Это все относительно? Исследование технологий и протоколов прогноза кодирования — весна 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

Примечание редактора: Это четвертый обзор прогноза кодирования и технологий и протоколов, проведенный ComplexDiscovery. Начатая осенью 2018 года и обновляемая раз в полгода, эта итерация опроса имела 63 специалиста по сбору данных и юридическим вопросам, которые поделились своим пониманием и опытом в рамках опроса по четырем вопросам. Ниже приведены результаты обследования весны 2020 года с надеждой на то, что общие, ненаучные результаты обследований могут помочь профессионалам в области электронного обнаружения, рассматривая платформы, технологии, протоколы, рабочие процессы и виды применения прогнозного кодирования.

Исследование технологий и протоколов прогноза кодирования Весна 2020

Исследование технологий и протоколов прогнозного кодирования — это ненаучный опрос, призванный помочь получить общее представление об использовании технологий прогнозирования кодирования, протоколов и рабочих процессов специалистами по обнаружению данных и юридическому раскрытию в экосистеме eDiscovery. Весенний опрос 2020 был открыт с 10 февраля 2020 года по 12 февраля 2020 года, с лицами, приглашенными принять участие непосредственно в ComplexDiscovery.

Цель обследования, призванной обеспечить общее понимание технологий и протоколов прогнозирования кодирования, заключалась в двух основных образовательных целях:

Предоставление сводного списка потенциальных технологий прогнозирования кодирования, протоколов и определений рабочего процесса. Хотя этот перечень не является всеобъемлющим или всеобъемлющим, он был проверен отдельными отраслевыми экспертами по прогнозированию кодирования на предмет его полноты и точности, что, как представляется, является выгодным для использования в просветительских усилиях.

Спросить специалистов по экосистемам eDiscovery об их предпочтениях в отношении платформ прогнозирования кодирования, технологий, протоколов, рабочих процессов и областей использования.

Это обследование дало респондентам возможность представить справочную информацию о прогнозном кодировании, включая их основную платформу прогнозирования кодирования, а также задало четыре конкретных вопроса респондентам. Эти вопросы:

Какие технологии прогнозирования кодирования используются вашей платформой eDiscovery?

Какие протоколы обзора с помощью технологии используются при предоставлении прогнозного кодирования?

Каков основной технологический процесс обзора, используемый при предоставлении прогнозного кодирования?

В каких областях используются технологии анализа, протоколы и рабочие процессы с помощью технологий?

Закрытый 12 февраля 2020 года, опрос весны 2020 года охватило 63 респондента.

Основные результаты и наблюдения

Первичная платформа прогнозирования кодирования (диаграмма 1)

90,47% респондентов сообщили, что у них есть хотя бы одна основная платформа для прогнозного кодирования.

Респонденты сообщили о 20 различных платформах в качестве основной платформы прогнозирования кодирования.

Относительность была представлена 38,10% респондентов в качестве основной платформы прогнозирования кодирования.

53,97% респондентов опросов сообщили, что две основные платформы являются основной платформой прогнозирования кодирования.

9,52% респондентов сообщили, что у них нет основной платформы для прогнозного кодирования.

Занятость в технологии прогнозирования кодирования (диаграмма 2)

Согласно сообщениям, все перечисленные технологии прогнозирования используются по крайней мере одним респондентом обследования.

Активное обучение было сообщено как наиболее часто используемая технология прогнозирования кодирования, причем 85,71% респондентов используют ее в своих усилиях по прогнозированию кодирования.

34,92% респондентов сообщили об использовании только одной технологии прогнозного кодирования в своих усилиях по прогнозированию кодирования.

57,14% респондентов сообщили об использовании более одной технологии прогнозирования кодирования в своих усилиях по прогнозированию кодирования.

7,94% респондентов не сообщают об использовании какой-либо конкретной технологии прогнозирования кодирования.

