Sun. Sep 25th, 2022
    en flag
    nl flag
    et flag
    fi flag
    fr flag
    de flag
    he flag
    ja flag
    lv flag
    pl flag
    pt flag
    ru flag
    es flag

    Toimetaja märkus: See on seitsmes poolaasta ennustav kodeerimine tehnoloogiate ja protokollide uuring läbi ComplexDiscovery. Esialgsed kuus uuringut andsid üksikasjalikku tagasisidet umbes 384* õigus-, äri- ja tehnoloogia spetsialistidelt konkreetsete masinõppe tehnoloogiate kasutamise kohta ennustavas kodeerimises ja rõhutasid ka nende masinõppe tehnoloogiate kasutamist näiteks tehnoloogiaabistava ülevaate osana protokollid. Uuringu iteratsioon keskendub jätkuvalt ennustavatele kodeerimistehnoloogiatele, protokollidele, töövoogudele ja kasutustele kogu e-juurdluse ökosüsteemis. Algselt neljast põhiküsimusest koosnes uuring 2020. aasta sügisest algusest peale ühe uue küsimuse ennustava kodeerimiskasutuse levimuse kohta e-juurdluse töövoogude osana.

    Prognoosivad kodeerimistehnoloogiad ja protokollid (uuring)

    Viie küsimuse uuring

    Allpool on link lihtsale viie küsimusega küsitlusele, mille eesmärk on jäädvustada e-juurdluse ökosüsteemis tehnoloogiate, protokollide, töövoogude ja prognoositava kodeerimise praegust rakendust.

    Õiguslik, infotehnoloogia ja äri spetsialistid osalevad organisatsioonilises tegevuses, mis hõlmavad ennustava kodeerimise kasutamist, julgustatakse lõpetama lühikese viie küsimuse uuringu.

    Uuringu tulemused (välja arvatud vastaja kontaktandmed) liidetakse ja avaldatakse ComplexDiscovery blogis e-juurdluse kogukonna kasutamiseks.

    Ennustav kodeerimise tehnoloogiad ja protokollid (Survey Backgrounder)

    Nagu on määratletud Grossman-Cormack Glossary of Technology-Assisted Review (1), on ennustav kodeerimine tööstusharuspetsiifiline termin, mida üldiselt kasutatakse tehnoloogiaabilise läbivaatamise protsessi kirjeldamiseks, mis hõlmab masinõppe algoritmi kasutamist, et eristada asjakohaseid mitteasjakohastest dokumentidest, mis põhinevad teemal asi eksperdi kodeerimine koolituse dokumentide kogum. See ennustava kodeerimise definitsioon annab baseline kirjeldus, mis identifitseerib ühe konkreetse funktsiooni, mida üldtunnustatud masinõppe algoritmide üldkogum võib kasutada tehnoloogiaabistavas ülevaates (TAR).

    Mis kasvav teadlikkus ja kasutamine ennustav kodeerimine õiguslik areenil täna, tundub, et see on üha olulisem elektroonilise avastamise spetsialistid on üldine arusaam tehnoloogiate, mida võib rakendada elektroonilise avastuse platvormid hõlbustada ennustav kodeerimine elektrooniliselt salvestatud teavet. See üldine arusaam on oluline, kuna igal võimalikul algoritmilisel lähenemisel on efektiivsuse eelised ja puudused, mis võivad mõjutada ennustava kodeerimise efektiivsust ja efektiivsust.

    Et aidata arendada seda üldist arusaama ennustav kodeerimine tehnoloogiad ja pakkuda võimalust elektroonilise avastamise pakkujad jagada tehnoloogiaid ja protokolle, mida nad kasutavad ja nende platvormidel, et saavutada prognoositav kodeerimine, järgmised töönimekirjad ennustav kodeerimine tehnoloogiad ja TAR protokollid on ette nähtud teie kasutamiseks. Prognoositavate kodeerimistöövoogude ja kasutusviiside tööloendid on ka teie tasu jaoks kaasatud, kuna need aitavad määratleda, kuidas prognoositavaid kodeerimistehnoloogiaid ja TAR protokolle rakendatakse ja kasutatakse.

