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

    Redaktora piezīme: Šī ir septītā pusgada prognozējošās kodēšanas tehnoloģijas un protokolu aptauja, ko veic ComplexDiscovery. Sākotnējie seši apsekojumi sniedza detalizētu atgriezenisko saiti no aptuveni 384* juridisko, biznesa un tehnoloģiju profesionāļiem par konkrētu mašīnmācīšanās tehnoloģiju izmantošanu paredzētajā kodēšanā, kā arī uzsvēra šo mašīnmācīšanās tehnoloģiju izmantošanu kā daļu no piemēriem tehnoloģiju atbalstīta pārskatīšana protokolus. Šī aptaujas atkārtošana turpina koncentrēties uz prognozējošās kodēšanas tehnoloģijām, protokoliem, darbplūsmām un lietojumiem visā e-datu atklāšanas ekosistēmā. Sākotnēji sastāvēja no četriem galvenajiem jautājumiem, sākot ar 2020. gada rudeni, aptauja ietvēra vienu jaunu jautājumu par prognozējamās kodēšanas izmantošanas izplatību e-datu atklāšanas darbplūsmās.

    Prognozīvās kodēšanas tehnoloģijas un protokoli (apsekojums)

    Piecu jautājumu aptauja

    Tālāk sniegta saite uz vienkāršu piecu jautājumu aptauju, kas paredzēta, lai attēlotu pašreizējo tehnoloģiju, protokolu, darbplūsmu un prognozējamās kodēšanas lietojumu e-datu atklāšanas ekosistēmā.

    Juridiskie, informācijas tehnoloģiju un biznesa profesionāļi, kas iesaistīti organizatoriskajās aktivitātēs, kas saistītas ar paredzamās kodēšanas izmantošanu, tiek mudināti pabeigt īsu piecu jautājumu aptauju.

    Aptaujas rezultāti (izņemot atbildētāja kontaktinformāciju) tiks apkopoti un publicēti ComplexDiscovery emuārā, lai to izmantotu e-datu atklāšanas kopiena.

    Prognozīvās kodēšanas tehnoloģijas un protokoli (Survey Backgrounder)

    Kā definēts The Grossman-Cormack Glossary of Technolognologgy-Assisted Review (1), paredzamā kodēšana ir nozarei specifisks termins, ko parasti izmanto, lai aprakstītu tehnoloģiju atbalstītu pārskatīšanas procesu, kas ietver mašīnmācīšanās algoritma izmantošanu, lai nošķirtu būtiskus no neatbilstošiem dokumentiem, pamatojoties uz tēmu jautājums eksperta kodēšana mācību dokumentu kopumu. Šī paredzamās kodēšanas definīcija sniedz pamataprakstu, kas identificē vienu konkrētu funkciju, ko vispārējs vispārpieņemtu mašīnmācīšanās algoritmu kopums var izmantot tehnoloģijas atbalstāmā pārskatā (TAR).

    Līdz ar pieaugošo izpratni un prognozējamās kodēšanas izmantošanu juridiskajā arēnā šodien, šķiet, ka elektronisko atklāšanas profesionāļiem arvien svarīgāk ir vispārēja izpratne par tehnoloģijām, kuras var īstenot elektroniskās atklāšanas platformās, lai atvieglotu paredzamo kodēšanu elektroniski uzglabātu informāciju. Šī vispārējā izpratne ir būtiska, jo katrai iespējamai algoritmiskai pieejai ir efektivitātes priekšrocības un trūkumi, kas var ietekmēt prognozējamās kodēšanas efektivitāti un efektivitāti.

    Lai palīdzētu attīstīt šo vispārējo izpratni par prognozējamo kodēšanas tehnoloģijām un sniegtu iespēju elektronisko atklāšanas pakalpojumu sniedzējiem dalīties ar tehnoloģijām un protokoliem, ko tie izmanto savās platformās un ar to, lai veiktu prognozējošo kodēšanu, šādi darba saraksti prognozējamo kodēšanu tehnoloģijas un TAR protokoli ir paredzēti jūsu lietošanai. Darba saraksti par prognozējamo kodēšanas darbplūsmām un lietojumiem ir iekļauti arī jūsu apsvērumiem, jo tie palīdz definēt, kā tiek īstenotas un izmantotas paredzamās kodēšanas tehnoloģijas un TAR protokoli.

