Est-ce que tout est relatif ? Enquête sur les technologies et protocoles de codage prédictif — Résultats du printemps 2020

The Predictive Coding Technologies and Protocols Survey is a non-scientific survey designed to help provide a general understanding of the use of predictive coding technologies, protocols, and workflows by data discovery and legal discovery professionals within the eDiscovery ecosystem.

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

Note de l'éditeur : Il s'agit de la quatrième enquête sur le codage prédictif et les technologies et protocoles menée par ComplexDiscovery. Lancée à l'automne 2018 et actualisée semestriellement, cette itération du sondage a permis à 63 professionnels des données et de la découverte juridique de partager leur compréhension et leur expérience dans le cadre du sondage à quatre questions. Vous trouverez ci-dessous les résultats de l'enquête du printemps 2020 dans l'espoir que les résultats généraux non scientifiques pourraient aider les professionnels de la découverte électronique à prendre en compte les plateformes de codage prédictif, les technologies, les protocoles, les flux de travail et les utilisations.

Enquête du printemps 2020 sur les technologies et les 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 2020 a été ouvert du 10 février 2020 au 12 février 2020, et des personnes ont été invitées à participer directement par ComplexDiscovery.

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

Fournir une liste consolidée des définitions potentielles de technologies de codage prédictif, de protocoles et de flux de travail. Bien qu'elle ne soit pas exhaustive ni exhaustive, la liste a été vérifiée par des experts du codage prédictif de l'industrie pour s'assurer de son exhaustivité et de son exactitude, de sorte qu'elle semble rentable pour les efforts d'éducation.

Demandez aux professionnels de l'écosystème eDiscovery leurs préférences concernant les plateformes de codage prédictif, les technologies, les protocoles, les workflows et les domaines d'utilisation.

Le sondage a permis aux répondants de fournir des renseignements généraux sur le codage prédictif, y compris leur plate-forme de codage prédictif principale, et de poser quatre questions précises aux répondants. Ces questions sont les suivantes :

Quelles technologies de codage prédictif sont utilisées par votre plateforme eDiscovery ?

Quels protocoles d'examen assistés par la technologie sont utilisés dans votre prestation de codage prédictif ?

Quel est le principal flux de travail d'examen assisté par la technologie utilisé pour la livraison du codage prédictif ?

Quels sont les domaines dans lesquels vous utilisez des technologies d'examen assistées par la technologie, des protocoles et des flux de travail ?

Fermé le 12 février 2020, le sondage du printemps 2020 comptait 63 répondants.

Principaux résultats et observations

Plateforme principale de codage prédictif (graphique 1)

90,47 % des répondants ont déclaré avoir au moins une plate-forme principale pour le codage prédictif.

Il y avait 20 plates-formes différentes déclarées comme plateforme de codage prédictif primaire par les intervenants.

38,10 % des répondants ont déclaré que la relativité était la principale plateforme de codage prédictif.

53,97 % des répondants ont déclaré que les deux plates-formes les plus importantes étaient les principales plateformes de codage prédictif.

9,52 % des répondants ont indiqué qu'ils n'avaient pas de plateforme principale pour le codage prédictif.

Emploi dans les technologies de codage prédictif (graphique 2)

Toutes les technologies de codage prédictif énumérées ont été déclarées utilisées par au moins un répondant à l'enquête.

L'apprentissage actif a été signalé comme la technologie de codage prédictif la plus utilisée, 85,71 % des répondants l'utilisant dans leurs efforts de codage prédictif.

34,92 % des répondants ont déclaré utiliser une seule technologie de codage prédictif dans leurs efforts de codage prédictif.

57,14 % des répondants ont déclaré avoir utilisé plus d'une technologie de codage prédictif dans leurs efforts de codage prédictif.

7,94 % des répondants n'ont pas déclaré utiliser une technologie de codage prédictif spécifique.

Emploi dans le cadre du Protocole d'examen assisté par la technologie (graphique 3)

Tous les protocoles assistés par la technologie énumérés pour le codage prédictif ont été signalés comme étant utilisés par au moins un répondant à l'enquête.

L'apprentissage actif continu® (CAL®) a été signalé comme le protocole de codage prédictif le plus utilisé, 90,48 % des répondants l'ayant utilisé dans leurs efforts de codage prédictif.