Технологический протокол обзора занятости (диаграмма 3)

Согласно сообщениям, все перечисленные технологические протоколы для прогностического кодирования используются по крайней мере одним респондентом обследования.

Непрерывное активное обучение® (CAL®) было сообщено как наиболее часто используемый протокол прогнозного кодирования. 90,48% респондентов используют его в своих усилиях по прогнозированию кодирования.

57,14% респондентов сообщили о том, что они используют только один протокол прогнозного кодирования в своих усилиях по прогнозированию кодирования.

41,27% респондентов сообщили об использовании более одного протокола прогнозного кодирования в своих усилиях по прогнозированию кодирования.

1,59% респондентов сообщили, что не используют какой-либо протокол прогнозного кодирования.

Технологический анализ занятости в рабочих процессах (диаграмма 4)

73,02% респондентов сообщили об использовании технологии анализа (TAR) 2.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

7,94% респондентов сообщили об использовании ТДО 1.0, а 9,52% респондентов сообщили об использовании ТДО 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

9,52% респондентов не сообщали об использовании ТДО 1.0, ТДО 2.0 или ТДО 3.0 в качестве основного рабочего процесса при предоставлении прогнозного кодирования.

Использование технологий для обзора (диаграмма 5)

93,65% респондентов сообщили об использовании технологий анализа в более чем одной области данных и раскрытия юридических данных.

96,83% респондентов сообщили об использовании технологий для идентификации соответствующих документов.

14,29% респондентов сообщили об использовании технологии анализа для управления информацией и удаления данных.

Обзор ответчика по технологии прогнозирования кодирования и протокольным обследованиям (диаграмма 6)

41,27% респондентов были из юридических фирм.

38,10% респондентов представляли организации, предоставляющие программное обеспечение или услуги.

Остальные 20,63% респондентов были либо в составе консалтинговой компании (14,29%), корпорации (4,76%), правительства (0%) или другого типа организации (1,59%).

Диаграммы опроса

(Диаграммы могут быть расширены для детального просмотра.)

Диаграмма 1: Название основной платформы прогнозирования кодирования

1-Первичный-Прогнозирование-Кодирование-Платформы-Весна-2020

Диаграмма 2: Какие технологии прогнозирования кодирования используются вашей платформой eDiscovery?

2-Прогнозирование-кодирование-Технология использования-Весна-2020

Диаграмма 3: Какие протоколы обзора, основанные на технологии, используются при предоставлении прогнозного кодирования?

3-Техника-Техника-Обзор-Протокол-Используется-Весна-2020

Диаграмма 4: Каков основной технологический процесс обзора, используемый при предоставлении прогнозного кодирования?

4-Техника-Техника-Обзор-Рабочий процесс-Использование Весна-2020

Диаграмма 5: В каких областях используются технологии анализа, протоколы и рабочие процессы с помощью технологии?

5-Технологически-Обзор-Использование - Весна-2020

Диаграмма 6: Обзор респондента опроса

6-Прогнозирование - Кодирование-Технологии и Протоколы-Обзор-Весна-2020

Технологии и протоколы прогноза кодирования (обзор)

Как определено в Глоссарии Гроссмана-Кормака по технологическому обзору (1), прогнозное кодирование является отраслевым термином, обычно используемым для описания процесса рецензирования с использованием технологии алгоритма машинного обучения, позволяющего отличать релевантные от нерелевантных документов, на основе предмета кодирование обучающего набора документов. Это определение прогнозного кодирования содержит базовое описание, определяющее одну конкретную функцию, которую может использовать общий набор общепринятых алгоритмов машинного обучения в технологическом обзоре (ТДО).

С ростом осознания и использования прогностического кодирования в юридической сфере в настоящее время становится все более важным, чтобы специалисты в области электронного обнаружения имели общее представление о технологиях, которые могут быть реализованы на платформах электронного обнаружения для облегчения прогнозирования кодирования информации, хранящейся в электронном виде. Это общее понимание имеет важное значение, поскольку каждый потенциальный алгоритмический подход имеет преимущества и недостатки эффективности, которые могут повлиять на эффективность и эффективность прогнозирования кодирования.

