Lühidalt: Rakenda valitud koolitusalgoritm sobivate parameetritega, et muuta valitud mudelit vastavalt koolitusandmetele. Valideerida mudeli koolitus test seatud vastavalt ristvalideerimise strateegiale.

Mudeli häälestamine

Mudelhäälestus kattub tavaliselt mudeli koolitusega, kuna häälestamist peetakse tavaliselt koolitusprotsessis. Me otsustasime, et eraldada AI elutsükli kaks etappi, et rõhutada funktsionaalse töö erinevusi, kuigi on tõenäoline, et enamikus AI-süsteemides on need mõlemad koolitusprotsessi osa.

Teatud parameetrid määratlevad mudeli kohta kõrgetasemelised mõisted, näiteks nende õppimisfunktsioon või modaalsus, ning neid ei saa sisendandmetest õppida. Need eriparameetrid, mida sageli nimetatakse hüperparameetriteks, tuleb seadistada käsitsi, kuigi teatud tingimustel saab neid automaatselt häälestada, otsides mudeli parameetrite ruumi. Seda otsingut, mida nimetatakse hüperparameetrite optimeerimiseks, tehakse sageli klassikaliste optimeerimismeetodite abil, nagu võrguotsing, kuid kasutada saab juhuslikku otsingut ja Bayesiani optimeerimist. Oluline on märkida, et mudeli häälestamise etapp kasutab spetsiaalset andmekogumit (sageli nimetatakse valideerimiskomplektiks), mis erineb eelmistes etappides kasutatud koolitus- ja testkomplektidest. Hindamisfaasi võib pidada ka väljundite piiride hindamiseks ja selle hindamiseks, kuidas mudel käituks ekstreemsetes tingimustes, näiteks kasutades vale/ohtlikke andmekogumeid. Oluline on märkida, et sõltuvalt reguleeritavate hüperparameetrite arvust võib kõigi võimalike kombinatsioonide proovimine lihtsalt olla teostatav.

AI mudeli häälestamine Lühidalt: Rakenda mudeli kohandamine koolitatud AI mudeli hüper-parameetritele, kasutades valideerimisandmekogumit vastavalt juurutamise tingimusele.

Ülekanne õppimine

Selles faasis lähtestab kasutaja organisatsioon eelnevalt koolitatud ja eelnevalt häälestatud AI mudeli ja kasutab seda täiendkoolituse lähtepunktiks, et saavutada kiirem ja parem lähenemine. See on tavaliselt nii, kui koolituseks on vähe andmeid. Tuleb märkida, et kõik ülalkirjeldatud sammud (häälestamine, testimine jne) kehtivad ka ülekandeõpe. Veelgi enam, kuna paljudel juhtudel rakendatakse ülekandeõpet, võib pidada ülekandeõpet mudelkoolituse faasi osaks, arvestades, et üleminekuõpe on tavaliselt koolitusalgoritmi lähtepunktiks. Selleks, et tagada laiem ulatus, eristame siin esitatud tehisintellekti elutsükli ülekandeõpet erinevasse faasi.

Transfer Learning Lühidalt: Saatke eelnevalt koolitatud tehisintellekti mudel samas rakendusdomeenis ja rakendage sellele täiendavat koolitust, kui see on vajalik, et parandada tootmisesisest täpsust.

Mudeli juurutamine

Masinõppe mudel toob organisatsioonile teadmisi ainult siis, kui selle ennustused muutuvad lõppkasutajatele kättesaadavaks. Juurutamine on koolitatud mudeli võtmine ja selle kasutajatele kättesaadavaks tegemine.

Mudeli juurutamine lühidalt: Loo tootmise inkarnatsioon mudel tarkvara, püsivara või riistvara. Juurutage mudeli kehastus serva või pilve, ühendades tootmisesisesed andmevood.

Mudeli hooldus

Pärast kasutuselevõttu tuleb tehisintellekti mudeleid pidevalt jälgida ja säilitada, et käsitleda kontseptsiooni muudatusi ja võimalikke kontseptsioonitriivesid, mis võivad tekkida Mõiste muutus toimub siis, kui mudelile (või väljundmärgisele) sisendi tähendus muutub nt muudetud reeglite tõttu. Mõistetriiv tekib siis, kui muutus ei ole drastiline, vaid kerkib aeglaselt. Drift on sageli tingitud andurite koorumisest ehk aeglasest evolutsioonist aja jooksul anduri eraldusvõimega (väikseim tuvastatav erinevus kahe väärtuse vahel) või üldisest esitusintervallist. Populaarne strateegia mudelhoolduse käsitsemiseks on aknapõhine taasõpe, mis tugineb hiljutistele andmepunktidele ML-mudeli koostamiseks. Teine kasulik meetod AI mudeli hooldamiseks on tagasi testimine. Enamasti kasutaja organisatsioon teab, mis juhtus pärast AI mudeli vastuvõtmist ja saab võrrelda mudeli ennustust tegelikkusega. See toob esile kontseptsiooni muutused: kui aluseks olev kontseptsioon lülitub, näevad organisatsioonid jõudluse vähenemist. Teine viis nende mõistetriivide tuvastamiseks võib hõlmata AI mudeli koolitamiseks kasutatava sisendandmestiku statistilist iseloomustamist, nii et seda koolitusandmestikku on võimalik võrrelda praeguste sisendandmetega statistiliste omaduste poolest. Olulised erinevused andmekogumite vahel võivad viidata võimalike mõistetriivide olemasolule, mis võib nõuda taasõppimise protsessi läbiviimist isegi enne, kui süsteemi väljund oluliselt mõjutab. Sel moel saab sisseõppe/taasõppe protsesse, mis võivad olla potentsiaalselt aeganõudvad ja ressursse tarbivad, läbi viia ainult siis, kui seda on vaja perioodiliselt, nagu ka eespool nimetatud aknapõhistes taasõppe strateegiates. Mudeli hooldus peegeldab ka vajadust jälgida ettevõtte eesmärke ja varasid, mis võivad aja jooksul areneda ja seega mõjutada mudelit ennast.

