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

    Toimittajan huomautus: Tämä on seitsemäs puolivuotinen Predictive Coding Technologies and Protocols Survey toteutti ComplexDiscover Kuudessa alustavassa tutkimuksessa saatiin yksityiskohtaista palautetta noin 384* laillisilta, liike-elämän ja teknologian ammattilaisilta tiettyjen koneoppimistekniikoiden käytöstä ennustavassa koodauksessa ja korostettiin myös näiden koneoppimistekniikoiden käyttöä osana esimerkiksi teknologiaavusteista tarkastelua protokollia. Tutkimuksen iterointi keskittyy edelleen ennakoiviin koodaustekniikoihin, protokolliin, työnkulkuihin ja käyttötarkoituksiin eDiscovery-ekosysteemissä. Alunperin neljästä ydinkysymyksestä koostuva tutkimus sisälsi syksyllä 2020 uuden kysymyksen ennakoivan koodauksen käytön yleisyydestä osana eDiscovery-työnkulkuja.

    Ennakoiva koodausteknologia ja -protokollat (kysely)

    Viiden kysymyksen kysely

    Alla on linkki yksinkertaiseen viiden kysymyksen kyselyyn, jonka tarkoituksena on kuvata tekniikoiden, protokollien, työnkulkujen ja ennustavan koodauksen nykyinen soveltaminen eDiscovery-ekosysteemissä.

    Oikeudellisia, tietotekniikkaa ja liike-elämän ammattilaisia, jotka osallistuvat organisaatiotoimintaan, jossa käytetään ennakoivaa koodausta, kannustetaan suorittamaan lyhyt viiden kysymyksen kysely.

    Kyselyn tulokset (poislukien vastaajan yhteystiedot) kootaan ja julkaistaan ComplexDiscovery-blogissa eDiscovery-yhteisön käyttöön.

    Ennakoiva koodaustekniikat ja -protokollat (Survey Backgrounder)

    Kuten Grossman-Cormack Glossary of Technology-Assisted Review (1) määritellään, Predictive Coding on toimialakohtainen termi, jota käytetään yleisesti kuvaamaan teknologiaavusteista arviointiprosessia, jossa käytetään koneoppimisalgoritmia, jotta merkitykselliset ei-merkityksellisistä asiakirjoista voidaan erottaa aiheen perusteella asia asiantuntijan koodaus koulutuksen joukko asiakirjoja. Ennakoivan koodauksen määritelmä antaa peruskuvauksen, joka tunnistaa yhden tietyn toiminnon, jota yleinen joukko yleisesti hyväksyttyjä koneoppimisen algoritmeja voi käyttää teknologiaavusteisessa tarkastelussa (TAR).

    Ennakoivan koodauksen tietoisuuden ja käytön kasvaessa oikeudellisella areenalla näyttää siltä, että sähköisten löytöjen ammattilaisten on yhä tärkeämpää saada yleinen käsitys tekniikoista, joita voidaan toteuttaa sähköisissä etsintäalustoissa ennakoivan koodauksen helpottamiseksi sähköisesti tallennettujen tietojen. Tämä yleinen ymmärrys on olennaisen tärkeää, koska jokaisella mahdollisella algoritmisella lähestymistavalla on tehokkuusetuja ja haittoja, jotka voivat vaikuttaa ennustavan koodauksen tehokkuuteen ja tehokkuuteen.

    Auttaakseen kehittämään tätä ennustavan koodausteknologian yleistä ymmärrystä ja tarjotakseen sähköisten etsintäpalvelujen tarjoajille mahdollisuuden jakaa teknologioita ja protokollia, joita ne käyttävät alustoillaan ja niiden kanssa ennakoivan koodauksen toteuttamiseksi, seuraavat ennustavan koodauksen työlistat -tekniikat ja TAR-protokollat ovat käytettävissä käyttöäsi varten. Ennakoivan koodauksen työnkulkuja ja käyttötarkoituksia koskevat työluettelot sisältyvät myös harkintasi mukaan, koska ne auttavat määrittämään, miten ennustavat koodaustekniikat ja TAR-protokollat toteutetaan ja käytetään.