    Prognozīvās kodēšanas tehnoloģiju darba saraksts (1,2,3,4)

    Apkopots no elektroniskās atklāšanas ekspertiem, pamatojoties uz profesionālajām publikācijām un personīgām sarunām, turpmāk sniegts neiekļaujošs darba saraksts ar identificētajām mašīnmācīšanās tehnoloģijām, kuras ir piemērotas vai kurām ir potenciāls piemērot e-datu atklāšanas disciplīnai, lai atvieglotu paredzamā kodēšana. Šis darba saraksts ir izstrādāts, lai nodrošinātu atskaites punktu identificētajām prognozējošajām kodēšanas tehnoloģijām, un laika gaitā var ietvert papildinājumus, pielāgojumus un grozījumus, pamatojoties uz ekspertu un organizāciju atsauksmēm, kuras piemēro un īsteno šīs galvenās tehnoloģijas savās konkrētajās e-datu atklāšanas platformās.

    Sarakstīts alfabētiskā secībā

    Aktīvā mācīšanās: process, parasti iteratīvs, kurā algoritms tiek izmantots, lai atlasītu dokumentus, kas jāpārskata apmācībai, pamatojoties uz stratēģiju, lai palīdzētu klasifikācijas algoritmam mācīties efektīvi.

    Lēmuma koks: pakāpeniska metode, kā nošķirt attiecīgos un neatbilstošos dokumentus, atkarībā no tā, kāda vārdu kombinācija (vai citas funkcijas) tie satur. Lēmumu pieņemšanas plāns, lai identificētu dokumentus, kas attiecas uz atvasinātajiem finanšu instrumentiem, vispirms varētu noteikt, vai dokumentā ir ietverts vārds “mijmaiņas darījums”. Ja tas ir noticis, Lēmuma Tree tad var noteikt, vai dokumentā ir vai nav “kredīts”, un tā tālāk. Lēmumu koku var izveidot vai nu ar zināšanu inženierijas vai mašīnmācīšanās palīdzību.

    K-tuvākais kaimiņu klasifikators (K-nn): klasifikācijas algoritms, kas analizē k piemēru dokumentus, kas ir visvairāk līdzīgi (tuvākie) dokumentam, kas tiek klasificēts, lai noteiktu dokumenta labāko klasifikāciju. Ja k ir pārāk mazs (piemēram, k=1), var būt ļoti grūti panākt augstu atsaukšanu.

    Latentā semantiskā analīze (LSA): matemātisks dokumentu attēlojums, kas izturas pret ļoti korelētiem vārdiem (t.i., vārdiem, kas mēdz notikt tajos pašos dokumentos) kā līdzvērtīgiem vai savstarpēji aizvietojamiem. Šī līdzvērtība vai savstarpēja aizvietojamība var ļaut algoritmiem identificēt dokumentus kā konceptuāli līdzīgus pat tad, ja tie neizmanto tos pašus vārdus (piemēram, tāpēc, ka sinonīmi var būt ļoti korelēti), lai gan tas arī izmet kādu potenciāli noderīgu informāciju un var novest pie nevēlamiem rezultātiem, ko izraisa spurious korelācijas.

    Loģistikas regresija: state-of-the-art uzraudzīts mācību algoritms mašīnmācīšanās, kas novērtē varbūtību, ka dokuments ir atbilstošs, pamatojoties uz tajā ietvertajām funkcijām. Pretstatā Naïve Bayes algoritmam loģistikas regresija identificē iezīmes, kas diskriminē attiecīgos un neatbilstošos dokumentus.

    Naive Bayesian Classifier: sistēma, kas pārbauda varbūtību, ka katrs vārds jaunā dokumentā nāk no vārdu izplatīšanas, kas iegūts no apmācīta atsaucīga dokumenta vai apmācītiem nereaģējošiem dokumentiem. Sistēma ir naiva tādā nozīmē, ka tā pieņem, ka visi vārdi ir savstarpēji neatkarīgi.

    Neironu tīkls: mākslīgais neironu tīkls (ANN) ir skaitļošanas modelis. Tas ir balstīts uz bioloģisko neironu tīklu struktūru un funkcijām. Tas darbojas tāpat kā cilvēka smadzenes apstrādā informāciju. Tas ietver lielu skaitu saistītu apstrādes vienību, kas strādā kopā, lai apstrādātu informāciju.

    Varbūtības latentā semantiskā analīze (PLSA): Tas ir līdzīgs garā LSA, bet tas izmanto varbūtības modeli, lai sasniegtu rezultātus, kas ir sagaidāms, ka būs labāk.