    Prognoositavate kodeerimistehnoloogiate töönimekiri (1,2,3,4)

    Ametialaste väljaannete ja isikliku vestluse põhjal elektroonilise tuvastuse ekspertide koondatud allpool on mittekõikehõlmav töönimekiri tuvastatud masinõppe tehnoloogiatest, mida on rakendatud või mida on võimalik rakendada e-juurdluse distsipliinile, et hõlbustada ennustav kodeerimine. See töönimekiri on loodud selleks, et pakkuda võrdluspunkti tuvastatud ennustava kodeerimise tehnoloogiatele ning võib aja jooksul sisaldada täiendusi, kohandusi ja muudatusi, mis põhinevad ekspertide ja organisatsioonide tagasisidel, kes rakendavad ja rakendavad neid peavoolu tehnoloogiaid oma konkreetsetel e-juurdluse plat

    Loetletud tähestikulises järjekorras

    Aktiivne õpe: protsess, mis on tavaliselt iteratiivne, mille abil kasutatakse algoritmi dokumentide valimiseks, mis tuleks läbi vaadata koolituseks, mis põhineb strateegial, mis aitab klassifitseerimisalgoritmil tõhusalt õppida.

    Otsuspuu: samm-sammult meetod asjakohaste ja mitteasjakohaste dokumentide eristamiseks sõltuvalt sellest, millist sõnakombinatsiooni (või muid funktsioone) need sisaldavad. Tuletisinstrumentidega seotud dokumentide tuvastamiseks otsustuspuu võib kõigepealt kindlaks teha, kas dokument sisaldas sõna „swap” või mitte. Kui see on tehtud, võib otsustuspuu otsustada, kas dokument sisaldas „krediiti” jne või mitte. Otsustuspuu võib luua kas teadmistehnika või masinõppe kaudu.

    K-lähima naabri klassifikaator (K-nn): klassifikatsiooni algoritm, mis analüüsib k näiteks dokumendid, mis on kõige sarnasem (lähima) dokumendi klassifitseerimise, et määrata kindlaks parim klassifikatsioon dokumendi. Kui k on liiga väike (nt k=1), võib suure tagasikutsumise saavutamine olla äärmiselt raske.

    Latentne semantiline analüüs (LSA): matemaatiline esitus dokumente, mis käsitleb kõrgelt korrelatsioonis sõnu (st sõnu, mis kipuvad esinema samades dokumentides) nagu on mõnes mõttes samaväärne või vahetatav. See ekvivalentsus või vahetatavus võib lubada algoritmidel tuvastada dokumente kontseptuaalselt sarnasteks isegi siis, kui nad ei kasuta samu sõnu (nt kuna sünonüümid võivad olla väga korrelatsioonis), kuigi see jätab kõrvale mõned potentsiaalselt kasulikku teavet ja võib põhjustada soovimatuid tulemusi, mis on põhjustatud spurious korrelatsioonid.

    Logistiline regressioon: Masinõppe tipptasemel juhendatud õppealgoritm, mis hindab dokumendi asjakohasuse tõenäosust, mis põhineb selles sisalduvatel funktsioonidel. Erinevalt Naïve Bayesi algoritmist tuvastab logistiline regressioon funktsioone, mis diskrimineerivad asjakohaseid ja mitteasjakohaseid dokumente.

    Naive Bayesian klassifikaator: süsteem, mis uurib tõenäosust, et iga sõna uues dokumendis pärineb koolitatud reageerivast dokumendist või koolitatud mittereageerivatest dokumentidest saadud sõnajaotusest. Süsteem on naiivne selles mõttes, et eeldab, et kõik sõnad on üksteisest sõltumatud.

    Närvivõrk: Kunstlik Neural Network (ANN) on arvutuslik mudel. See põhineb bioloogiliste närvivõrkude struktuuril ja funktsioonidel. See toimib nagu see, kuidas inimese aju töötleb teavet. See sisaldab suurt hulka ühendatud töötlemisüksusi, mis töötavad koos teabe töötlemiseks.

    Tõenäosuslik latentne semantiline analüüs (PLSA): See on vaimus sarnane LSA-ga, kuid ta kasutab tõenäosuslikku mudelit, et saavutada tulemusi, mis eeldatavasti paremad.

    Juhuslikud metsad: ansambli õppemeetod klassifitseerimiseks, regressiooniks ja muudeks ülesanneteks, mis töötavad mitmete otsustuspuude ehitamise teel koolitusajal ja väljastamisega klassi, mis on klasside (klassifikatsioon) või üksikute puude keskmine ennustus (regressioon). Juhuslik otsus metsade õige otsuse puude harjumus overfitting oma koolituse komplekt.

    Asjakohasuse tagasiside: Aktiivne õppeprotsess, kus kõige olulisema tõenäosusega dokumendid kodeeritakse inimese poolt ja lisatakse koolituskomplekti.