    Työluettelo ennakoivista koodaustekniikoista (1,2,3,4)

    Yhteenlaskettu sähköisten löytöjen asiantuntijoista, jotka perustuvat ammatillisiin julkaisuihin ja henkilökohtaisiin keskusteluihin, jäljempänä on ei-all inclusive -työluettelo yksilöidyistä koneoppimistekniikoista, joita on sovellettu tai joita on mahdollista soveltaa eDiscoveryn kurinalaisuuteen helpottaakseen Ennakoiva koodaus. Tämä työluettelo on suunniteltu tarjoamaan vertailupiste tunnistetuille ennakoiville koodaustekniikoille, ja se voi ajan mittaan sisältää lisäyksiä, mukautuksia ja muutoksia, jotka perustuvat asiantuntijoilta ja organisaatioilta saatuun palautteeseen, jotka soveltavat ja toteuttavat näitä mainstream-tekniikoita erityisissä eDiscovery-alustoissaan.

    Luetteloitu aakkosjärjestyksessä

    Aktiivinen oppiminen: Prosessi, joka on tyypillisesti iteratiivinen, jossa algoritmia käytetään valitsemaan asiakirjoja, jotka olisi tarkistettava koulutusta varten strategian perusteella, joka auttaa luokitusalgoritmia oppimaan tehokkaasti.

    Päätöspuu: Vaiheittainen menetelmä, jolla erotetaan asiaankuuluvat ja ei-merkitykselliset asiakirjat, riippuen siitä, mitä sanojen yhdistelmää (tai muita ominaisuuksia) ne sisältävät. Päätöspuu johdannaisia koskevien asiakirjojen yksilöimiseksi saattaa ensin määrittää, sisältääkö jokin asiakirja sanan ”swap”. Jos näin olisi, Päätöspuu voisi sitten määrittää, sisälsikö asiakirja ”luottoa” ja niin edelleen. Päätöspuu voidaan luoda joko tietotekniikan tai koneoppimisen kautta.

    K-lähin Naapuri Classifier (K-NN): Luokitusalgoritmi, joka analysoi k esimerkkiasiakirjoja, jotka ovat eniten samanlaisia (lähin) kuin luokiteltavan asiakirjan, jotta voidaan määrittää paras luokitus asiakirjan. Jos k on liian pieni (esim. k=1), voi korkean takaisinkutsun saavuttaminen olla äärimmäisen vaikeaa.

    Piilevä semanttinen analyysi (LSA): Matemaattinen esitys asiakirjoista, jossa käsitellään voimakkaasti korreloivia sanoja (eli sanoja, jotka yleensä esiintyvät samoissa asiakirjoissa) kuin ne ovat tavallaan samanarvoisia tai vaihdettavissa. Tämä vastaavuus tai vaihdettavuus voi sallia, että algoritmit tunnistavat asiakirjat käsitteellisesti samanlaisiksi, vaikka ne eivät käytä samoja sanoja (esimerkiksi, koska synonyymit voivat olla hyvin korreloivia), vaikka se myös hylkää joitakin mahdollisesti hyödyllisiä tietoja ja voi johtaa ei-toivottuihin tuloksiin, jotka johtuvat väärät korrelaatioita.

    Logistinen regressio: Koneoppimisen huipputason ohjattu oppimisalgoritmi, joka arvioi dokumentin merkityksen todennäköisyyden sen sisältämien ominaisuuksien perusteella. Toisin kuin Naïve Bayes, algoritmi, Logistic Regression tunnistaa ominaisuuksia, jotka syrjivät merkityksellisten ja ei-merkityksellisten asiakirjojen välillä.