Чтобы помочь в развитии общего понимания технологий прогнозирования кодирования и предоставить поставщикам электронных средств обнаружения возможность поделиться технологиями и протоколами, которые они используют на своих платформах и с ними для выполнения прогнозного кодирования, следующие рабочие списки прогнозного кодирования и протоколы TAR предоставляются для вашего использования. На рассмотрение также включены рабочие списки по рабочим процессам и видам применения прогнозного кодирования, поскольку они помогают определить, как реализуются и используются технологии прогнозирования кодирования и протоколы TAR.

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

Совокупный из экспертов по электронным открытиям на основе профессиональных публикаций и личных бесед, приведенный ниже представляет собой не все включено рабочий список идентифицированных технологий машинного обучения, которые были применены или могут быть применены к дисциплине eDiscovery для облегчения прогностическое кодирование. Этот рабочий список призван служить отправной точкой для определенных технологий прогнозирования и может со временем включать дополнения, корректировки и поправки, основанные на отзывах экспертов и организаций, применяющих и внедряющих эти основные технологии в своих конкретных платформах раскрытия электронных данных.

Перечислены 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 учиться эффективно.

Дерево решений: Пошаговый метод разграничения релевантных и нерелевантных документов в зависимости от того, какое сочетание 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 т.д. 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) на классифицируемый документ, чтобы определить наилучшую классификацию для документа. Если k слишком мал (например, k=1), может быть чрезвычайно трудно добиться высокого отзыва.

Латентный семантический анализ (LSA): математическое представление документов, которое рассматривает слова с высокой корреляцией (т.е. слова, которые, как правило, встречаются в одних и тех же документах) как эквивалентные или взаимозаменяемые. Такая эквивалентность или взаимозаменяемость может позволить алгоритмам идентифицировать документы как концептуально схожие, даже если они не используют одни и те же слова (например, потому что синонимы могут быть сильно коррелированы), хотя это также отбрасывает некоторые 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 является релевантным, основываясь на функциях, которые он содержит. В отличие от алгоритма Naïve Bayes, Logistic Regression определяет функции, которые различает между релевантными и нерелевантными документами.

Наивный байесовский классификатор: Система, которая изучает вероятность того, что каждое слово в новом документе происходит от распределения слов, полученного из подготовленного отзывчивого документа или обученных неотзывчивых документов. Система наивна в том смысле, что она предполагает, что все слова независимы друг от друга.

Нейронная сеть: искусственная нейронная сеть (ANN) является вычислительной моделью. Он основан на структуре и функциях биологических нейронных сетей. Он работает так же, как человеческий мозг обрабатывает информацию. Она включает в себя большое количество подключенных вычислительных устройств, которые работают вместе для обработки информации.

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

Случайные леса: метод обучения ансамбля для классификации, регрессии и других задач, которые работают путем построения множества деревьев решений во время тренировки и вывода класса, который является режимом классов (классификации) или среднего прогнозирования (регрессии) отдельных деревьев. Случайные леса для принятия решений корректны привычке деревьев принятия решений перегонки их тренировочного набора.

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

Поддержка векторной машины: математический подход, который стремится найти линию, которая отделяет отзывчивые от неотзывчивых документов, так что, в идеале, все отзывчивые документы находятся на одной стороне линии, а все неотзывчивые - на другой стороне.

Общие протоколы по ТДО (5,6,7,8,9,10)

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

Перечислены в алфавитном порядке

Непрерывное активное обучение® (CAL®): В CAL® метод TAR, разработанный, используемый и пропагандируемый Маурой Р. Гроссманом и Гордоном В. Кормаком, после первоначального набора обучения ученик неоднократно выбирает наиболее подходящие документы (которые еще не были рассмотрены) для рассмотрения, кодирования и обучения, и продолжает делать это до тех пор, пока не сможет найти больше соответствующих документов. Как правило, второй обзор не проводится, поскольку к тому времени, когда учащийся прекращает обучение, все документы, которые он считает актуальными, уже были идентифицированы и рассмотрены вручную.