    Random Forest: ansambļa mācīšanās metode klasifikācijai, regresijai un citiem uzdevumiem, kas darbojas, veidojot daudzus lēmumu pieņemšanas kokus mācību laikā un izejot klasi, kas ir atsevišķu koku klašu (klasifikācijas) veids vai vidējā prognozēšana (regresija). Random lēmumu meži pareizs lēmumu koku ieradums pārspīlēt to mācību kopumu.

    Atbilstības atgriezeniskā saite: aktīvs mācību process, kurā dokumentus ar vislielāko nozīmīguma iespējamību kodē cilvēks un pievieno mācību komplektam.

    Atbalsta Vector Machine: Matemātiska pieeja, kuras mērķis ir atrast līniju, kas atdala atsaucīgi no nereaģējošiem dokumentiem tā, ka ideālā gadījumā visi atsaucīgie dokumenti atrodas vienā līnijas pusē un visi nereaģējošie ir otrā pusē.

    Vispārīgie TAR protokoli (5,6,7,8,9,10)

    Turklāt šīs tehnoloģijas parasti izmanto kā daļu no TAR protokola, kas nosaka, kā tehnoloģijas tiek izmantotas. TAR protokolu piemēri ir šādi:

    Sarakstīts alfabētiskā secībā

    Continuous Active Learning® (CAL®): CAL® TAR metode, ko izstrādājusi, lietoja un aizstāv Maura R. Grossman un Gordons V. Cormack, pēc sākotnējās apmācības komplekta izglītojamais atkārtoti atlasa nākamos visdrīzāk atbilstošos dokumentus (kas vēl nav ņemti vērā) pārskatīšanai, kodēšanai un apmācībai, un turpina to darīt, līdz tā vairs nevar atrast nekādus atbilstošus dokumentus. Parasti nav otrās pārskatīšanas, jo līdz brīdim, kad mācību dalībnieks pārtrauc mācīties, visi dokumenti, ko mācību dalībnieks uzskata par atbilstošiem, jau ir identificēti un manuāli pārskatīti.

    Hibrīda multimodālā metode: E-Discovery Team (Ralph Losey) izstrādāta pieeja, kas ietver visu veidu meklēšanas metodes, ar primāro paļaušanos uz paredzamo kodēšanu un augsta ranga dokumentu izmantošanu nepārtrauktai aktīvai apmācībai.

    Scalable Continuous Active Learning (S-CAL): Būtiska atšķirība starp S-CAL un CAL® ir tāda, ka S-CAL marķēšanai tiek izvēlēts tikai ierobežots dokumentu paraugs no katras nākamās partijas, un process turpinās, līdz tiek izsmelts kolekciju vai liels izlases paraugs kolekciju. Kopā galīgie paraugi veido stratificētu dokumentu populācijas paraugu, no kura var iegūt statistisko aplēsi ρ.

    Vienkārša aktīva mācīšanās (SAL): SAL metodēs pēc sākotnējās apmācības komplekta izglītojamais izvēlas dokumentus, kurus skolotājs pārskata un kodē un izmanto kā mācību piemērus, un turpina atlasīt piemērus, līdz tas ir pietiekami apmācīts. Parasti dokumenti, kurus mācību dalībnieks izvēlas, ir tie, par kuriem mācību dalībnieks ir vismazāk drošs, un tāpēc no kuriem tas visvairāk iemācīsies. Pēc tam, kad tas ir pietiekami apmācīts, mācību dalībnieks tiek izmantots, lai marķētu katru dokumentu kolekcijā. Tāpat kā SPL, dokumenti, kas marķēti kā būtiski, parasti tiek pārskatīti manuāli.

    Vienkāršā pasīvā mācīšanās (SPL): vienkāršas pasīvās mācīšanās (“SPL”) metodēs skolotājs (t. i., cilvēka operators) izvēlas dokumentus, kas jāizmanto kā mācību piemēri; izglītojamais tiek apmācīts, izmantojot šos piemērus, un pēc tam, kad tas ir pietiekami apmācīts, tiek izmantots, lai katru kolekcijā ietverto dokumentu marķētu kā atbilstošu vai ne- būtisks. Parasti dokumenti, kurus mācību dalībnieks marķē kā atbilstošus, tiek atkārtoti pārskatīti manuāli. Šī rokasgrāmata pārskats ir neliela daļa no kolekcijas, un līdz ar to nelielu daļu no laika un izmaksu izsmeļošu manuālo pārskatīšanu.