    Naïve Bayesian luokittelija: Järjestelmä, joka tutkii todennäköisyyttä, että uuden asiakirjan jokainen sana on peräisin sanasta jakelu, joka on johdettu koulutetusta reagoivasta asiakirjasta tai koulutetuista ei-reagoivista asiakirjoista. Järjestelmä on naiivi siinä mielessä, että se olettaa kaikkien sanojen olevan toisistaan riippumattomia.

    Neural Network: An Artificial Nural Network (ANN) on laskennallinen malli. Se perustuu biologisten neuroverkkojen rakenteeseen ja toimintoihin. Se toimii kuin ihmisen aivojen tapa prosessoi tietoa. Se sisältää suuren määrän liitettyjä käsittelyyksiköitä, jotka toimivat yhdessä tietojen käsittelemiseksi.

    Todennäköisyysperusteinen latentti semanttinen analyysi (PLSA): Tämä on hengeltään samanlainen kuin LSA, mutta se käyttää todennäköisyysperusteista mallia saavuttaakseen tuloksia, joiden odotetaan olevan parempia.

    Satunnaiset metsät: Ensemble oppimismenetelmä luokitusta, regressiota ja muita tehtäviä varten, jotka toimivat rakentamalla lukuisia ratkaisupuita harjoitusaikana ja poistamalla luokan, joka on yksittäisten puiden luokkien (luokittelu) tai keskimääräinen ennustus (regressio). Satunnainen päätös metsät oikea päätös puiden tapana overfitting niiden koulutus asettaa.

    Merkityksellinen palaute: Aktiivinen oppimisprosessi, jossa ihminen koodaa dokumentit, joilla on suurin todennäköisyys merkityksellisyydestä, ja lisätään koulutussarjaan.

    Tuki Vector Machine: Matemaattinen lähestymistapa, jolla pyritään löytämään linja, joka erottaa reagoiva ei-reagoiva asiakirjoja niin, että ihanteellisesti, kaikki reagoiva asiakirjat ovat toisella puolella linjaa ja kaikki ei-reagoiva niistä ovat toisella puolella.

    Yleiset TAR-protokollat (5,6,7,8,9,10)

    Lisäksi näitä tekniikoita käytetään yleensä osana TAR-protokollaa, joka määrittää, miten tekniikoita käytetään. Esimerkkejä TAR-protokollista ovat:

    Luetteloitu aakkosjärjestyksessä

    Continuous Active Learning® (CAL®): CAL® -sovelluksessa Maura R. Grossmanin ja Gordon V. Cormackin kehittämä, käyttämä ja puoltama TAR-menetelmä. Peruskoulutuksen jälkeen oppija valitsee toistuvasti seuraavat olennaiset asiakirjat (joita ei ole vielä otettu huomioon) tarkastelua, koodausta ja koulutusta varten, ja jatkaa sitä, kunnes se ei enää löydä olennaisempia asiakirjoja. Toista tarkastelua ei yleensä ole, koska kun oppija lopettaa oppimisen, kaikki oppijan merkityksellisinä pitämät asiakirjat on jo tunnistettu ja tarkistettu manuaalisesti.

    Multimodaalimenetelmä: E-Discovery Teamin (Ralph Losey) kehittämä lähestymistapa, joka sisältää kaikentyyppiset hakumenetelmät. Ensisijainen riippuvuus perustuu ennakoivaan koodaukseen ja korkealuokkaisten asiakirjojen käyttöön jatkuvaan aktiiviseen harjoitteluun.

    Skaalautuva jatkuva aktiivinen oppiminen (S-CAL): Oleellinen ero S-CAL:n ja CAL® välillä on se, että S-CAL: lle valitaan vain äärellinen näyte asiakirjoista kustakin peräkkäisestä erästä, ja prosessi jatkuu, kunnes keräys - tai suuri satunnaisnäyte kokoelmasta - loppuu. Äärelliset otokset muodostavat yhdessä asiakirjapopulaatiosta kerrostetun otoksen, josta voidaan johtaa tilastollinen estimaatti ρ.

