लाखों डॉक्यूमेंट्स वाली 90 दिन की डिस्कवरी विंडो शायद ही कभी इसलिए फेल होती है कि टीम उन्हें पढ़ नहीं पाती। यह इसलिए फेल होती है क्योंकि टीम प्रोडक्शन की तारीखों और बचाव की उम्मीदों को पूरा करने के लिए अपने रिव्यू के फैसलों को तेज़ी से प्राथमिकता नहीं दे पाती, उन्हें माप नहीं पाती और समझा नहीं पाती। ऐसी स्थिति में, AI तब सबसे ज़्यादा काम का होता है जब वह ठोस इंटरमीडिएट वर्क-प्रोडक्ट बनाता है जिसे लिटिगेशन टीम आगे भेज सकती है, सैंपल कर सकती है और वैलिडेट कर सकती है। ईमेल और चैट थ्रेड पर AI इश्यू टैग, जल्दी समझने के लिए AI क्लॉज़ या कम्युनिकेशन समरी, शुरुआती केस असेसमेंट के लिए AI द्वारा सुझाए गए कस्टोडियन और एंटिटी, और AI टाइमलाइन के बारे में सोचें जो अलग-अलग सोर्स से मिली जानकारी को जोड़कर बताती है कि कब क्या हुआ। क्या प्रोड्यूस किया गया, क्या रोका गया, और प्रोसेस को कैसे डॉक्यूमेंट किया गया - इन सबके लिए अटॉर्नी ही जवाबदेह होता है।
जब वर्कफ़्लो का बचाव किया जा सके, तो कोर्ट AI-असिस्टेड eDiscovery के लिए टेक्नोलॉजी-असिस्टेड रिव्यू (TAR) को एक मान्य तरीका मानते हैं। इस कोर्स में, हम TAR को ‘ब्लैक बॉक्स’ के बजाय डिस्कवरी की तैयारी का एक हिस्सा मानते हैं। मकसद रिव्यू को बदलना नहीं है। मकसद अटॉर्नी की मेहनत को रिव्यू के मकसद तय करने, मॉडल को ट्रेन और बेहतर बनाने, और सैंपलिंग के ज़रिए नतीजों को वैलिडेट करने की दिशा में ले जाना है ताकि प्रोडक्शन के फैसलों का बचाव किया जा सके। हम उसी चीज़ पर ध्यान केंद्रित करेंगे जिस पर टीम भरोसा करती है। इसमें AI रिस्पॉन्सिवनेस प्रेडिक्शन, AI प्रिविलेज रिस्क फ़्लैग और AI द्वारा सुझाए गए रिव्यू बैच शामिल हैं। रिस्क के स्तर और इस बात के आधार पर कि उन पर कहाँ भरोसा किया जाएगा, हर आउटपुट के वेरिफिकेशन की गहराई अलग-अलग होती है।
डॉक्यूमेंट प्रोडक्शन के अलावा केस की तैयारी में, AI तब सबसे ज़्यादा उपयोगी होता है जब वह अनस्ट्रक्चर्ड सबूतों को लिटिगेशन के लिए तैयार ढांचे में बदल देता है। इसका मतलब है - बेट्स स्टैम्प वाले डॉक्यूमेंट्स से जुड़ी AI केस टाइमलाइन का हिस्सा, खास सबूतों (एग्ज़िबिट्स) पर आधारित AI डिपोज़िशन आउटलाइन के बिल्डिंग ब्लॉक्स, और AI गैप लिस्ट जो यह बताती है कि मौजूदा रिकॉर्ड अभी क्या साबित नहीं कर पा रहा है। इसके बाद टीम ऐसे फ़ॉलो-अप टास्क सौंप सकती है जिन पर असल में काम किया जा सके। जैसे - गायब डॉक्यूमेंट्स मांगना, टारगेटेड सर्च करना, या सही कस्टोडियन का इंटरव्यू लेना। यहाँ आप जो स्किल सीखेंगे, वह सामान्य समरी मांगने के बारे में नहीं है। यह मॉडल को ऐसे रिव्यू आर्टिफैक्ट्स बनाने के लिए निर्देश देने के बारे में है जो आपके मौजूदा वर्कफ़्लो और रिकॉर्ड रखने के तरीके से आसानी से मेल खाते हों। आइए, केस की शुरुआती तैयारी में टीमें जिस तरह के AI टाइमलाइन आउटपुट का इस्तेमाल करती हैं, उसका एक ठोस उदाहरण देखें।