Гибридный мультимодальный метод: подход, разработанный Группой электронного обнаружения (Ральф Лоси), который включает все виды методов поиска, при этом основной упор делается на прогностическое кодирование и использование документов высокого ранга для непрерывной активной подготовки.

Масштабируемое непрерывное активное обучение (S-CAL): Существенная разница между S-CAL и CAL® заключается в том, что для S-CAL для маркировки выбирается только конечная выборка документов из каждого последовательного пакета, и процесс продолжается до тех пор, пока не будет исчерпана коллекция или большая случайная выборка коллекции. В совокупности конечные выборки образуют стратифицированную выборку совокупности документов, из которой можно получить статистическую оценку ρ.

Простое активное обучение (SAL): В методах SAL, после начального набора обучения, ученик выбирает документы, которые должны быть рассмотрены и закодированы учителем, и используется в качестве примеров обучения, и продолжает отбирать примеры до тех пор, пока он не будет достаточно подготовлен. Как правило, ученик выбирает те документы, о которых ученик наименее уверен, и, следовательно, из которых он будет учиться больше всего. После того, как ученик достаточно обучен, затем используется для маркировки каждого документа в коллекции. Как и в случае с SPL, документы, помеченные как относящиеся к делу, обычно пересматриваются вручную.

Простое пассивное обучение (SPL): В простых методах пассивного обучения («SPL») учитель (т.е. человеческий оператор) выбирает документы для использования в качестве обучающих примеров; учащийся обучается с использованием этих примеров, и после того, как он достаточно обучен, используется для маркировки каждого документа в коллекции как релевантный или не- актуально. Как правило, документы, помеченные учащимся как относящиеся к делу, пересматриваются вручную. Этот ручной обзор представляет собой небольшую часть коллекции и, следовательно, небольшую часть времени и затрат на исчерпывающий обзор вручную.

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:

ТДО 1.0 включает в себя этап обучения, за которым следует этап обзора, при котором набор управления используется для определения оптимальной точки, когда вы должны перейти от обучения к обзору. После завершения этапа обучения система больше не учится. Контрольный набор представляет собой случайный набор документов, которые были рассмотрены и отмечены как имеющие отношение к делу или не имеющие отношения к делу. Документы набора управления не используются для обучения системы. Они используются для оценки прогнозов системы, поэтому обучение может быть прекращено, если преимущества дополнительного обучения больше не перевешивают стоимость дополнительного обучения. Обучение может проводиться с использованием случайно выбранных документов, известных как Simple Passive Learning (SPL), или это может включать документы, выбранные системой для оптимизации эффективности обучения, известные как Simple Active Learning (SAL).

TAR 2.0 использует подход, называемый непрерывным активным обучением® (CAL®), что означает, что нет разделения между обучением и обзором — система продолжает учиться на протяжении всего процесса. Хотя для отбора документов для обзора может использоваться множество подходов, важным компонентом CAL® является множество итераций прогнозирования того, какие документы, скорее всего, будут актуальны, их анализа и обновления прогнозов. В отличие от TAR 1.0, TAR 2.0 имеет тенденцию быть очень эффективным даже при низком уровне распространенности. Поскольку нет разделения между обучением и обзором, TAR 2.0 не требует набора управления. Создание набора управления может включать в себя обзор большого (особенно когда распространенность низкая) числа нерелевантных документов, поэтому желательно избегать наборов управления.