    Simple Active Learning (SAL): SAL-menetelmissä oppija valitsee peruskoulutusjoukon jälkeen dokumentit, joita opettaja tarkastelee ja koodaa, ja käyttää koulutusesimerkkeinä, ja jatkaa esimerkkien valitsemista, kunnes se on riittävän koulutettu. Tyypillisesti oppijan valitsemat asiakirjat ovat niitä, joista oppija on vähiten varma ja joista se oppii eniten. Kun oppijaa on koulutettu riittävästi, sen jälkeen käytetään jokaisen kokoelman dokumentin merkitsemiseen. Kuten SPL-ohjelmalla, merkityksellisiksi merkityt asiakirjat tarkistetaan yleensä manuaalisesti uudelleen.

    Yksinkertainen passiivinen oppiminen (SPL): Yksinkertaisissa passiivisessa oppimisessa (”SPL”) menetelmissä opettaja (eli ihmisoperaattori) valitsee koulutusesimerkkeinä käytettävät asiakirjat. Oppijaa koulutetaan näiden esimerkkien avulla, ja kun se on riittävän koulutettu, sitä käytetään merkitsemään kaikki kokoelman dokumentit merkityksellisiksi tai ei-- merkityksellinen. Yleensä oppijan merkityksellisiksi merkitsemät asiakirjat tarkistetaan manuaalisesti uudelleen. Tämä manuaalinen tarkastelu edustaa pientä murto-osaa kokoelmasta ja siten pienen murto-osan tyhjentävän manuaalisen tarkastelun ajasta ja kustannuksista.

    TAR työnkulut (11)

    TAR-työnkulkuja edustavat ennakoivien koodaustekniikoiden ja -protokollien käytännön soveltamista määrittelemään lähestymistapoja ennakoivien koodaustehtävien suorittamiseen. Kolme esimerkkiä TAR-työnkuluista ovat:

    TAR 1.0 sisältää harjoitusvaiheen, jota seuraa tarkistusvaihe, jossa ohjausjoukkoa käytetään määrittämään optimaalinen piste, jolloin sinun pitäisi vaihtaa koulutuksesta tarkasteluun. Järjestelmä ei enää opi, kun harjoitusvaihe on valmis. Ohjausjoukko on satunnainen joukko asiakirjoja, jotka on tarkistettu ja merkitty merkityksellisiksi tai ei-merkityksellisiksi. Ohjausjoukko-asiakirjoja ei käytetä järjestelmän kouluttamiseen. Niiden avulla arvioidaan järjestelmän ennusteita, jotta koulutus voidaan lopettaa, kun lisäkoulutuksen hyödyt eivät enää ole suuremmat kuin lisäkoulutuksen kustannukset. Koulutus voi olla satunnaisesti valituilla asiakirjoilla, joita kutsutaan nimellä Simple Passive Learning (SPL), tai se voi sisältää asiakirjoja, jotka järjestelmä on valinnut oppimisen tehokkuuden optimoimiseksi. Tämä tunnetaan nimellä Simple Active Learning (SAL).

    TAR 2.0 käyttää lähestymistapaa nimeltä Continuous Active Learning® (CAL®), mikä tarkoittaa, että koulutusta ja arviota ei eroteta toisistaan — järjestelmä jatkaa oppimistaan kaikkialla. Vaikka monia lähestymistapoja voidaan käyttää asiakirjojen valitsemiseen tarkistettavaksi, CAL® -järjestelmän merkittävä osa on monia toistoja, joilla ennustetaan, mitkä asiakirjat ovat todennäköisimmin merkityksellisiä, tarkistetaan niitä ja päivitetään ennusteita. Toisin kuin TAR 1.0, TAR 2.0 on yleensä erittäin tehokas myös silloin, kun levinneisyys on vähäistä. Koska koulutusta ja tarkastelua ei ole erotettu toisistaan, TAR 2.0 ei vaadi ohjausjoukkoa. Ohjausjoukon tuottaminen voi edellyttää suuren (erityisesti silloin, kun esiintyvyys on vähäistä) ei-merkityksellisten asiakirjojen lukumäärää, joten kontrolliryhmien välttäminen on toivottavaa.