57,14 % des répondants ont déclaré utiliser un seul protocole de codage prédictif dans leurs efforts de codage prédictif.

41,27 % des répondants ont déclaré avoir utilisé plus d'un protocole de codage prédictif dans leurs efforts de codage prédictif.

1,59 % des répondants ont déclaré n'utiliser aucun protocole de codage prédictif.

Emploi dans le processus d'examen assisté par la technologie (graphique 4)

73,02 % des répondants ont déclaré utiliser l'examen assisté par la technologie (TAR) 2.0 comme flux de travail principal dans la prestation du codage prédictif.

7,94 % des répondants ont déclaré utiliser le TAR 1.0 et 9,52 % des répondants ont indiqué utiliser le TAR 3.0 comme flux de travail principal dans la prestation du codage prédictif.

9,52 % des répondants n'ont pas indiqué utiliser TAR 1.0, TAR 2.0 ou TAR 3.0 comme flux de travail principal dans la prestation du codage prédictif.

Utilisation de l'examen assisté par la technologie (graphique 5)

93,65 % des répondants ont déclaré avoir recours à l'examen assisté par la technologie dans plus d'un domaine des données et de la recherche juridique.

96,83 % des répondants ont déclaré avoir recours à l'examen assisté par la technologie pour identifier les documents pertinents.

14,29 % des répondants ont déclaré avoir recours à l'examen assisté par la technologie pour la gouvernance de l'information et l'élimination des données.

Aperçu du répondeur à l'enquête sur la technologie de codage prédictif et le protocole (graphique 6)

41,27 % des répondants provenaient de cabinets d'avocats.

38,10 % des répondants provenaient d'organisations de fournisseurs de logiciels ou de services.

Les 20,63 % restants des répondants faisaient partie d'un cabinet de consultants (14,29 %), d'une société (4,76 %), du gouvernement (0 %) ou d'un autre type d'entité (1,59 %).

Graphiques d'enquête

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

Graphique 1 : Nom de la principale plateforme de codage prédictif

1-Primaire-Prédictive-Plateforme de Coding-Printemps-2020

Graphique 2 : Quelles technologies de codage prédictif sont utilisées par votre plateforme eDiscovery ?

2-Prédictive-Codage Technologie-Utilisé-Printemps-2020

Graphique 3 : Quels protocoles d'examen assistés par la technologie sont utilisés dans votre prestation de codage prédictif ?

3-Vérification assistée par la technologie-Protocole-Utilisée-Printemps-2020

Graphique 4 : Quel est le principal flux de travail d'examen assisté par la technologie utilisé pour la prestation du codage prédictif ?

4-Examen assisté par la technologie-Flux de travail-Utilisation-Printemps-2020

Graphique 5 : Quels sont les domaines où vous utilisez des technologies d'examen assistées par la technologie, des protocoles et des flux de travail ?

5-Vérification assistée par la technologie-Utilisations-Printemps-2020

Graphique 6 : Vue d'ensemble des répondants au sondage

6-prédictive-de-coding-technologies-et-protocoles-Survey-Survey-Printemps-2020

Technologies et protocoles de codage prédictif (Fiche d'information du sondage)

Tel que défini dans le Glossary of Technology-Assisted Review (1) de 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 de l'expert de la question 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 couramment acceptés peut utiliser dans un examen assisté par la technologie (TAR).

Compte tenu de la prise de conscience et de l'utilisation croissante du codage prédictif dans le domaine juridique, 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 plateformes de découverte électronique afin de faciliter le codage prédictif des informations stockées électroniquement. Cette compréhension générale est essentielle car chaque approche algorithmique potentielle présente des avantages et des inconvénients en matière d'efficacité qui peuvent avoir une incidence sur l'efficacité et l'efficience du codage prédictif.

Pour aider à développer cette compréhension générale des technologies de codage prédictif et offrir aux fournisseurs de découverte électronique la possibilité de partager les technologies et les protocoles qu'ils utilisent dans et avec leurs plateformes pour accomplir le codage prédictif, les listes de travail suivantes de 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 à votre attention, car elles aident à définir la façon dont les technologies de codage prédictif et les protocoles TAR sont implémentés et utilisés.

