מערכת AI ל-e-Discovery: אוטומציה של בדיקת מסמכים משפטיים
תארו לעצמכם תביעה הדורשת ניתוח של 5 מיליון מסמכים בשבועיים. ללא AI, זה אומר מאות עורכי דין שעובדים מסביב לשעון ותקציבים של מיליונים. אנו מפתחים מערכות AI ל-e-Discovery שמבצעות את העבודה בימים, ומפחיתות עלויות ב-60–80%. לצוות שלנו יש ניסיון של 5+ שנים ו-10+ פרויקטים, מסטארטאפים ועד משרדי עורכי דין גדולים המשתמשים ב-AI לעניינים משפטיים. הבסיס הוא טכנולוגיית e-Discovery המונעת על ידי למידת מכונה.
כיצד AI מאיץ e-Discovery?
בדיקה ידנית של כל מסמך היא אוטופיה. מודלים מודרניים, כמו BERT מכוונן או LLMs עם RAG, מעבדים טרה-בייטים של נתונים ומזהים את 1–5% הרלוונטיים תוך שעות. ה-Recall למסמכים רלוונטיים מגיע ל-95%+, ולמסמכים חסויים — 99%. זה לא רק חיסכון בזמן; זו ערובה משפטית: החמצת מסמך חסוי מסכנת בסנקציות בית משפט. גילוי אלקטרוני הופך לניהול עם ML בתחום המשפט.
טכנולוגיות שאנו משתמשים בהן
המרכיב המרכזי הוא בדיקה בסיוע טכנולוגיה (TAR), הידועה גם בשם Predictive Coding. אנו מיישמים אותה באמצעות למידה פעילה עם PyTorch או Hugging Face Transformers. המודל מתאמן על קבוצת זרעים (אלפי מסמכים שסומנו על ידי עורכי דין) ולאחר מכן משתפר באופן איטרטיבי על ידי בחירת המסמכים הכי לא ודאיים לסימון. זה מפחית את המאמץ הידני פי 10–20. כפי שמוצג במחקר Grossman & Cormack (2011), TAR מקצר את זמן הניתוח ב-70-80% בהשוואה לבדיקה לינארית.
קוד לדוגמה: סיווג מסמכים
class DocumentRelevance(BaseModel):
document_id: str
relevance_score: float # 0-1
is_privileged: bool # attorney-client privilege
is_responsive: bool # отвечает ли на запрос о раскрытии
key_topics: list[str]
custodians: list[str] # кто участвует в переписке
date: date | None
def predict_relevance(
document: str,
seed_set: list[tuple[str, bool]] # (doc, is_relevant) для обучения
) -> DocumentRelevance:
# Active Learning: выбираем наиболее информативные документы для разметки
...
מהי בדיקה בסיוע טכנולוגיה?
TAR היא שיטה שבה אלגוריתם למידת מכונה מדרג מסמכים לפי רלוונטיות. עורכי דין בודקים רק מסמכים בדירוג גבוה, והמודל מכוונן על פי החלטותיהם. חיפוש וקטורי באמצעות אינדקס FAISS ANN מוצא מסמכים דומים במילישניות. מודלי Embedding (OpenAI text-embedding-3-small או E5) מייצרים וקטורים של 1536 ממדים המאונדקסים ב-Qdrant או pgvector. זה מבטיח עיבוד מהיר של טרה-בייטים של נתונים.
כיצד אנו מזהים מסמכים חסויים?
חסיון עורך דין-לקוח מכסה מסמכים הפטורים מחשיפה. החמצת מסמך כזה היא אסון משפטי. הצינור שלנו כולל מספר שכבות:
- מסנן תחום: יועצים חיצוניים (למשל, @lawfirm.com)
- מודל NLP המאומן על ביטויים כמו "ייעוץ משפטי", "חסוי", "תוצר עבודת עורך דין"
- השוואה וקטורית עם מסמכים חסויים ייחוסיים
- אימות מבוסס מטא-דאטה (נושא, משתתפים, סימונים)
אנו שואפים ל-99% Recall למסמכים חסויים, אם כי זה מגדיל תוצאות חיוביות שגויות אשר מסוננות על ידי עורכי דין. בממוצע, 2–3% מהקורפוס מסומן כחסוי.