    TAR darbplūsmas (11)

    TAR darbplūsmas atspoguļo prognozējamo kodēšanas tehnoloģiju un protokolu praktisku pielietojumu, lai noteiktu pieejas paredzamo kodēšanas uzdevumu izpildei. Trīs TAR darbplūsmu piemēri ir šādi:

    TAR 1.0 ietver mācību posmu, kam seko pārskata fāze ar kontroles komplektu, kas tiek izmantots, lai noteiktu optimālo punktu, kad jums vajadzētu pāriet no apmācības uz pārskatīšanu. Sistēma vairs nemācās, kad mācību posms ir pabeigts. Kontroles komplekts ir nejaušs dokumentu kopums, kas ir pārskatīts un atzīmēts kā atbilstošs vai neatbilstošs. Kontroles komplekta dokumenti netiek izmantoti, lai apmācītu sistēmu. Tos izmanto, lai novērtētu sistēmas prognozes, lai apmācību varētu pārtraukt, ja papildu apmācības ieguvumi vairs neatsver papildu apmācības izmaksas. Apmācība var būt ar nejauši izvēlētiem dokumentiem, kas pazīstami kā vienkārša pasīvā mācīšanās (SPL), vai arī tā var ietvert dokumentus, kurus sistēma izvēlējusies, lai optimizētu mācību efektivitāti, kas pazīstama kā vienkāršā aktīvā mācīšanās (SAL).

    TAR 2.0 izmanto pieeju, ko sauc par Continuous Active Learning® (CAL®), kas nozīmē, ka nav nošķiršanas starp apmācību un pārskatīšanu - sistēma turpina mācīties visā. Lai gan daudzas pieejas var izmantot, lai atlasītu dokumentus pārskatīšanai, nozīmīgs CAL® komponents ir daudz atkārtojumu, lai prognozētu, kuri dokumenti, visticamāk, būs svarīgi, pārskatot tos un atjauninot prognozes. Atšķirībā no TAR 1.0, TAR 2.0 mēdz būt ļoti efektīva pat tad, ja izplatība ir zema. Tā kā apmācība un pārskatīšana nav nošķirta, TAR 2.0 neprasa kontroles komplektu. Vadības komplekta ģenerēšana var ietvert liela (īpaši, ja izplatība ir zema) neatbilstošu dokumentu skaita pārskatīšanu, tādēļ ir vēlams izvairīties no kontroles komplektiem.

    TAR 3.0 nepieciešams augstas kvalitātes konceptuāls klasteru algoritms, kas koncepcijas telpā veido šauri fokusētus fiksēta izmēra kopas. Tā piemēro TAR 2.0 metodoloģiju tikai klastera centriem, kas nodrošina, ka tiek pārskatīts daudzveidīgs potenciāli atbilstošu dokumentu kopums. Kad vairs nav iespējams atrast atbilstošus klastera centrus, pārskatītie klastera centri tiek izmantoti kā mācību dokumenti, lai prognozētu pilnu dokumentu populāciju. Nav nepieciešams kontroles komplekts — sistēma ir labi apmācīta, ja nav iespējams atrast papildu atbilstošus klastera centrus. Pārskatīto klastera centru analīze sniedz aplēsi par neatbilstošo dokumentu izplatību un skaitu, kas tiktu uzrādīti, ja dokumenti tiktu sagatavoti, pamatojoties tikai uz prognozēm bez cilvēka pārskatīšanas. Lietotājs var izlemt uzrādīt dokumentus (nav identificēti kā potenciāli priviliģēti) bez pārskatīšanas, līdzīgi kā SAL no TAR 1.0 (bet bez kontroles komplekta), vai arī viņš var izlemt pārskatīt dokumentus, kuriem ir pārāk liels risks, ka tie var būt neatbilstoši (ko var izmantot kā papildu apmācību sistēmai, t.i., CAL®). Galvenais ir tas, ka lietotājam ir informācija, kas viņam/viņai ir jāpieņem lēmums par to, kā rīkoties pēc tam, kad ir pabeigta klasteru centru pārskatīšana, kas varētu būt nozīmīga, un nekas nav izdarīts, pirms šis punkts kļūst par nederīgu ar lēmumu (salīdziniet ar sākot ar TAR 1.0, pārskatot kontroles komplektu, atrašana prognozes nav pietiekami labas, lai sagatavotu dokumentus bez pārskatīšanas, un pēc tam pārejot uz TAR 2.0, kas padara vadības komplektu praktiski bezjēdzīgu).

