Fallstudie: Kontinuierliches aktives Lernen in der Kartellrechtsvorbereitung

Kundenbedürfnisse

Schnelle Vorbereitung auf einen bevorstehenden Kartellrechtsfall.
Ein globales Technologieunternehmen sah sich mit einem umfangreichen Kartellrechtsverfahren konfrontiert und wollten Ihr mögliches Risiko einschätzen, bevor sie ihren Fall ausbauten. Sie hatten 240.000 Dokumente und E-Mails gesammelt, die potenziell mit der Angelegenheit in Verbindung standen.

Epiq-Lösung

Epiq ermöglichte KI-basierte Erstprüfung
Externe Rechtsbeistände stellten 60 Seed-Dokumente bereit, die eine Mischung aus relevanten und nicht relevanten Dokumenten und E-Mails waren. Obwohl die Stichprobe klein war, identifizierte der Reveal AI-Algorithmus für prädiktives Coding wahrscheinlich relevante Dokumente, indem er den Text der Beispieldokumente und andere Aspekte auswertete, wie z.B. wer die E-Mail gesendet hat, an wen sie gesendet wurde, die E-Mail-Domains in der Verteilung, die Art der Referenzen  von Unternehmen oder Verbände und viele weitere Elemente.

Sobald das Prüfungsteam mit der Kodierung von Dokumenten begann, wurden diese in Reveal AI zurückgeführt, um das Modell für prädiktives Coding kontinuierlich zu aktualisieren, sodass es nicht relevante Dokumente ausschließen konnte.

Warum Epiq?

Das erfahrenen Teams (Advanced Technologies and Document Review Services) von Epiq hatte die Erfahrungen eines  erfolgreichen kontinuierlichen aktives Lernen bei zahlreichen Projekten eingebracht, was zu erheblichen Kosten- und Zeiteinsparungen führte und gleichzeitig relevante Dokumente präzise identifizierte.