תהליך העבודה בפרויקט
אנו מטפלים בפרויקט במפתח מלא. שלבים:
- אנליטיקה: ביקורת מקורות נתונים, מודל EDRM, הגדרת קריטריונים לרלוונטיות וחסיונות
- אינטגרציה: מחברים ל-Exchange, SharePoint, Slack, Google Workspace, המרה לפורמט אחיד (RSMF) באמצעות Apache Tika
- אימון מודל: סימון קבוצת זרעים, כיוונון מודלי טרנספורמר (BERT, RoBERTa), כיוונון סף
- ולידציה: בדיקה על קבוצת החזקה, מדדי precision/recall, אישור משפטי
- פריסה: קונטיינריזציה (Docker), פריסה על השרתים שלכם או בענן (AWS, GCP), אינטגרציה עם Relativity או פלטפורמה אחרת
- העברת ידע: תיעוד, הדרכת צוות, תמיכה ל-3 חודשים
השוואה: TAR לעומת בדיקה לינארית
| קריטריון | TAR (הגישה שלנו) | בדיקה לינארית (ללא AI) |
|---|---|---|
| זמן לבדיקת מיליון מסמכים | 3 ימים | 50 ימים (100 עורכי דין) |
| עלות | נמוכה משמעותית | גבוהה |
| Recall רלוונטי | 95% | 80% |
| גמישות | כיוונון ספציפי למקרה | תהליך סטטי |
| שיעור שגיאות חסיונות | <1% | 5–10% |
תוצאה: TAR מהיר וזול פי 10, ובמקביל מדויק יותר. אנו מבטיחים Recall שלא יפחת מהמוסכם בחוזה.
השוואת מודלי Embedding ל-e-Discovery
| מודל | ממד | מהירות אינדוקס (100 אלף מסמכים) | Recall@10 | עלות לכל 1,000 מסמכים |
|---|---|---|---|---|
| OpenAI text-embedding-3-small | 1536 | 2 דקות | 95% | נמוכה |
| E5-base | 768 | 3 דקות | 92% | חינם |
| BERT-large | 1024 | 5 דקות | 90% | דורש GPU |
מודלי Embedding נבחרים לפי המשימה: OpenAI לדיוק גבוה, E5 בקוד פתוח לחסכון.
מה כלול
- מודל ו-API: מודל TAR מוכן עם REST API להעלאת מסמכים וקבלת תחזיות.
- תיעוד: תיאור הצינור, מדדים, הוראות לעדכוני מודל.
- גישה: התחברות לדשבורד ניטור (W&B או MLflow) לצפייה במדדים בזמן אמת.
- הדרכה: יומיים באתר או מקוונים לצוות המשפטי: כיצד לסמן, לפרש ציונים.
- תמיכה: 3 חודשי תמיכה באירועים, אחריות ביצועים.
לוח זמנים טיפוסי
העלות מחושבת באופן אישי, בהתאם לנפח הנתונים, מספר האחראים על המסמכים והמהירות הנדרשת. אנו מעריכים אספקה בין 2 ל-6 שבועות. פרויקט טיפוסי של 2 מיליון מסמכים לוקח 3 שבועות. אנו לא מפרסמים מחירים קבועים, אבל מוכנים להעריך את המקרה שלכם תוך יום אחד. צרו קשר להערכה.
למה לבחור בנו
אנחנו לא רק פורסים AI — אנו מבטיחים את ההגנה המשפטית של התוצאות. המערכות שלנו עברו ביקורות בית משפט בארה"ב ובאיחוד האירופי. 5+ שנים בתעשייה, 10+ פרויקטים, כל אחד עם Recall חסיונות > 99%. עבודה במפתח מלא עם ערבויות מדדים. קבעו פגישת ייעוץ — בואו נדבר על איך לקצץ בעלויות ה-e-Discovery שלכם.