    Support Vector Machine: Matemaatiline lähenemine, mis püüab leida rida, mis eraldab reageerivad mittereageerivatest dokumentidest nii, et ideaalis on kõik reageerivad dokumendid rea ühel küljel ja kõik mittereageerivad need on teisel pool.

    TAR üldprotokollid (5,6,7,8,9,10)

    Lisaks kasutatakse neid tehnoloogiaid üldiselt osana TAR protokollist, mis määrab, kuidas tehnoloogiaid kasutatakse. TAR protokollide näideteks on:

    Loetletud tähestikulises järjekorras

    Pidev Active Learning® (CAL®): CAL® -is valib Maura R. Grossmani ja Gordon V. Cormacki poolt välja töötatud, kasutatud ja propageeritud TAR meetod pärast esialgset koolitust korduvalt ülevaatamiseks, kodeerimiseks ja koolituseks järgmised kõige tõenäolisemad dokumendid (mida pole veel kaalutud) ja jätkab seda seni, kuni ta ei leia enam asjakohaseid dokumente. Üldjuhul ei toimu teist ülevaadet, sest õppija lõpetab õppimise, on kõik dokumendid, mida õppija peab asjakohaseks, juba tuvastatud ja käsitsi läbi vaadatud.

    Hübriid multimodaalne meetod: E-juurdluse meeskonna (Ralph Losey) väljatöötatud lähenemine, mis hõlmab kõiki otsingumeetodeid, kusjuures esmane sõltuvus on paigutatud ennustavale kodeerimisele ja kõrgetasemeliste dokumentide kasutamine pidevaks aktiivseks koolituseks.

    Skaaleeritav pidev aktiivne õpe (S-CAL): S-CAL ja CAL® -i oluline erinevus seisneb selles, et S-CAL-i puhul valitakse märgistuseks ainult igast järjestikusest partiist pärit dokumentide piiratud näidis ning protsess jätkub seni, kuni kogumine või kogumise suur juhuslik näidis on ammendatud. Üheskoos moodustavad piiritletud proovid dokumendi populatsiooni kihistunud valimi, millest võib tuletada statistilise hinnangu ρ.

    Simple Active Learning (SAL): SAL-meetodites valib õppija pärast esialgset koolituskomplekti dokumendid, mida õpetaja vaatab ja kodeerib ning mida kasutatakse koolitusnäidetena ning jätkab näidete valimist, kuni see on piisavalt koolitatud. Tavaliselt on dokumendid, mille õppija valib, on need, mille kohta õppija on kõige vähem kindel ja millest ta õpib kõige rohkem. Kui piisavalt koolitatud, kasutatakse õppijat iga kogumikus oleva dokumendi märgistamiseks. Nagu SPL-i puhul, vaadatakse dokumendid, mis on märgistatud asjakohaseks, käsitsi uuesti läbi.

    Lihtne passiivne õpe (SPL): lihtsates passiivõppes („SPL”) meetodites valib õpetaja (st inimaoperaator) koolitusnäidetena kasutatavad dokumendid; õppijat koolitatakse neid näiteid kasutades ning kui piisavalt koolitatud, kasutatakse kogumikus iga dokumendi märgistamiseks asjakohaseks või mitte- asjakohane. Üldiselt vaadatakse õppija poolt asjakohaseks märgistatud dokumendid käsitsi uuesti läbi. Käesolev käsitsi läbivaatamine kujutab endast väikest osa kogust ja seega väikest osa ammendava käsitsi läbivaatamise ajast ja maksumusest.

    TAR töövood (11)

    TAR töövood esindavad ennustavate kodeerimistehnoloogiate ja protokollide praktilist rakendamist, et määratleda lähenemisviisid ennustavate kodeerimistoimingute Kolm TAR töövoogude näidet on järgmised:

    TAR 1.0 hõlmab koolitusetappi, millele järgneb läbivaatamise faas, mille optimaalse punkti määramiseks kasutatakse kontrollkomplekti, kui peaksite koolituselt üle vaatama. Süsteem ei õpi enam, kui koolitusetapp on lõpule viidud. Juhtkomplekt on juhuslik dokumentide kogum, mis on läbi vaadatud ja märgistatud asjakohasteks või mitteasjakohasteks. Kontrollkomplekti dokumente ei kasutata süsteemi koolitamiseks. Neid kasutatakse süsteemi ennustuste hindamiseks, et koolitus saaks lõpetada, kui lisakoolituse eelised ei ületa enam lisakoolituse kulusid. Koolitus võib olla juhuslikult valitud dokumentidega, mida nimetatakse Simple Passiivse õppe (SPL) nime all, või see võib hõlmata süsteemi poolt valitud dokumente õpituõhususe optimeerimiseks, mida nimetatakse Simple Active Learning (SAL).

