Die Menge an Daten, die von Unternehmen erzeugt wird, nimmt stetig zu. Dies führt zu neuen Herausforderungen im Bereich Dokumentenmanagement, insbesondere im Rahmen von Document Review. Document Review ist sowohl zeitintensiv als auch kostspielig und ist verantwortlich für den Großteil aller eDiscovery Kosten in Großbritannien und den USA.
Obwohl wir kein klassisches eDiscovery-Verfahren in Deutschland haben, sind deutsche Unternehmen oft in internationale Rechtsstreitigkeiten, regulatorische Untersuchungen und andere Angelegenheiten, die häufig beträchtliche Document Review-Projekte erforderlich machen, involviert.
Rechtsabteilungen stehen ständig unter Druck, ihre Kosten zu reduzieren und ihre Zeit effizient zu nutzen. Document Reviewer müssen häufig große Datenmengen innerhalb kürzester Zeit und unter hohem Kostendruck von Seiten des Auftraggebers analysieren. Der Berufsstand muss also neue Lösungen finden, um bei der Verwaltung von Daten zu unterstützen und den Review-Prozess zu optimieren.
Der erste Schritt zu einer effizienten Handhabung von Dokumenten ist, deren Anzahl zu verringern. Analytische Werkzeuge, wie Predictive Coding (auch bekannt als Technology-Assisted Review oder TAR) helfen dabei, große Datensätze erheblich zu verkleinern. Predictive Coding ist wohl das vielfältigste und effizienteste Werkzeug, das einem Document Reviewer im Moment zur Verfügung steht.
Was ist TAR?
Predictive Coding verwendet Machine Learning, um schnell und konsistent relevante Dokumente zu identifizieren. Die Software ist dahingehend programmiert, Daten zu überprüfen, zu analysieren, zu sortieren und zu kategorisieren. In einem typischen Predictive Coding Arbeitsablauf trainiert ein kleines Team an (Review-)Anwälten mit einem tiefen Verständnis für den Fall die Software, um zu identifizieren welche Informationen relevant sind, welche zurückgehalten oder weiter überprüft werden sollen. Dies funktioniert durch Bearbeitung und Einordnung eines Teils der Dokumente, um der Software beizubringen, Muster zu erkennen. Ein Algorithmus wird erzeugt und kann weiter verfeinert und korrigiert werden durch Continuous Active Learning (CAL), eine hochentwickelte Art der TAR Software, die es Reviewern ermöglicht, während des Prozesses neue Dokumente hinzuzufügen. CAL Algorithmen sind insofern überlegen, dass sie in der Lage sind, kontinuierlich Daten zu überprüfen, Benutzer-Feedback aufzunehmen und Informationen einzuordnen, bis alle relevanten Daten identifiziert sind. Im Zusammenspiel mit Qualitätskontrollen durch einen Rechtsanwalt, zur Verifikation der Entscheidungen des Systems, ist Predictive Coding in der Lage, konsistente und verlässliche Review Ergebnisse zu liefern.
Die Entwicklung von TAR und Document Review
Der Einsatz von TAR ist in den USA und in UK fast schon selbstverständlich. Seine Verwendung wurde durch die dortigen Gerichte als akzeptable und verteidigungsfähige Strategie für eine effektive Verringerung der Anzahl der zu überprüfenden Dokumente anerkannt.
Als Beispiele, siehe die US-Fälle
- DaSilva Moore (Da Silva Moore vs. Publicis Groupe, Case No. 11 Civ. 1279 (ALC) (AJP))
- Rio Tinto (Rio Tinto PLC vs. Vale S.A., Case 14 Civ. 3042 (RMB) (AJP))
sowie die UK-Fälle
- Pyrrho vs. MWB Property (Pyrrho Investments Limited et all vs. MWB Property Limited et all [2016] EWHC 256 (Ch))
- Brown vs BCA Trading (Brown vs. BCA Trading Ltd [2016] EWHC 1464 (Ch)).
Drei wesentliche Vorteile der TAR Software
Aus Sicht eines Document Reviewers bietet TAR folgende Vorteile:
- Genauigkeit: TAR Software liefert konstante Ergebnisse, die im direkten Vergleich einer manuellen Überprüfung durch Reviewer überlegen sind. Durch die Nutzung dieser Technologie wird also vor allem das Risiko menschlicher Fehler eliminiert.
- Geschwindigkeit: Mit Hilfe von TAR sind Reviewer in der Lage, schnell wichtige Daten innerhalb großer Datenbanken aufzuspüren. Dies eröffnet Unternehmen und Kanzleien die Möglichkeit, strategische Entscheidungen schon in einem recht frühen Stadium des Falles zu treffen.
- Globales Potential: TAR Software kann bei entsprechender Programmierung mit Datensätzen arbeiten, die unterschiedlichste Sprachen enthalten.
Fazit:
Wir haben die Erfahrung gemacht, dass sich die Genauigkeit und Geschwindigkeit des Reviews durch den Einsatz von TAR insbesondere bei großen Projekten verbessert hat. Die Verwendung von TAR ermöglicht uns, unsere Zeit und Energie ganz gezielt auf das relevante Material zu konzentrieren. Wir können gleich zu Beginn mit relevanten Dokumenten arbeiten, anstatt Zeit damit zu verschwenden, Tausende belanglose und nicht relevante Dokumente zu überprüfen.
Bei richtiger Handhabung sind Predictive Coding-Lösungen definitiv Werkzeuge, welche von Document Review-Teams verwendet werden können, um Zeit und Geld bei großen Projekten einzusparen. Gleichzeitig werden verbesserte Ergebnisse geliefert. Solche Lösungen schaffen die Rolle des menschlichen Reviewers nicht ab, durch ihre Geschwindigkeit und Effizienz reduzieren sie jedoch erheblich die aufzuwendende Zeit und geben Unternehmen damit die Möglichkeit, diese Zeit sinnvoll zur Strategie- und Risikoanalyse einzusetzen.