    TAR izmantošanas veidi (12)

    TAR tehnoloģijas, protokolus un darbplūsmas var efektīvi izmantot, lai e-datu atklāšanas profesionāļiem varētu veikt daudzus datu atklāšanas un juridiskās atklāšanas uzdevumus. Deviņi parasti tiek ņemti vērā TAR lietošanas piemēri:

    Attiecīgo dokumentu identifikācija

    Agrīnās lietas izvērtēšana/izmeklēšana

    Prioritāšu noteikšana pārskatīšanai

    Kategorizācija (pēc problēmām, konfidencialitātei vai konfidencialitātei)

    Privilēģiju pārskats

    Kvalitātes kontrole un kvalitātes nodrošināšana

    Ienākošo produkciju pārskats

    Izlietošanas/izmēģinājuma sagatavošana

    Informācijas pārvaldība un datu izvietojums

    Aptaujas informācija (13,14,15,16,17,18, 19, 20, 21)

    Atsauces

    (1) Grossman, M. un Cormack, G. (2013). Grossman-Cormack Glossary Technology Assisted Review. [ebook] Federālās tiesas likums pārskats. Pieejams: http://www.fclr.org/fclr/articles/html/2010/grossman.pdf [Piekļuvis 2018. gada 31. augustam.]

    (2) Dimm, B. (2018). Ekspertīze par prognozējamo kodēšanu. [e-pasts].

    (3) Roitblat, H. (2013). Ievads prognozējamā kodēšana. [ebook] Orcatec. Pieejams: 2018. gada 31. augusts.]

    (4) Tredennick, J. un Pickens, J. (2017). Dziļa mācīšanās e-Discovery: Moving garām Hype. [online] Catalystsecure.com. Pieejams: 2018. gada 31. augusts.]

    (5) Grossman, M. un Cormack, G. (2017). Tehnoloģijas Assisted pārskats elektroniskajā atklāšanā. [ebook] Pieejams: 31 augusts 2018].

    (6) Grossman, M. un Cormack, G. (2016). Nepārtraukta aktīva mācīšanās TAR. [ebook] Praktiskās tiesības. Pieejams: 2018. gada 31. augusts.]

    (7) Grossman, M. un Cormack, G. (2016). Nepārtrauktas aktīvās mācīšanās mērogojamība uzticamai augsta atsaukuma teksta klasifikācijai. [ebook] Pieejams: 3 septembris 2018].

    (8) Losey, R., Sullivan, J. un Reihenberger, T. (2015). E-atklāšana komanda pie TREK 2015 Kopā Recall Track. [ebook] Pieejams: 1 sept. 2018].

    (9) “Continuous Active Learning preču zīme Maura Grossman un Gordon V. Cormack - Reģistrācijas numurs 5876987 - sērijas numurs 86634255። Justia Preču zīmes”. Trademarks.Justia.com, 2020, 12 Feb 2020].

    (10) “CAL preču zīme Maura Grossman un Gordon V. Cormack - Reģistrācijas numurs 5876988 — sērijas numurs 86634265። Justia Preču zīmes”. Trademarks.Justia.com, 2020, 12 Feb 2020].

    (11) Dimm, B. (2016), TAR 3.0 veiktspēja. [online] Clustify Blog - e-Discovery, Dokumentu klasteru izveide, paredzamā kodēšana, informācijas izguve un programmatūras izstrāde. Pieejams: 2019. gada 18. februāris.]

    (12) Elektroniskās atklāšanas atsauces modelis (EDRM) (2019). Tehnoloģiju Assisted Review (TAR) pamatnostād [online] Pieejams: 2019. gada 18. februāris.]

    (13) Dimm, B. (2018). TAR, proporcionalitāte un slikti algoritmi (1-NN). [online] Clustify Blog - e-Discovery, Dokumentu klasteru izveide, paredzamā kodēšana, informācijas izguve un programmatūras izstrāde. Pieejams: 2018. gada 31. augusts.]

    (14) Robinson, R. (2013). Darbības rezultāti: Prediktīvā kodēšana viena jautājuma sniedzēja ieviešanas aptauja. [online] ComplexDiscovery: e-Discovery informācija. Pieejams: 2018. gada 31. augusts.]

    (15) Robinson, R. (2018). Running saraksts: Top 100+ e-Discovery nodrošinātāji. [online] ComplexDiscovery: e-Discovery informācija. Pieejams: 2018. gada 31. augusts.]