    TAR 2.0 kasutab lähenemist nimega Pidev Active Learning® (CAL®), mis tähendab, et koolituse ja läbivaatamise vahel ei ole eraldatud — süsteem jätkab õpinguid kogu vältel. Kuigi dokumentide ülevaatamiseks võib kasutada mitmeid lähenemisviise, on CAL® -i oluliseks komponendiks palju iteratsioone, mis ennustavad, millised dokumendid on kõige tõenäolisemalt asjakohased, nende läbivaatamine ja prognooside ajakohastamine. Erinevalt TAR 1.0-st kipub TAR 2.0 olema väga tõhus ka siis, kui levimus on väike. Kuna koolituse ja läbivaatamise vahel puudub eraldamine, ei vaja TAR 2.0 kontrollkomplekti. Juhtkomplekti loomine võib hõlmata suure (eriti siis, kui levimus on väike) mitteasjakohaste dokumentide arvu ülevaatamist, seega on soovitav kontrollkomplektide vältimine.

    TAR 3.0 nõuab kvaliteetset kontseptuaalset klasterdumisalgoritmi, mis moodustab kontseptsiooniruumis kitsalt fokuseeritud fikseeritud suurusega klastreid. See rakendab TAR 2.0 metoodikat ainult klastrikeskuste jaoks, mis tagab, et mitmekülgne potentsiaalselt asjakohaste dokumentide kogum vaadatakse läbi. Kui asjakohasemaid klastrikeskusi ei leita, kasutatakse ülevaadatud klastrikeskusi koolitusdokumentidena, et teha ennustusi kogu dokumendi elanikkonna jaoks. Juhtimisseadet pole vaja — süsteem on hästi koolitatud, kui täiendavaid asjakohaseid klastrikeskusi ei leia. Analüüs klastri keskused, mis olid läbi vaadatud, annab hinnangu levimus ja mitmed mitteasjakohased dokumendid, mis oleks koostatud, kui dokumendid koostatakse puhtalt ennustused ilma inimese läbivaatamise. Kasutaja võib otsustada koostada dokumente (ei ole tuvastatud potentsiaalselt privilegeeritud) ilma läbivaatamiseta, sarnaselt TAR 1.0 SAL (kuid ilma kontrollkomplektita), või ta võib otsustada vaadata läbi dokumendid, mis on liiga suur risk olla mitteasjakohased (mida saab kasutada süsteemi täiendava koolitusena, st CAL®). Oluline on see, et kasutaja on info, mida ta peab tegema otsuse selle kohta, kuidas jätkata pärast läbivaatamist klastri keskused, mis on tõenäoliselt asjakohane, ja midagi teha enne, kui see punkt muutub kehtetuks otsuse (võrrelda alustades TAR 1.0, vaadates kontrolli komplekt, leidmine , et ennustused ei ole piisavalt head dokumentide koostamiseks ilma läbivaatamiseta, ja seejärel üleminek TAR 2.0, mis muudab juhtelemendi komplekti praktiliselt kasutuks).

    TAR Kasutused (12)

    TAR tehnoloogiaid, protokolle ja töövooge saab tõhusalt kasutada, et aidata e-juurdluse spetsialistidel täita paljusid andmetuvastuse ja juriidilise tuvastuse ülesandeid. Üheksa levinud TAR kasutamise näited on järgmised:

    Asjakohaste dokumentide tuvastamine

    Varane kohtuasjade hindamine/uurimine

    Ülevaatamise prioriteetiseerimine

    Kategoorimine (küsimuste, konfidentsiaalsuse või privaatsuse järgi)

    Õiguste ülevaade

    Kvaliteedikontroll ja kvaliteedi tagamine

    Sissetulevate lavastuste ülevaade

    Dispositsioon/uuringu ettevalmistamine

    Teabehaldus ja andmete likvideerimine

    Uuringu Informatsioon (13,14,15,18, 19, 20, 21)

    Viited

    (1) Grossman, M. ja Cormack, G. (2013). Grossman-Cormack Sõnastik Tehnoloogia Abistatud Review. [ebook] Föderaalkohtud Law Review. Saadaval aadressil: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Ligipääs 31 august 2018].

