À retenir :: La revue par IA améliore la Technology Assisted Review (TAR) en accélérant l’examen des documents, en renforçant la cohérence et en réduisant les coûts. Les équipes juridiques optimisent les workflows prédictifs en combinant l’IA avec TAR 1.0 et Continuous Active Learning (CAL), ce qui permet une découverte plus rapide et plus précise tout en minimisant l’effort manuel et en maximisant la précision du marquage des enjeux./em>

Les capacités récentes de revue par IA, basées sur l’IA générative et les technologies de Large Language Model (LLM), bouleversent la découverte juridique. Plutôt que de remplacer la Technology Assisted Review (TAR), les nouvelles plateformes de revue par IA s’avèrent être des compléments puissants pour les équipes juridiques. Elles améliorent la précision, réduisent les coûts et accélèrent les délais. Pour transformer réellement les workflows prédictifs, les équipes juridiques doivent compléter et entraîner TAR 1.0 avec la revue par IA et combiner Continuous Active Learning (CAL) avec la revue par IA pour une découverte plus rapide, plus cohérente et plus économique.

Compléter TAR 1.0 avec une revue par IA

Les workflows modernes de découverte commencent souvent par filtrer les documents non pertinents. TAR 1.0 est une méthode fiable pour cela, utilisant un petit ensemble d’entraînement pour réduire les volumes de données jusqu’à soixante-dix pour cent. Cependant, l’étape la plus coûteuse, la revue humaine, reste nécessaire.

Place à la revue par IA. Associée à TAR 1.0, l’IA gère la revue de premier niveau, en identifiant les documents pertinents mais aussi en codant les privilèges et les enjeux. L’ensemble enrichi est ensuite envoyé à une équipe d’avocats pour examen. Cela réduit le besoin d’une revue humaine étendue et accélère la production.

Approche TAR 1.0 traditionnelle par rapport à l'approche TAR 1.0 suivie d'une révision par IA :

Utiliser la revue par IA pour entraîner les modèles TAR

L’entraînement des modèles TAR est gourmand en ressources et exige souvent que des avocats codent manuellement des milliers de documents. Les plateformes de revue par IA examinent des milliers de documents, généralement par un ou deux experts métier, en une fraction du temps. Cette approche hybride combine la puissance de filtrage de TAR avec la précision de marquage de l’IA, en ajoutant de la valeur grâce au codage des enjeux et aux indicateurs de sensibilité (par exemple, « Hautement sensible » et « Potentiel privilège »).

Compléter le TAR par une revue IA dans la pratique

Mettre à jour la revue des avocats sur l’ensemble priorisé après TAR est simple, mais qu’en est-il de l’entraînement du modèle TAR avec la revue par IA ? En pratique, cela peut être complexe. Les économies de temps et d’effort nécessaires pour entraîner un modèle TAR sont précieuses, mais l’équipe du dossier doit s’assurer qu’elle surveille et valide les décisions prises par la revue IA en son nom, surtout si les enjeux du dossier sont complexes. La capacité à documenter et expliquer clairement le processus est essentielle. Les décisions de l’IA soigneusement examinées et confirmées par l’équipe du dossier permettront toujours de gagner un temps considérable et de rendre le processus plus défendable.

Combiner l'apprentissage actif continu avec l'analyse par IA

Les workflows CAL reposent sur une révision humaine itérative pour entraîner des modèles qui permettent de déprioriser la révision des documents manifestement non pertinents. L’analyse par IA peut être intégrée dans ce cycle, en remplaçant les réviseurs humains pour certaines tranches de données. À chaque itération, le système CAL acquiert de nouvelles informations et met à jour le classement. Pour des ensembles à très faible richesse, utiliser l’IA pour alimenter la révision CAL est une combinaison efficace de ces technologies. Cela accélère l’apprentissage tout en maintenant la qualité grâce à l’échantillonnage et au contrôle qualité.

L’analyse par IA est un outil puissant pour examiner et coder les documents, notamment en réduisant le temps des avocats pour entraîner les modèles TAR et, surtout, en améliorant la cohérence. Les modèles TAR souffrent lorsque le codage des documents est incohérent.

Comme TAR n’a jamais été utile pour le codage des enjeux, l’analyse par IA franchit une étape supplémentaire en remplaçant la révision de premier niveau. Elle fournit un résultat codé pour la réactivité, les balises d’enjeux, les documents « sensibles » et potentiellement privilégiés.

Les humains restent essentiels dans ce processus. Ils sont responsables de la validation du codage prédictif et des résultats des LLM avant la production. L’IA accélère simplement la révision manuelle, libérant ainsi du temps pour des tâches à plus forte valeur ajoutée.

Une combinaison d’analyse par IA et de TAR est particulièrement efficace pour :

• Les dossiers volumineux avec des ensembles d’entraînement coûteux
• Les projets nécessitant un codage des enjeux au-delà de la réactivité
• Les délais serrés
• Une révision complète de second niveau avant la production
• Les documents complexes qui ralentissent les réviseurs humains

Alors que les départements juridiques cherchent à apporter une valeur stratégique à leur entreprise et que les cabinets d’avocats veulent rester compétitifs et réduire les coûts, combiner l’analyse par IA avec le codage prédictif traditionnel offre aux équipes une stratégie pérenne pour la découverte.

En savoir plus sur Epiq AI Discovery Assistant™.

Jon Lavinder, directeur principal, Gestion de projets, Epiq

En tant que directeur principal de la gestion de projets chez Epiq, Jon travaille en étroite collaboration avec des cabinets d'avocats et des professionnels du droit d'entreprise afin de mettre au point les outils et les services de la prochaine génération en matière de recherche juridique et de gouvernance de l'information. Il intervient régulièrement lors de conférences sur l'eDiscovery pour parler de l'utilisation de l'IA et de l'avenir du secteur.