    (16) Robinson, R. (2018) salīdzinoši Runājot: Prediktīvās kodēšanas tehnoloģijas un protokoli aptaujas rezultāti [online] ComplexDiscovery: e-Discovery informācija. Pieejams: 2019. gada 18. februāris.]

    (17) Robinson, R. (2019) Aktīvi Mācīties? Prognozīvās kodēšanas tehnoloģijas un protokoli aptaujas rezultāti [online] ComplexDiscovery: e-Discovery informācija. Pieejams: 2019. gada 22. aug.]

    (18) Robinson, R. (2019) No platformām līdz darbplūsmām: prognozējošās kodēšanas tehnoloģijas un protokolu apsekojums - rudens 2019 rezultāti [online] ComplexDiscovery: e-Discovery informācija. Pieejams: 2020. gada 12. februāris].

    (19) Robinson, R. (2020) Vai tas viss ir relatīvs? Prognozīvās kodēšanas tehnoloģijas un protokoli apsekojums - pavasara rezultāti [online] ComplexDiscovery: e-Discovery informācija. Pieejams: [Piekļuvis 2020. gada 7. augustā].

    (20) Robinson, R. (2020) Plašāka tīkla liešana? Prognozīvās kodēšanas tehnoloģijas un protokoli apsekojums - Fall 2020 [online] ComplexDiscovery: e-Discovery informācija. Pieejams: [Piekļuvis 2021. gada 5. februārī].

    (21) Robinson, R. (2021) aukstā laika nozveja? Prognozīvās kodēšanas tehnoloģijas un protokoli apsekojums - pavasaris 2021 [online] ComplexDiscovery: e-Discovery informācija. Pieejams: [Piekļuvis 2021. gada 8. augustā].

    Noklikšķiniet šeit, lai norādītu konkrētus papildinājumus, labojumus un atjauninājumus.

    * Paredzamā kodēšanas aptauja Respondenti: Seši aptaujas

    Paredzamā kodēšanas apsekojuma respondenti — seši apsekojumi

    Avots: Complex-Dis

    Noliecoties uz priekšu? CISA 2023—2025. gada stratēģiskais plāns

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

    Nepārtraukta riska uzlabošana? Q3 Cyber Round-Up No Cowbell Cyber

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

    Visaptverošs kibernoziegumu atklāšanas resurss? DoD kiberdrošības politikas diagramma no CSIAC

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

    Strauji apgrozības kibernoziegumu apdrošināšana? Q2 Cyber Round-Up No Cowbell Cyber

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

    Atklājot atbildi? Nuix atbild uz ASX informācijas pieprasījumu

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

    Atklāj atskaites? Nuix piezīmes preses spekulācijas

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

    HayStackID® iegādājas biznesa informācijas partnerus

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

    Viens liels programmatūras un mākonis bizness? OpenText, lai iegādātos mikro fokusu

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

    Pārvietot? 2022 E-datu atklāšanas tirgus kinētika: piecas interesējošas jomas

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

    Uzticēšanās procesam? 2021 e-datu atklāšanas apstrādes uzdevums, tērēšana un izmaksu dati

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

    Gads pārskatā? 2021 e-atklāšanas pārskatīšanas uzdevums, tērēšana un izmaksu datu punkti

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

    2021 Apskatiet e-atklāšanas kolekciju: uzdevumu, tērēšanas un izmaksu datu punkti

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

    Pieci Great lasa par kibernoziegumu, datu un juridisko atklājumu par 2022. gada septembrī

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

    Pieci Great lasa par kibernoziegumu, datu un juridisko atklājumu augustā 2022

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

    Pieci Great lasa par kibernoziegumu, datu un juridisko atklājumu jūlijā 2022

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

    Pieci Great lasa par kibernoziegumu, datu un juridisko atklājumu par jūnijs 2022

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

    Cooler Temperatūra? Fall 2022 e-datu atklāšanas uzņēmumu uzticības aptaujas rezultāti

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

    Liekums vai deformācija? Astoņu pusgada e-datu atklāšanas cenu apsekojumu apkopojums

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

    Mainot straumes? Astoņpadsmit novērojumi par e-datu atklāšanas uzņēmumu uzticību 2022. gada vasarā

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

    Izaicinājums Varianti? E-datu atklāšanas biznesa veiktspēju ietekmējošas problēmas: 2022. gada vasaras pārskats

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