    (2) Dimm, B. (2018). Ekspertiisi ennustav kodeerimine. [e].

    (3) Roitblat, H. (2013). Sissejuhatus ennustav kodeerimine. [ebook] OrcaTec. Saadaval aadressil: 31 aug. 2018].

    (4) Tredennick, J. ja Pickens, J. (2017). Sügav õppimine e-Discovery: Liikumine minevikus Hype. [Internetis] CatalystSecure.com. Saadaval aadressil: 31 aug. 2018].

    (5) Grossman, M. ja Cormack, G. (2017). Tehnoloogia-abistab ülevaade elektroonilise avastamise. [ebook] Saadaval aadressil: 31 august 2018].

    (6) Grossman, M. ja Cormack, G. (2016). Pidev aktiivne õppimine TAR. [ebook] Praktiline seadus. Saadaval aadressil: 31 aug. 2018].

    (7) Grossman, M. ja Cormack, G. (2016). Pideva aktiivse õppe skaleeritavus usaldusväärse kõrge tagasikutsumise teksti klassi [ebook] Saadaval aadressil: 3 Sept 2018].

    (8) Losey, R., Sullivan, J. ja Reichenberger, T. (2015). e-avastamise meeskond TREC 2015 Total Recall Track. [ebook] Saadaval aadressil: 1 Sept 2018].

    (9) „Pidev aktiivne õppe kaubamärk Maura Grossman ja Gordon V. Cormack — Registreerimisnumber 5876987 — seerianumber 86634255። Justia kaubamärgid”. Trademarks.Justia.com, 2020, 12. veebruar 2020].

    (10) „CAL kaubamärk Maura Grossman ja Gordon V. Cormack — registreerimisnumber 5876988 — seerianumber 86634265። Justia kaubamärgid”. Trademarks.Justia.com, 2020, 12. veebruar 2020].

    (11) Dimm, B. (2016), TAR 3.0 jõudlus. [Internetis] Klastifitseerige blogi - e-juurdlus, dokumentide klasterdamine, ennustav kodeerimine, teabe otsimine ja tarkvaraarendus. Kättesaadav aadressil: 18 veebr 2019].

    (12) Elektrooniline Discovery Reference Mudel (EDRM) (2019). Tehnoloogia Abistatud Review (TAR) juhised. [Internetis] Saadaval aadressil: 18 veebruar 2019].

    (13) Dimm, B. (2018). TAR, proportsionaalsus ja halvad algoritmid (1-NN). [Internetis] Klastifitseerige blogi - e-juurdlus, dokumentide klasterdamine, ennustav kodeerimine, teabe otsimine ja tarkvaraarendus. Saadaval aadressil: 31 aug. 2018].

    (14) Robinson, R. (2013). Jooksvad tulemused: ennustav kodeerimine ühe küsimuse pakkuja rakendamise uuring. [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 31 aug. 2018].

    (15) Robinson, R. (2018). Töötav nimekiri: Top 100+ e-juurdluse pakkujad. [Internetis] ComplexDiscovery: e-juurdluse teave. Saadaval aadressil: 31 aug. 2018].

    (16) Robinson, R. (2018) Suhteliselt Rääkides: Ennustav kodeerimine Technologies ja protokollid uuringu tulemused [Internetis] ComplexDiscovery: eDiscovery Information. Kättesaadav aadressil: 18 veebr 2019].

    (17) Robinson, R. (2019) Aktiivselt õppimine? Prognoositav kodeerimise tehnoloogiad ja protokollide uuringu tulemused [online] ComplexDiscovery: e-juurdluse teave. Kättesaadav: 22 aug 2019]

    (18) Robinson, R. (2019) Alates platvormidest töövood: ennustav kodeerimine tehnoloogiad ja protokollid Survey — Sügis 2019 Tulemused [Internetis] ComplexDiscovery: eDiscovery Information. Saadaval aadressil: 12. veebr 2020].

    (19) Robinson, R. (2020) Kas see kõik on suhteline? Ennustav kodeerimise tehnoloogia ja protokollide uuring - Spring Results [online] ComplexDiscovery: e-juurdluse teave. Kättesaadav aadressil: [Ligipääs 7. august 2020].

    (20) Robinson, R. (2020) Casting laiem Net? Ennustav kodeerimine tehnoloogiad ja protokollid Survey - Sügis 2020 [Internetis] ComplexDiscovery: e-juurdluse teave Kättesaadav aadressil: [Ligipääs 5. veebruar 2021].