मुक़दमेबाज़ी में, जैसे ही AI क्लाइंट के डेटा को छूता है या किसी प्रोडक्शन फ़ैसले पर असर डालता है, पेशेवर ज़िम्मेदारियाँ ऑपरेशनल ज़रूरतें बन जाती हैं। काबिलियत की ज़िम्मेदारी का मतलब है कि आपको यह समझना होगा कि AI का आउटपुट क्या है और क्या नहीं। अगर आप यह नहीं बता सकते कि TAR वर्कफ़्लो को कैसे ट्रेन और वैलिडेट किया गया था, तो चुनौती मिलने पर आप उसका बचाव नहीं कर पाएँगे। गोपनीयता की ज़िम्मेदारी का मतलब है कि टूल की सीमाएँ मायने रखती हैं। फ़र्म के एनवायरनमेंट से क्या बाहर जाता है, इसे कहाँ स्टोर किया जाता है, कौन इसे एक्सेस कर सकता है, और क्या इसे मॉडल ट्रेनिंग के लिए रखा जाता है - ये कोई मामूली तकनीकी बातें नहीं हैं। इनसे तय होता है कि प्रिविलेज्ड या गोपनीय जानकारी लीक हुई या नहीं। निगरानी की ज़िम्मेदारी का मतलब है कि आप फ़ैसला लेने का काम टूल या वेंडर पर नहीं छोड़ सकते। आप रिव्यू के मकसद तय करते हैं, प्रोटोकॉल को मंज़ूरी देते हैं, और यह पक्का करते हैं कि क्वालिटी कंट्रोल चेक किए जाएँ और उनका रिकॉर्ड रखा जाए।
पेशेवर ज़िम्मेदारी का चेकपॉइंट
प्रिविलेज्ड या गोपनीय क्लाइंट जानकारी को नॉन-एंटरप्राइज़ AI टूल में न डालें। एंटरप्राइज़ द्वारा मंज़ूर रिव्यू प्लेटफ़ॉर्म का इस्तेमाल करें, जिनमें एक्सेस कंट्रोल, डेटा रिटेंशन और क्लाइंट डेटा के वेंडर द्वारा इस्तेमाल पर कॉन्ट्रैक्ट के तहत सीमाएँ तय हों। अगर डेटा गवर्नेंस साफ़ नहीं है, तो रुक जाएँ और अपलोड या एनालिसिस से पहले टूल चुनने का मामला सुपरवाइज़िंग अटॉर्नी को भेजें।
इस बारे में सोचने का एक व्यावहारिक तरीका यह है कि डिस्कवरी AI या तो किसी कंट्रोल्ड रिव्यू सिस्टम के अंदर होता है या उसके बाहर। रिव्यू प्लेटफ़ॉर्म के अंदर, TAR आउटपुट को कलेक्शन, कस्टोडियन लिस्ट, ऑडिट ट्रेल और कोडिंग फ़ैसलों से जोड़ा जा सकता है। बाहर, कोई कंज्यूमर AI टूल प्रॉम्प्ट और आउटपुट को स्टोर कर सकता है, उन्हें अपने मॉडल को बेहतर बनाने के लिए इस्तेमाल कर सकता है, या डेटा को रखने और हटाने की प्रक्रिया को वेरिफ़ाई करना मुश्किल बना सकता है। यही वह अंतर है जहाँ प्रिविलेज्ड जानकारी का लीक होना केस के नतीजे के लिए निर्णायक साबित हो सकता है। आप अभी भी AI का बड़े पैमाने पर इस्तेमाल कर सकते हैं, लेकिन ऐसा वहीं करें जहाँ कंट्रोल, जोखिम के स्तर के हिसाब से हों। आगे हम दो टूल सेटअप की तुलना करेंगे, ठीक वैसे ही जैसे कोई लिटिगेशन टीम किसी मामले में AI को लागू करने से पहले उनका मूल्यांकन करती है।