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

Regroupée à partir d'experts de la découverte électronique basés sur des publications professionnelles et des conversations personnelles, la liste de travail non exhaustive des technologies d'apprentissage automatique identifiées qui ont été appliquées ou qui ont le potentiel d'être appliquées à la discipline de la découverte électronique afin de faciliter 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 en fonction des commentaires des experts et des organisations qui appliquent et mettent en œuvre ces technologies courantes dans leurs plateformes de découverte électronique spécifiques.

Liste dans l'ordre alphabétique

Apprentissage actif : Processus, typiquement itératif, par lequel un algorithme est utilisé pour sélectionner les documents qui doivent 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 des documents non pertinents, selon la combinaison de mots (ou d'autres caractéristiques) qu'ils contiennent. Un arbre de décision permettant d'identifier les documents relatifs aux produits financiers dérivés pourrait d'abord déterminer si un document contenait ou non le mot « swap ». Si tel était le cas, l'arbre de décision pourrait alors déterminer si le document contenait ou non un « crédit », etc. Un arbre de décision peut être créé soit par l'ingénierie des connaissances, soit par l'apprentissage automatique.

Classificateur K le plus proche du voisin (K-nn) : algorithme de classification qui analyse les k exemples de documents les plus similaires (les plus proches) au document classé 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 les mots fortement corrélés (c'est-à-dire les mots qui ont tendance à apparaître 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 similaires sur le plan conceptuel même lorsqu'ils n'utilisent pas les mêmes mots (par exemple, parce que les synonymes peuvent être fortement corrélés), bien qu'ils rejettent également certaines informations potentiellement utiles et peuvent conduire à des résultats indésirables causés par corrélations fausses.

Régression logistique : algorithme d'apprentissage supervisé de pointe 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 non pertinents.

Classificateur bayésien naïf : Système qui examine la probabilité que chaque mot d'un nouveau document provient de la distribution de mots dérivée d'un document réactif formé ou de documents formés non réceptifs. Le système est naïf en ce sens qu'il suppose que tous les mots sont indépendants les uns des autres.

Réseau de neurones : Un réseau de neurones artificiels (ANN) est un modèle de calcul. Il est basé sur la structure et les fonctions des réseaux de neurones 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 fonctionnent en construisant une multitude d'arbres de décision au moment de l'entraînement et en sortant la classe qui est le mode des classes (classification) ou la prédiction moyenne (régression) des arbres individuels. Les forêts de décision aléatoires corrigent l'habitude des arbres de décision de suradapter à leur ensemble d'entraînement.

Rétroaction sur la pertinence : Processus d'apprentissage actif dans lequel les documents les plus susceptibles d'être pertinents 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 sensibles de sorte que, idéalement, tous les documents sensibles sont d'un côté de la ligne et tous les documents non sensibles sont de l'autre côté.

Protocoles généraux du 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 TAR :

Liste dans l'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 les plus pertinents (qui n'ont pas encore été pris en considération) pour examen, codage et formation, et continue de le faire jusqu'à ce qu'il ne trouve plus 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 s'appuyant principalement sur le codage prédictif et l'utilisation de documents de haut niveau pour la formation active continue.

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

Apprentissage actif simple (SAL) : Dans les méthodes SAL, après la formation initiale, l'apprenant sélectionne les documents à examiner et à coder par l'enseignant et utilisés comme exemples de formation, et continue à sélectionner des exemples jusqu'à ce qu'il soit suffisamment formé. En règle générale, les documents choisis par l'apprenant sont ceux dont il est le moins certain, et par conséquent à partir desquels il apprendra le plus. Une fois suffisamment formé, l'apprenant est ensuite utilisé pour étiqueter tous les documents de la collection. Comme dans le cas de 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) sélectionne les documents à utiliser comme exemples de formation ; l'apprenant est formé à l'aide de ces exemples, et une fois suffisamment formé, est utilisé pour étiqueter chaque document de la collection comme pertinent ou non. pertinentes. En général, les documents étiquetés comme pertinents par l'apprenant sont réexaminés manuellement. Cet examen manuel représente une petite fraction de la collection, et donc une petite fraction du temps et du coût d'un examen manuel exhaustif.