    (21) Robinson, R. (2021) Külma ilmaga saagi? Ennustav kodeerimine tehnoloogiad ja protokollid Survey - Kevad 2021 [Internetis] ComplexDiscovery: e-juurdluse teave. Kättesaadav aadressil: [Ligipääs 8. augustil 2021].

    Konkreetsete täienduste, paranduste ja värskenduste pakkumiseks klõpsake siin.

    * Prognoositav kodeerimine uuringu vastanutest: kuus uuringut

    Prognoositav kodeerimise uuringu vastanutest — kuus uuringut

    Allikas: ComplexDiscovery

    Kallutades edasi? CISA 2023-2025 strateegiline kava

    The purpose of the CISA Strategic Plan is to communicate the...

    Pidev riski parandamine? Q3 Cyber Round-Up Alates Cowbell Cyber

    According to Manu Singh, director of risk engineering at Cowbell, "Every...

    Põhjalik küberavastamise ressurss? DOD küberturvalisuse poliitika diagramm CSIAC

    The Cyber Security and Information Systems Information Analysis Center (CSIAC) is...

    Kiiresti pöörlev küberkindlustus? Q2 Cyber Round-Up Alates Cowbell Cyber

    According to Isabelle Dumont, SVP of Marketing and Technology Partners at...

    Paljastavad vastuse? Nuix vastab ASX teabenõudele

    The following investor news update from Nuix shares a written response...

    Paljastavad aruanded? Nuix Märgib Press spekulatsioon

    According to a September 9, 2022 market release from Nuix, the...

    HayStackID® omandab Business Intelligence Associates

    According to HaystackID CEO Hal Brooks, “BIA is a leader in...

    Üks suur tarkvara ja pilve äri? OpenText omandada Micro Focus

    According to OpenText CEO & CTO Mark J. Barrenechea, “We are...

    Liikuda? 2022 e-Discovery Market Kineetika: viis huvipakkuvat valdkonda

    Recently ComplexDiscovery was provided an opportunity to share with the eDiscovery...

    Usaldades protsessi? 2021 e-juurdluse töötlemise ülesande, kulude ja kulude andmete töötlemine

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    Ülevaatamise aasta? 2021 e-juurdluse läbivaatamise ülesande, kulutuste ja kulude andmepunktid

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    2021 pilk e-juurdluse kogumist: ülesannete, kulude ja kulude andmepunktid

    Based on the complexity of cybersecurity, information governance, and legal discovery,...

    Viis suurt loeb küberandmete ja õigusliku avastamise kohta septembriks 2022

    From privacy legislation and special masters to acquisitions and investigations, the...

    Viis suurt lugeb küberi, andmete ja õigusliku avastamise kohta augustis 2022

    From AI and Big Data challenges to intriguing financial and investment...

    Viis suurt loeb küberi, andmete ja juriidilise avastamise kohta juuliks 2022

    From lurking business undercurrents to captivating deepfake developments, the July 2022...

    Viis suurt loeb küberi, andmete ja juriidilise avastamise kohta juunis 2022

    From eDiscovery ecosystem players and pricing to data breach investigations and...

    Jahedam temperatuur? 2022. aasta languse e-juurdluse ettevõtete usalduse uuringu tulemused

    Since January 2016, 2,874 individual responses to twenty-eight quarterly eDiscovery Business...

    Pöördumine või läbipaine? Koondülevaade kaheksast poolaastasest e-juurdluse hinnakujunduse uuringust

    Initiated in the winter of 2019 and conducted eight times with...

    Muutuvad hoovused? Kaheksateist tähelepanekut e-juurdluse ettevõtete usalduse kohta 2022. aasta suvel

    In the summer of 2022, 54.8% of survey respondents felt that...

    Väljakutseid variandid? E-juurdluse ettevõtte jõudlust mõjutavad probleemid: 2022. aasta suvi ülevaade

    In the summer of 2022, 28.8% of respondents viewed increasing types...

    Tuumaenergia Valikud? Ukraina Konflikti hindamised Maps (17. - 21. september 2022)

    According to a recent update from the Institute for the Study...

    Massihauad ja piinamiskojad? Ukraina Konflikti hindamine Maps (12. — 16. september 2022)

    According to a recent update from the Institute for the Study...

    On perspektiivis? Ukraina Konflikti hindamised Maps (September 7-11, 2022)

    According to a recent update from the Institute for the Study...

    Materiaalne lagunemine? Ukraina Konflikti hindamised Maps (September 2-6, 2022)

    According to a recent update from the Institute for the Study...