Mudel Hooldus Lühidalt: Jälgige ML järeldus tulemused kasutusele AI mudel, samuti sisendandmed saadud mudel, et tuvastada võimalikke kontseptsiooni muutusi või triivib. Uuendage mudelit, kui vaja.

Äri mõistmine

AI-mudeli ehitamine on sageli kallis ja alati aeganõudev. See kujutab endast mitmeid äririske, sealhulgas ei avalda olulist mõju kasutajaorganisatsioonile, samuti puuduvad tootmisesisesed tähtajad pärast valmimist. Ärimõistmine on etapp, kus ettevõtted, kes kasutavad AI-mudeleid, saavad ülevaate AI mõjust oma äritegevusele ja püüavad edu tõenäosust maksimeerida.

Business mõistmise lühidalt: Hinnake väärtus ettepaneku kasutusele AI mudel. Hinnake (enne juurutamist) ja kontrollige (pärast juurutamist) ettevõtte mõju.

Tehisintellekti küberturvalisuse väljakutsed*

Täieliku aruande lugemine (PDF)

ENISA aruanne — AI küberturvalisuse väljakutsed

Lugege algset suhtlust.

*Jagatud loal Creative Commons — Attribution 4.0 International (CC BY 4.0) — litsents.

Täiendav lugemine

Hüppeliselt kulud? Arvestades andmete rikkumise ökonoomika

Iiri õnn? Iirimaa andmekaitsekomisjon avaldab aastaaruande

Allikas: ComplexDiscovery

SPAC rünnak? Cellebrite liigub poole muutumas avalik ettevõte

According to Adam Clammer, Chief Executive Officer of TWC Tech Holdings,...

Cobra õiguslikud lahendused saavad investeeringuid Blue Sage Capitalilt

According to Eric Weiner, Partner at Blue Sage, “We are excited...

E-juurdluse ühinemised, ülevõtmised ja investeeringud kvartalis 2021

From Relativity and Reveal to Compliance (System One) and Veristar, the...

Küberrisk ja tasu? Kroll omandab RedScan

According to Redscan CEO, Mike Fenton, “Merging Redscan’s innovative culture and...

Uus ajastu e-juurdluse? Turukasvu raamimine kuue ajastute objektiivi kaudu

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

E-juurdluse turu suurus Mashup: 2020-2025 ülemaailmne tarkvara ja teenuste ülevaade

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

Lähtestamine lähtestamine? e-juurdluse turu suuruse kohandused aastaks 2020

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

Kodu või eemal? e-juurdluse kollektsiooni turu suuruse ja hinnakujunduse kaalutlused

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

Viis suurt lugemist e-juurdluse kohta märts 2021

From data breach economics and vulnerabilities to private-equity investments and vendor...

Viis suurt lugemist e-juurdluse kohta veebruar 2021

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

Viis suurt lugemist e-juurdluse kohta jaanuar 2021

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

Viis suurt lugemist e-juurdluse kohta detsember 2020

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

Cobra õiguslikud lahendused saavad investeeringuid Blue Sage Capitalilt

According to Eric Weiner, Partner at Blue Sage, “We are excited...

Korporatsioon Z? ZDiscovery platvormi Zheaks väljaanded

According to the announcement, Monica Enand, Zapproved Founder and CEO, shared,...

Pea pilvedes? CloudNine väljaannete ülevaate

According to Tony Caputo, CEO of CloudNine, “CloudNine is 100% dedicated...

Kõik ühe ja üks kõigi jaoks? Epiq käivitab ühtse digitaalse kliendi kogemuse

According to the announcement, Epiq Access is available globally and provides...

Soojenemine optimism? Kevad 2021 e-juurdluse äri usalduse uuring

The eDiscovery Business Confidence Survey is a nonscientific quarterly survey designed...

Külma ilmaga saagi? Prognoositav kodeerimise tehnoloogiate ja protokollide uuring — 2021. aasta kevad tulemused

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

Tulevad metsast välja? Kaheksateist tähelepanekut e-juurdluse ettevõtete usalduse kohta 2021. aasta talvel

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

E-juurdluse äritegevust mõjutavad probleemid: Winter 2021 ülevaade

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