Workflows TAR (11)

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

Le TAR 1.0 comporte une phase d'entraînement suivie d'une phase d'examen avec un jeu de commandes utilisé pour 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. L'ensemble 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 être effectuée avec des documents choisis au hasard, connus sous le nom de Simple Passive Learning (SPL), ou elle peut impliquer des documents choisis par le système pour optimiser l'efficacité de l'apprentissage, connus sous le nom de Simple Active Learning (SAL).

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, un élément important de CAL® est de nombreuses itérations permettant de prévoir les documents les plus susceptibles d'être pertinents, de les examiner et de les mettre à jour. Contrairement au TAR 1.0, le TAR 2.0 a tendance à être très efficace même lorsque la prévalence est faible. Comme 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 de documents non pertinents (surtout lorsque la prévalence est faible), de sorte qu'il est souhaitable d'éviter les ensembles de contrôles.

TAR 3.0 nécessite un algorithme de clustering conceptuel de haute qualité qui forme des clusters étroitement ciblés de taille fixe dans l'espace conceptuel. Il applique la méthodologie TAR 2.0 uniquement aux centres de grappes, ce qui garantit qu'un ensemble diversifié de documents potentiellement pertinents est examiné. Lorsqu'il n'y a plus de centres de groupement pertinents, les centres de groupement examinés servent de documents de formation pour établir des prévisions pour l'ensemble de la population de documents. Il n'est pas nécessaire de disposer d'un ensemble de contrôle — le système est bien formé lorsqu'il n'est pas possible de trouver d'autres centres de grappes pertinents. L'analyse des centres de regroupement examinés fournit une estimation de la prévalence et du nombre de documents non pertinents qui seraient produits si les documents étaient établis 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 à SAL de TAR 1.0 (mais sans jeu de contrôle), ou il peut décider d'examiner des documents qui présentent trop de risques d'être non pertinents (qui peuvent être utilisés comme formation supplémentaire pour le système, c.-à-d. 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 grappes susceptibles d'être pertinents, et que rien ne soit fait avant que ce point ne soit invalidé par la décision (comparer à partir de 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 contrôle pratiquement inutile).

Utilisations du TAR (12)

Les technologies, protocoles et flux de travail 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

Revue des Productions Incoming

Disposition et préparation de l'essai

Gouvernance de l'information et élimination des données

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

Références

(1) Grossman, M. et Cormack, G. (2013). Glossaire de l'examen assisté par la technologie de Grossman-Cormack. [ebook] Examen 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. [ebook] OrCaTEC. Disponible au : 31 août 2018].

(4) Tredennick, J. et Pickens, J. (2017). Apprentissage approfondi dans la découverte électronique : passer au battage médiatique. [en ligne] CatalystSecure.com. Disponible au : 31 août 2018].

(5) Grossman, M. et Cormack, G. (2017). Examen assisté par la technologie dans le cadre de 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 au : 31 août 2018].

(7) Grossman, M. et Cormack, G. (2016). Évolutivité de l'apprentissage actif continu pour une classification fiable de texte à rappel élevé. [ebook] Disponible au : 3 sept. 2018].

(8) Losey, R., Sullivan, J. et Reichenberger, T. (2015). Équipe de découverte électronique au TREC 2015 Total Recall Track. [ebook] Disponible à l'adresse suivante : [Consulté le 1er sept. 2018].

(9) « CONSULTIVE ACTIVE LEARNING Marque de commerce de Maura Grossman And Gordon V. Cormack - Numéro d'enregistrement 5876987 - Numéro de série 86634255 : : Marques Justification ». Trademarks.Justia.com, 2020, [Consulté le 12 févr. 2020].

10) « Marque de commerce CAL de Maura Grossman And Gordon V. Cormack - Numéro d'enregistrement 5876988 - Numéro de série 86634265 : : Marques Justification ». Trademarks.Justia.com, 2020, [Consulté le 12 févr. 2020].

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

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

(13) Dimm, B. (2018). TAR, Proportionnalité et Algorithmes erronés (1-NN). [online] Blogue Clustify : découverte électronique, clustering de documents, codage prédictif, récupération d'informations et développement de logiciels. Disponible au : 31 août 2018].

(14) Robinson, R. (2013). Résultats en cours d'exécution : Enquête sur la mise en œuvre d'un fournisseur de codage prédictif. [online] CompleDiscovery : Informations sur la découverte électronique. Disponible au : 31 août 2018].