    TAR 3.0 edellyttää korkealaatuista käsitteellistä klusterointialgoritmia, joka muodostaa konseptiavaruuteen kapeasti keskittyneitä klustereita. Se soveltaa TAR 2.0 -menetelmää vain klusterikeskuksiin, mikä varmistaa, että erilaisia mahdollisesti merkityksellisiä asiakirjoja tarkistetaan. Kun merkityksellisiä klusterikeskuksia ei löydy, tarkistettuja klusterikeskuksia käytetään koulutusasiakirjoina, jotta ne voivat tehdä ennusteita koko dokumenttipopulaatiolle. Ohjausjoukkoa ei tarvita — järjestelmä on hyvin koulutettu, kun muita relevantteja klusterikeskuksia ei löydy. Tarkasteltujen klusterikeskusten analyysi antaa arvion epäolennaisten asiakirjojen esiintyvyydestä ja lukumäärästä, jotka tuotettaisiin, jos asiakirjat tuotettaisiin puhtaasti ennusteiden perusteella ilman ihmisen tarkastelua. Käyttäjä voi päättää tuottaa asiakirjoja (joita ei ole tunnistettu mahdollisesti etuoikeutetuiksi) ilman tarkistusta, joka on samanlainen kuin TAR 1.0: n SAL (mutta ilman ohjausjoukkoa), tai hän voi päättää tarkistaa asiakirjoja, joilla on liian suuri riski olla merkityksetön (joita voidaan käyttää järjestelmän lisäkoulutuksena eli CAL®). Tärkeintä on, että käyttäjällä on tiedot, joita hän tarvitsee tehdä päätöksen siitä, miten edetä sen jälkeen, kun on suoritettu uudelleen tarkastelu klusterikeskuksia, jotka ovat todennäköisesti merkityksellisiä, ja mitään ennen tätä kohtaa ei mitätöidä päätöksellä (vertaa aloittamaan TAR 1.0, tarkistamalla ohjausjoukko, löytää että ennustukset eivät riitä tuottamaan asiakirjoja ilman tarkistusta ja siirtyvät sitten TAR 2.0:aan, mikä tekee ohjausasetuksesta käytännöllisesti katsoen hyödyttömän).

    TAR Käyttötarkoitukset (12)

    TAR-teknologioita, protokollia ja työnkulkuja voidaan käyttää tehokkaasti auttamaan eDiscoveryn ammattilaisia suorittamaan monia tietojen etsintä- ja lakisääteisiä etsintätehtäviä. Yhdeksän yleisesti pidettyä esimerkkiä TAR-käytöstä ovat:

    Asiaankuuluvien asiakirjojen tunnistaminen

    Varhainen tapausarviointi/tutkinta

    Priorisointi tarkistusta varten

    Luokittelu (ongelmien, luottamuksellisuuden tai tietosuojan mukaan)

    Oikeuksien tarkistaminen

    Laadunvalvonta ja laadunvarmistus

    Incoming Productionsin katsaus

    Disposition/kokeiluvalmistelu

    Tietohallinto ja tietojen käsittely

    Kyselyn tiedot (13,14,15,16,17,18, 19, 20, 21)

    Viitteet

    (1) Grossman, M. ja Cormack, G. (2013). Grossman-Cormackin sanasto teknologiaavusteinen tarkastelu. [eBook] Liittovaltion tuomioistuinten laki tarkastelu. Saatavilla osoitteessa http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Accesed 31.8.2018].

    (2) Dimm, B. (2018). Ennakoivan koodauksen asiantuntemus. [sähköposti].

    (3) Roitblat, H. (2013). Johdatus ennustavaan koodaukseen. Orcatec. Saatavilla 31 elokuu 2018].