TAR 3.0 требует высококачественного алгоритма концептуальной кластеризации, который формирует узко сфокусированные кластеры фиксированного размера в концептуальном пространстве. Она применяет методологию ТДО 2.0 только к кластерным центрам, что обеспечивает обзор разнообразного набора потенциально значимых документов. Как только больше не удается найти релевантные кластерные центры, рассмотренные кластерные центры используются в качестве учебных документов для составления прогнозов по полной совокупности документов. Нет необходимости в наборе управления — система хорошо обучена, когда не удается найти дополнительные соответствующие кластерные центры. Анализ проанализированных кластерных центров позволяет оценить распространенность и количество нерелевантных документов, которые были бы подготовлены, если бы документы были подготовлены исключительно на основе прогнозов без рассмотрения человеком. Пользователь может принять решение о создании документов (не идентифицированных как потенциально привилегированные) без проверки, аналогично SAL из TAR 1.0 (но без набора управления), или он может решить пересмотреть документы, 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 для принятия решения о том, как действовать после завершения проверки кластерных центров, которые, вероятно, будут актуальны, и ничего не сделано до того, как эта точка становится недействительной решением (сравнить с TAR 1.0, обзор набора элементов управления, поиск что прогнозы недостаточно хороши для создания документов без обзора, а затем переключение на TAR 2.0, что делает набор управления практически бесполезным).

Использование TAR (12)

Технологии, протоколы и рабочие процессы TAR можно эффективно использовать, чтобы помочь специалистам по обнаружению электронных данных выполнять множество задач по обнаружению данных и раскрытию юридических данных. Девять наиболее распространенных примеров использования ТДО включают:

Идентификация соответствующих документов

Ранняя оценка дел и расследование

Установление приоритетов для обзора

Категоризация (по вопросам, для конфиденциальности или конфиденциальности)

Проверка привилегий

Контроль качества и обеспечение качества

Обзор входящих производств

Изложение/подготовка к судебному разбирательству

Управление информацией и управление данными

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

Рекомендации

1) Гроссман, М. и Кормак, Г. (2013). Глоссарий Гроссмана-Кормака по техническому обзору. [ebook] Обзор законодательства федеральных судов. Доступно по адресу: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Доступно 31 августа 2018 г.].

(2) Димм, Б. (2018). Экспертиза в области прогнозирования кодирования. [email].

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

(4) Треденник, Дж. и Пикенс, Дж. (2017). Глубокое обучение в электронном обнаружении: движение мимо шумихи. [онлайн] Catalystsecure.com. Доступно по адресу: 31 августа 2018 г.].

(5) Гроссман, М. и Кормак, Г. (2017). Технологический анализ при электронном обнаружении. [электронная книга] Доступно по адресу: 31 августа 2018 г.].

(6) Гроссман, М. и Кормак, Г. (2016). Непрерывное активное обучение для TAR. Практическое право. Доступно по адресу: 31 августа 2018 г.].

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

(8) Лози, Р., Салливан, Дж. и Райхенбергер, Т. (2015). Команда электронного открытия на TREC 2015 Total Recall Track. [ebook] Доступно по адресу: [Доступно 1 сентября 2018 г.].

(9) «НЕПРЕРЫВНОЕ АКТИВНОЕ ОБУЧЕНИЕ Товарный знак Моры Гроссман и Гордон В. Кормак - Регистрационный номер 5876987 - Серийный номер 86634255:: Justia Товарные знаки». Торговые марки.Justia.Com, 2020, [Доступ к 12 февраля 2020].

(10) «CAL товарный знак Моры Гроссман и Гордон В. Кормак - регистрационный номер 5876988 - серийный номер 86634265:: товарные знаки Justia». Торговые марки.Justia.Com, 2020, [Доступ к 12 февраля 2020].

(11) Dimm, B. (2016), TAR 3.0 Производительность. [online] Блоги Clustify — обнаружение электронных данных, кластеризация документов, прогнозирование кодирования, поиск информации и разработка программного обеспечения. Доступно по адресу: 18 февраля 2019 г.].