(15) Robinson, R. (2018). Liste en cours d'exécution : plus de 100 fournisseurs de découverte électronique. [online] CompleDiscovery : Informations sur la découverte électronique. Disponible au : 31 août 2018].

(16) Robinson, R. (2018) Relativement parlant : Technologies et protocoles de codage prédictif Résultats de l'enquête [en ligne] CompleDiscovery : eDiscovery Information. Disponible au : 18 févr. 2019].

(17) Robinson, R. (2019) Apprendre activement ? Technologies et protocoles de codage prédictif Résultats de l'enquête [en ligne] CompleDiscovery : eDiscovery Information. Disponible à : 22 août 2019]

(18) Robinson, R. (2019) Des plates-formes aux workflows : Enquête sur les technologies et protocoles de codage prédictif - Résultats de l'automne 2019 [en ligne] CompleDiscovery : eDiscovery Information. Disponible à : [Consulté le 12 févr. 2020].

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

Source : CompleDiscovery

Un pilier de l'autonomisation ? Évaluation et révision de la protection des données du RGPD

The general view is that two years after it started to...

Connecter les points : envisager la découverte électronique des initiateurs à l'écosystème

From a macro perspective, connecting the dots in eDiscovery is to...

XDD acquiert RVM

According to XDD CEO Bob Polus, “Merging forces with RVM further...

Ipro acquiert NetGovern

According to Dean Brown, CEO at Ipro Tech, “We are thrilled...

A Running List: Top 100+ eDiscovery Providers

Based on a compilation of research from analyst firms and industry...

Guide de l'acheteur des systèmes de divulgation électronique — Édition 2020 (Andrew Haslam)

Authored by industry expert Andrew Haslam, the eDisclosure Buyers Guide continues...

La course à la ligne de départ ? Annonces récentes d'examen sécurisé à distance

Not all secure remote review offerings are equal as the apparent...

Activation de la découverte électronique à distance ? Un instantané des DaaS

Desktop as a Service (DaaS) providers are becoming important contributors to...

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...

Révisions et décisions ? Nouvelles considérations relatives aux examens à distance sécurisés eDiscovery

One of the key revision and decision areas that business, legal,...

Un aperçu macroéconomique de la taille du marché de la découverte électronique passée et projetée de 2012 à 2024

From a macro look at past estimations of eDiscovery market size...

Un Mashup sur la taille du marché de la découverte électronique : 2019-2024 Présentation mondiale des logiciels et services

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

Une question de prix ? Mise à jour des réponses semestrielles à l'enquête sur les prix eDiscovery

First administered in December of 2018 and conducted four times during...

Un indicateur pandémique ? Résultats de l'enquête sur les prix eDiscovery Été 2020

Based on the complexity of data and legal discovery, it is...

COVID-19 Contrainé ? L'impact de six enjeux sur les activités de la découverte électronique

In the spring of 2020, 51.2% of respondents viewed budgetary constraints...

Une cause de pause ? Mesures opérationnelles de découverte électronique au printemps 2020

In the spring of 2020, 150 eDiscovery Business Confidence Survey participants...

XDD acquiert RVM

According to XDD CEO Bob Polus, “Merging forces with RVM further...

Ipro acquiert NetGovern

According to Dean Brown, CEO at Ipro Tech, “We are thrilled...

Morae acquiert le cabinet de conseil en gestion juridique Janders Dean

According to Janders Dean founder Justin North, "Now more than ever,...

Fusions, acquisitions et investissements eDiscovery au deuxième trimestre 2020

From UnitedLex to Onna, ComplexDiscovery findings, data points, and tracking information...

Cinq grandes lectures sur la découverte électronique pour juin 2020

From collection market size updates to cloud outsourcing guidelines, the June...

Cinq grandes lectures sur la découverte électronique pour mai 2020

From review market sizing revisions to pandemeconomic pricing, the May 2020...

Cinq grandes lectures sur eDiscovery pour avril 2020

From business confidence to the boom of Zoom, the April 2020...

Cinq grandes lectures sur la découverte de données et la découverte juridique pour mars 2020

From business continuity considerations to cybersecurity attacks, the March 2020 edition...