    (4) Tredennick, J. ja Pickens, J. (2017). Syvä oppiminen E-Discoveryssä: Moving Past the Hype [online] CatalystSecure.com. Saatavilla 31 elokuu 2018].

    (5) Grossman, M. ja Cormack, G. (2017). Teknologiaavusteinen tarkastelu sähköisessä Discoveryssä. [eBook] Saatavilla: 31 elokuu 2018].

    (6) Grossman, M. ja Cormack, G. (2016). Jatkuva aktiivinen oppiminen TAR. [eBook] Käytännön laki. Saatavilla 31 elokuu 2018].

    (7) Grossman, M. ja Cormack, G. (2016). Jatkuvan aktiivisen oppimisen skaalautuvuus luotettavaan korkean takaisinkutsun tekstiluokitukseen [eBook] Saatavilla: 3 syyskuu 2018].

    (8) Losey, R., Sullivan, J. ja Reichenberger, T. (2015) E-Discovery Team TREC 2015 Total Recall Track -tapahtumassa. [eBook] Saatavilla: 1 syyskuu 2018].

    (9) ”Jatkuva aktiivinen oppimistavaramerkki Maura Grossman ja Gordon V. Cormack — Rekisterinumero 5876987 — Sarjanumero 86634255። Justia Tavaramerkit”. Tavaramerk.Justia.com, 2020, 12. helmikuuta 2020].

    (10) ”CAL tavaramerkki Maura Grossman ja Gordon V. Cormack — Rekisterinumero 5876988 — Sarjanumero 86634265። Justia Tavaramerkit”. Tavaramerk.Justia.com, 2020, 12. helmikuuta 2020].

    (11) Dimm, B. (2016), TAR 3.0 -suorituskyky. [online] Clustify-blogi — eDiscovery, dokumenttien klusterointi, ennakoiva koodaus, tiedonhaku ja ohjelmistokehitys. Saatavilla 18 Helmikuu 2019].

    (12) Electronic Discovery Reference Model (EDRM) (2019). Teknologian avustetun tarkastelun (TAR) suuntaviivat [verkossa] Saatavilla 18.2.2019].

    (13) Dimm, B. (2018). TAR, suhteellisuus ja huonot algoritmit (1-NN). [online] Clustify-blogi — eDiscovery, dokumenttien klusterointi, ennakoiva koodaus, tiedonhaku ja ohjelmistokehitys. Saatavilla 31 elokuu 2018].

    (14) Robinson, R. (2013). Juoksunkulku: Predictive Coding Yhden kysymyksen tarjoajan toteutus Survey. [online] ComplexDiscovery: eDiscovery Tietoa. Saatavilla 31 elokuu 2018].

    (15) Robinson, R. (2018). Juoksulista: Top 100+ eDiscovery Tarjoajat. [online] ComplexDiscovery: eDiscovery Tietoa. Saatavilla 31 elokuu 2018].

    (16) Robinson, R. (2018) Suhteellisesti ottaen: Ennakoiva koodaus Technologies and Protocols Survey Tulokset [online] ComplexDiscovery: eDiscovery Information. Saatavilla 18 Helmikuu 2019].

    (17) Robinson, R. (2019) Aktiivisesti oppiminen? Ennakoiva koodaus Technologies ja protokollat kyselyn tulokset [online] ComplexDiscovery: eDiscovery Tiedot. Saatavilla: 22 elokuu 2019]

    (18) Robinson, R. (2019) Alustoista työnkulkuihin: Ennakoiva koodaus Technologies and Protocols Survey — Syksy 2019 Tulokset [online] ComplexDiscovery: eDiscovery Information. Saatavilla 12. helmikuuta 2020].

    (19) Robinson, R. (2020) Onko se kaikki suhteellinen? Ennakoiva koodaus Technologies and Protocols Survey - kevään tulokset [online] ComplexDiscovery: eDiscovery Tietoa. Saatavilla osoitteessa: [Pääsy 7. elokuuta 2020].