12) Справочная модель электронного обнаружения (EDRM) (2019 год). Руководящие принципы по техническому обзору (ТДО). [онлайн] Доступно по адресу: 18 Фев. 2019].

(13) Димм, Б. (2018). TAR, пропорциональность и плохие алгоритмы (1-NN). [online] Блоги Clustify — обнаружение электронных данных, кластеризация документов, прогнозирование кодирования, поиск информации и разработка программного обеспечения. Доступно по адресу: 31 августа 2018 г.].

14) Робинсон, Р. (2013 год). Результаты выполнения: Исследование внедрения прогнозного кодирования с одним вопросом поставщика. [online] Сложное обнаружение: информация об обнаружении электронных данных. Доступно по адресу: 31 августа 2018 г.].

(15) Робинсон, Р. (2018). Список запущенных: более 100 лучших поставщиков электронных данных. [online] Сложное обнаружение: информация об обнаружении электронных данных. Доступно по адресу: 31 августа 2018 г.].

(16) Робинсон, Р. (2018) Относительно Говоря: Результаты опроса по технологиям прогнозирования кодирования и протоколам [онлайн] ComplexDiscovery: информация об обнаружении электронных данных. Доступно по адресу: 18 февраля 2019 г.].

(17) Робинсон, Р. (2019) Активное обучение? Результаты опроса по технологиям прогнозирования кодирования и протоколам [онлайн] ComplexDiscovery: информация об обнаружении электронных данных. Доступно на: 22 августа 2019 г.]

(18) Робинсон, Р. (2019) От платформ к рабочим процессам: исследование технологий и протоколов прогноза кодирования - результаты осени 2019 года [онлайн] ComplexDiscovery: информация об обнаружении электронных данных. Доступно по адресу: [Доступ к 12 февраля 2020 г.].

Щелкните здесь, чтобы указать конкретные добавления, исправления и обновления.

Источник: КомплексОбнаружение

Результаты опроса доверия бизнеса к раскрытию электронных данных — лето 2020

This is the nineteenth quarterly eDiscovery Business Confidence Survey conducted by...

Столп расширения прав и возможностей? Оценка и анализ защиты данных GDPR

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

Подключение точек: рассмотрение раскрытия электронной информации от инициаторов к экосистеме

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

XDD приобрел RVM

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

A Running List: Top 100+ eDiscovery Providers

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

Руководство по покупателям систем электронного раскрытия информации — издание 2020 года (Эндрю Хаслам)

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

Гонка на стартовой линии? Недавние объявления о безопасному удаленному обзору

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

Включение удаленного обнаружения электронных данных? Снимок DaaS

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

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...

Изменения и решения? Новые соображения по безопасному удаленному проверку обнаружения электронных данных

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

A Macro Look at Past and Projected eDiscovery Market Size from 2012 to 2024

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

An eDiscovery Market Size Mashup: 2019-2024 Worldwide Software and Services Overview

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

Результаты опроса доверия бизнеса к раскрытию электронных данных — лето 2020

This is the nineteenth quarterly eDiscovery Business Confidence Survey conducted by...

Вопрос ценообразования? Текущая обновленная информация о полугодовых опросах цен на обнаружение электронных данных

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

Пандемиэкономический показатель? Результаты опроса цен на обнаружение электронных данных летом 2020 года

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

COVID-19 Ограничен? Влияние шести вопросов на бизнес раскрытия электронных данных

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

XDD приобрел RVM

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

Ipro Приобретает NetGovern

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

Morae приобрел юридические консультации по управлению Janders Dean

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

Слияния, поглощения и инвестиции в раскрытие электронных данных во втором квартале 2020 года

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

Пять отличных данных по раскрытию электронных данных за июнь 2020 года

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

Пять отличных данных по раскрытию электронных данных за май 2020 года

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

Пять великих читов по раскрытию электронных данных за апрель 2020 года

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

Пять великих поданных по раскрытию данных и легальным раскрытию за март 2020 года

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