solutions
industries

Examen de Toronto soutenu par l’apprentissage actif continu

Défi

Ce litige portait sur un différend au sujet de l’utilisation d’un logiciel spécialisé dans le secteur de la valorisation résidentielle et commerciale. Notre client répondait à une poursuite judiciaire alléguant que ses employés ne prenaient pas suffisamment en compte l’utilisation du logiciel cédé sous licence d’un de ses associés et qu’en conséquence, les frais facturés n’étaient pas adéquats.

Après l’application d’un filtrage de base des flux de travaux (déduplication, recherche de mots clés, etc.), on a laissé à l’avocat externe 149 000 documents à examiner et à produire rapidement pour l’avocat de la partie adverse. Un exercice d’échantillonnage a démontré que moins de trois pour cent des documents étaient pertinents, mais qu’en raison de la nature des documents et des critères de demande de production, il serait difficile d’ajouter d’autres filtres.

Solution

L’entreprise a communiqué avec Epiq et lui a soumis l’idée de faire appel à une combinaison de la technologie et d’examinateurs de contrats pour faciliter un examen actif continu fondé sur l’apprentissage. L’apprentissage actif continu est une variante du  codage prédictif qui met l’examen au premier rang et recommande sans problème les documents les plus intéressants à l’équipe des examens. Alimenté par une machine d’apprentissage d’algorithmes sophistiquée, le système apprend pendant l’examen. Il s’agit d’un changement par rapport à la pratique du codage prédictif, plus traditionnel, qui nécessite une formation préliminaire du système avant que le véritable examen ne puisse commencer.

Exécution

Epiq a mis sur pied une équipe de dix avocats spécialisés dans les contrats et a eu recours à une combinaison du logiciel NexLP Story Engine et du logiciel Relativity pour l’examen. Le cabinet d’avocats a fourni une petite série de 140 documents de base pour lancer le classificateur de NexLP. Il s’agissait d’un mélange de documents semblables à ceux qu’ils espéraient trouver, ainsi que des exemples de documents qui n’étaient pas pertinents. Le fait d’avoir une petite série de documents de base a permis au système de commencer à établir l’ordre de priorité des documents dès le tout début de l’examen.

Le premier jour, un lundi, l’avocat principal a passé la moitié de la journée à assurer la formation aux dix membres de l’équipe des examens des contrats. La seconde moitié de cette journée et le lendemain ont été passés à examiner les meilleurs documents.

Moins de 3 % de l’ensemble des documents étaient pertinents, mais l’examen initial du système laissait entrevoir que les documents étaient très efficaces. En moyenne, sept documents examinés sur dix le lundi et le mardi étaient pertinents. Une fois que l’avocat principal a été persuadé que l’équipe des examens assurait le codage de façon uniforme, tous les appels d’examens ont été introduits dans le système d’apprentissage actif continu (NexLP Cosmic).

Le modèle s’est immédiatement stabilisé, et la série de documents recommandés pour l’examen par une personne a diminué de moitié encore une fois. L’équipe des examens a continué à travailler dans les documents, en les mettant par lots, selon le niveau de pertinence.

Le troisième jour, le mercredi, le pourcentage de documents pertinents dans le niveau à haut pointage est demeuré élevé. À la fin de la journée, l’équipe avait terminé l’examen de tous les documents affichant les niveaux les plus élevés et avait commencé celui des documents affichant des niveaux moins élevés.

Le jeudi, la prévalence de documents pertinents dans les documents restants a baissé à 38 %, pour ensuite s’établir à 19 % le vendredi. À ce stade, l’équipe des cas a rencontré Epiq et a décidé de prendre un échantillon aléatoire des documents restants pour valider qu’aucun document important ne manquait. L’échantillon de validation a montré que la notation correspondait bien avec la pertinence et que les documents à faible pointage étaient de toute évidence non pertinents.

L’échantillonnage de la série de 134 000 documents non examinés a permis de constater qu’aucun contenu pertinent important n’avait pas été couvert. Bien que l’examen ait continué pendant encore plusieurs jours avec l’ajout d’autres séries de documents, un peu de rédaction de renseignements de nature délicate et l’examen de sous-groupes de documents particuliers, l’effort de repérage des documents pertinents était pratiquement terminé au bout d’une semaine de gros travail.

Résultats

En fin de compte, l’équipe a examiné 33 000 documents, dont 3 000 qui ne convenaient pas au flux de travail d’apprentissage actif continu (tableur Excel et documents dans lesquels il manquait du texte). Ainsi, l’effort d’examen d’investigation a pris moins de temps et a coûté moins cher, et pourtant, il a été plus efficace que nombre d’efforts de taille comparable. L’entreprise a non seulement respecté ses échéanciers, mais l’a fait par l’intermédiaire d’une approche contrôlée et mesurée en assurant le caractère défendable du projet tout au long de son cycle de vie.

thinking

news

view all right
By continuing to browse and accepting this banner, you consent to the storing of first and third-party cookies on your device to enhance site navigation, analyze site usage, and assist in Epiq’s marketing efforts. Read more on our cookie notice.