    (20) Robinson, R. (2020) Wider-verkon valu? Ennakoiva koodaus Technologies and Protocols Survey - Syksy 2020 [online] ComplexDiscovery: eDiscovery Tiedot Saatavilla osoitteessa: [Pääsy 5. helmikuuta 2021].

    (21) Robinson, R. (2021) Cold Sää Catch? Ennakoiva koodaus Technologies and Protocols Survey - kevät 2021 [online] ComplexDiscovery: eDiscovery Tietoa. Saatavilla osoitteessa: [Accesed 8 elokuu 2021].

    Napsauttamalla tätä voit antaa tiettyjä lisäyksiä, korjauksia ja päivityksiä.

    * Ennakoiva koodaustutkimus Vastaajat: kuusi kyselyä

    Ennakoiva koodauskyselyn vastaajat — kuusi kyselyä

    Lähde: Complex Discover

    Eteenpäin nojaten? Yleissopimuksen 2023-2025 strateginen suunnitelma

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

    Jatkuva riskien parantaminen? Q3 Cyber Round-Up alkaen Cowbell Cyber

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

    Kattava kyberetsintäresurssi? CSIAC:n kyberturvallisuuspolitiikan kaavio

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

    Nopeasti pyörivä verkkovakuutus? Q2 Cyber Round-Up Cowbell Cyber

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

    Paljastava vastaus? Nuix vastaa ASX: n tietopyyntöön

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

    Paljastavat raportit? Nuix Notes Lehdistön spekulaatio

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

    Haystackid® hankkii Business Intelligence Associatesin

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

    Yksi suuri ohjelmisto- ja pilviliiketoiminta? OpenText hankkia Micro Focus

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

    Liikkeellä? 2022 eDiscovery Market Kinetics: Viisi kiinnostavaa aluetta

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

    Luottaen prosessiin? 2021 eDiscovery-käsittelytehtävä, kulutus- ja kustannustiedot

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

    Tarkastelun vuosi? 2021 eDiscovery Review -tehtävä, viettää ja kustannustietopisteet

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

    A 2021 Katso eDiscovery-kokoelma: Tehtävä, viettää, ja kustannustietopisteet

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

    Viisi suurta lukua kyberistä, Tiedot, ja oikeudellinen löytö syyskuussa 2022

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

    Viisi suurta lukua kyberistä, Tiedot, ja oikeudellinen löytö elokuussa 2022

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

    Viisi suurta lukua kyberistä, Tiedot, ja oikeudellinen löytö heinäkuussa 2022

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

    Viisi suurta lukua kyberistä, Tiedot, ja oikeudellinen löytö kesäkuussa 2022

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

    Viileämmät lämpötilat? Syksy 2022 eDiscovery Business Confidence Survey -tutkimuksen tulokset

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

    Kivutus tai taipuma? Kokonaiskatsaus kahdeksasta puolivuosittaisesta eDiscovery-hinnoittelukyselystä

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

    Muuttuvat virtaukset? 18 havaintoa eDiscovery-liiketoiminnan luottamuksesta kesällä 2022

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

    Haastavat vaihtoehdot? eDiscovery-liiketoiminnan suorituskykyyn vaikuttavat ongelmat: kesän 2022 yleiskatsaus

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

    Ydinvoimavaihtoehdot? Ukrainan konfliktin arvioinnit Mapsissa (syyskuu 17 - 21, 2022)

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

    Joukkohaudat ja kidutuskammiot? Ukrainan konfliktin arvioinnit Mapsissa (syyskuu 12 - 16, 2022)

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

    Juoksussa? Ukrainan konfliktin arvioinnit Mapsissa (syyskuu 7 - 11, 2022)

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

    Aineellinen hajoaminen? Ukrainan konfliktin arvioinnit Mapsissa (syyskuu 2 - 6, 2022)

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