Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Día 1: Construir los fundamentos — Ingesta, búsqueda y recuperación
Módulo 1: El panorama del ingeniero legal
- Objetivos de aprendizaje — comprender el rol, cómo encaja la IA en el trabajo jurídico y los dos riesgos críticos que atraviesan todo el ecosistema.
- Temas
-
- El rol del ingeniero legal y por qué es demandado actualmente.
- Cómo encaja la IA: eDiscovery, revisión de contratos, investigación jurídica e investigaciones; el modelo EDRM explicado en términos sencillos.
- Construir vs. comprar.
- Los dos riesgos centrales: confidencialidad/privilegio y defensibilidad legal.
Módulo 2: Los datos legales son complejos — Ingesta y extracción
- Objetivos de aprendizaje — enfrentar la realidad de gestionar datos legales a gran escala.
- Temas
- +1.400 tipos de archivos, correos electrónicos y PSTs, documentos escaneados, load files (.dat/.opt); metadatos incrustados que son relevantes.
- Extracción de texto (Tika), OCR y deduplicación como estrategia opcional.
- Lab: Ingesta en FreeEed — construir un pipeline de ingestión sobre un conjunto deliberadamente complejo de documentos (correo/PST, escaneos, load files).
Módulo 3: Búsqueda y recuperación — la base fundamental
- Objetivos de aprendizaje — construir el primitivo central del eDiscovery: encontrar cualquier dato dentro de todo el corpus.
- Temas — búsqueda y indexación de texto completo (Solr/Lucene); relevancia, filtrado por metadatos y fechas; búsqueda en contenido extraído mediante OCR.
- Lab: Búsqueda eDiscovery — indexar un corpus y ejecutar búsquedas estilo eDiscovery real, incluso dentro de escaneos procesados con OCR.
Módulo 4: RAG para documentos legales — con citas fuentes
- Objetivos de aprendizaje — construir RAG sobre documentos legales que cite explícitamente sus fuentes.
- Temas
- Por qué la recuperación, y no el ajuste fino (fine-tuning), es preferible para material sensible: el modelo nunca "absorbe" los documentos completos.
- Agrupación por fragmentos (chunking), embeddings y, sobre todo, citas y procedencia.
- Resumen multi-documento e hilo conversacional.
- Lab: RAG Legal con citas fuentes — construir un sistema de preguntas y respuestas basado en RAG sobre un conjunto de documentos que responde citando las fuentes originales.
Día 2: Garantizar privacidad, defensibilidad y preparación para producción
Módulo 5: Privacidad, privilegio y servicio local — la trampa del privilegio legal
- Objetivos de aprendizaje — mantener los datos legales locales y poder certificarlo.
- Temas
- Dónde va realmente la información cuando se utiliza una IA en la nube.
- Vaiván del privilegio, deber de competencia y el espectro "privado" (contractual vs. físico).
- Caso Morgan v. V2X y por qué lo local es defendible ante tribunales.
- Servicio de modelos locales (Ollama / vLLM) y monitoreo del tráfico saliente.
- Lab: Modelo local + prueba egress — ejecutar un modelo local de extremo a extremo y demostrar, mediante monitoreo, que ningún dato salió del entorno.
Módulo 6: Revisión de IA defendible
- Objetivos de aprendizaje — medir y documentar una revisión de IA para que sea jurídicamente sólida.
- Temas
- Las métricas clave válidas en juicio: recall, elusion, precisión, validación ground-truth; TAR (Revisión Asistida por Tecnología) / aprendizaje activo.
- Transparencia (¿por qué clasificó así este documento?) y reproducibilidad: fijar la versión del modelo, inmutabilizar los parámetros, registrar todo.
- La "instantánea de caso defendible" que permite a terceros reproducir tu revisión un año después y obtener el mismo resultado.
- Lab: Revisión defendible — medir una revisión de IA frente a un ground-truth ciego y producir un paquete reproductible.
Módulo 7: Desplegar — Flujos de trabajo, despliegue privado y gobernanza
- Objetivos de aprendizaje — ensamblar las piezas en un flujo de trabajo, desplegarlo de forma privada y evaluarlo.
- Temas
- Un flujo de trabajo legal multi-etapa (ingesta → búsqueda → resumen → revisión → producción) con intervención humana (human-in-the-loop).
- Fundamentos del despliegue privado/on-premise (containerización; mantener los datos dentro de la organización).
- Gobernanza de IA para el ámbito legal en resumen y evaluación del sistema mediante SAIS-100 (Elephant Scale Secure AI Score).
- Lab: Puntuación y empaquetado — interconectar un flujo de trabajo multi-etapa, puntuarlo con SAIS-100 y empaquetarlo para despliegue privado.
Proyecto final (integrado durante el Día 2)
- Construir una aplicación legal-AI privada y defendible de extremo a extremo : ingestar un corpus desordenado, buscarlo, responder preguntas sobre él con citas usando un modelo local, medir una revisión defendible y empaquetarlo para despliegue privado.
- Los participantes se llevan como producto final un proyecto portafolio que refleja el trabajo real de un ingeniero legal.
Día 3 Opcional / Módulos Avanzados (entregables como un 3er día o como una serie modular)
- Investigaciones: Entidades, relaciones y cronologías — extraer personas/organizaciones/fechas, reconstruir hilos de correo, construir líneas temporales, mapear duplicados cercanos y linaje documental. Lab: construir una línea temporal y vista entidad-relación.
- Flujos de trabajo agénticos y multi-etapa (profundización) — orquestación más rica, análisis contractual, síntesis multi-documento, uso de herramientas y guardrails como principio de diseño. Lab: construir un flujo de trabajo multi-etapa con un punto de control humano.
- Despliegue a escala — despliegue on-premise y appliances, procesamiento distribuido para grandes volúmenes, entornos regulados (CJIS, gobierno, educación superior), dimensionamiento de hardware. Lab: containerizar y escalar un trabajo de procesamiento entre múltiples nodos trabajadores.
- Profundización en gobernanza y cumplimiento normativo — panorama regulatorio de la IA (más de 100 leyes estatales de EE.UU. sobre IA, AI Act de la UE), requisitos de auditoría y una auditoría completa de gobernanza SAIS-100. Lab: auditar un sistema legal-AI frente a una lista de verificación de gobernanza/defensibilidad.
Requerimientos
- Comodidad con Python y APIs básicas.
- Útil: familiaridad a nivel de usuario con LLMs (no se requiere formación previa en ML; construimos el modelo mental durante el curso).
- No se requiere antecedentes legales — los conceptos jurídicos necesarios se enseñan en contexto.
Público objetivo
- Ingenieros de software o IA que transicionan hacia el sector legal-tech.
- Ingenieros de empresas de legal-tech que necesitan profundidad en dominio jurídico.
- Profesionales técnicos del ámbito legal, eDiscovery o gestión de información que quieren construir soluciones, no solo adquirirlas.
- Cualquier persona orientada al rol de "ingeniero legal" o "ingeniero de IA legal".
14 Horas
Reseñas (2)
La práctica estuvo muy interactiva y aplicable al negocio.
Jorge Boscan - Chevron Global Technology Services Company
Curso - Advanced GitHub Copilot & AI for Projects and Infrastructure
Adquirí conocimientos sobre la biblioteca Streamlit de Python y, con seguridad, intentaré utilizarla para mejorar las aplicaciones de mi equipo que se desarrollan en R Shiny.
Michal Maj - XL Catlin Services SE (AXA XL)
Curso - GitHub Copilot for Developers
Traducción Automática
