By · Last updated 2026-06-03

بازگشت به وبلاگفناوری حقوقی

اطلاعات شخصی حقوقی: شناسایی امتیاز وکیل-موکل

شماره‌های مرجع پرونده، شماره‌های عضویت کانون وکلا، شماره‌های دفتر دادگاه و شناسه‌های موضوع موکل، شناسه‌هایی با حساسیت قانونی هستند که ابزارهای استاندارد PII از آن‌ها غافل می‌مانند.

June 3, 20267 دقیقه مطالعه
attorney-client privilegelegal document reviewcase numberslaw firm privacylegal tech

title: "اطلاعات شخصی حقوقی: شناسایی امتیاز وکیل-موکل" description: "شماره‌های مرجع پرونده، شماره‌های عضویت کانون وکلا، شماره‌های دفتر دادگاه و شناسه‌های موضوع موکل، شناسه‌هایی با حساسیت قانونی هستند که ابزارهای استاندارد PII از آن‌ها غافل می‌مانند." category: legal-tech publishedAt: 2026-06-03 tags:

  • امتیاز وکیل-موکل
  • بازبینی اسناد حقوقی
  • شماره‌های پرونده
  • حریم خصوصی موسسه حقوقی
  • فناوری حقوقی readingTime: 7

امتیاز وکیل-موکل در عصر هوش مصنوعی: اطلاعات شخصی حقوقی که ابزار익명화شما باید شناسایی کند

ابزارهای استاندارد PII نام‌ها، ایمیل‌ها و شماره‌های تأمین اجتماعی را شناسایی می‌کنند. اما شناسه‌های مرجع پرونده، شماره‌های عضویت کانون وکلا و تگ‌های موضوع موکل را از دست می‌دهند. این موارد خطرات جدی برای امتیاز قانونی ایجاد می‌کنند. ابزارهای عمومی این شکاف را باز می‌گذارند.

موسسات حقوقی هر روز فایل‌هایی را به ابزارهای هوش مصنوعی ارسال می‌کنند. این فایل‌ها حاوی نشانگرهای حساس برای امتیاز قانونی هستند که ابزارهای استاندارد آن‌ها را شناسایی نمی‌کنند.

هنگامی که یک موسسه حقوقی فایل‌ها را از طریق دستیار هوش مصنوعی پردازش می‌کند، این فایل‌ها شناسه‌های حقوقی را در کنار اطلاعات شخصی استاندارد دارند:

  • تگ‌های موضوع موکل: به پرونده کامل موضوع متصل هستند و نام موکل را مشخص می‌کنند
  • شناسه‌های مرجع پرونده: کدهای تخصیص‌داده‌شده توسط دادگاه که به سوابق عمومی با جزئیات خصوصی مرتبط هستند
  • شماره‌های عضویت کانون وکلا: شناسه‌های وکیل که در فهرست‌های عمومی ایالتی قابل جستجو هستند
  • کدهای دفتر دادگاه: به سیستم‌های ثبت عمومی با تاریخچه کامل پرونده متصل می‌شوند
  • کدهای تخصیص قضایی: قاضی ناظر را در موقعیت‌های حساس شناسایی می‌کنند

هر یک از این موارد که به فروشنده خارجی هوش مصنوعی ارسال شود، می‌تواند مشکل بالقوه‌ای برای امتیاز قانونی ایجاد کند.

چرا این شناسه‌ها به شناسایی سفارشی نیاز دارند

فرمت‌های دفتر دادگاه از الگوهای سطح منطقه پیروی می‌کنند. هیچ الگوی واحدی همه دادگاه‌های فدرال و ایالتی را پوشش نمی‌دهد.

پرونده‌های مدنی فدرال از سال دو رقمی، سپس "cv"، سپس شماره پرونده استفاده می‌کنند. پرونده‌های کیفری از "cr" در همان جایگاه استفاده می‌کنند. دادگاه‌های ایالتی بر اساس منطقه متفاوتند و هیچ استاندارد مشترکی ندارند.

شماره‌های عضویت کانون وکلا وابسته به ایالت هستند. کالیفرنیا از فرمت عددی استفاده می‌کند. نیویورک از فرمت ثبت استفاده می‌کند. تگزاس فرمت شناسه کانون وکلای خود را دارد. هیچ فرمت ملی وجود ندارد.

تگ‌های موضوع موکل مخصوص هر موسسه هستند. هر موسسه فرمت خود را می‌سازد. سال-موکل-موضوع. کدهای گروه تمرینی. شناسه‌های ترتیبی.

ابزارهای استاندارد PII بدون تنظیم سفارشی نمی‌توانند هیچ‌یک از این موارد را بشناسند.

شکاف واقعی است. یک ابزار مستندات بافت کامل پرونده را دریافت می‌کند. کدهای دفتر به سوابق عمومی متصل هستند. تگ‌های موکل موجود هستند. ابزار گزارش می‌دهد که PII حذف شده است. نام‌ها و ایمیل‌ها حذف شدند. اما شناسه‌های حساس برای امتیاز قانونی حذف نشدند.

مورد استارتاپ هوش مصنوعی حقوقی

یک استارتاپ هوش مصنوعی حقوقی یک ابزار مستندات برای موسسات حقوقی می‌سازد. محصول فایل‌های کشف را اسکن می‌کند، بندهای مربوطه را پیدا می‌کند و محتوای بالقوه دارای امتیاز قانونی را علامت‌گذاری می‌کند. مشتریان سازمانی قبل از پردازش، حذف تگ‌های موضوع موکل را در کنار PII استاندارد الزامی می‌دانند.

بلوک انطباق: ابزار هوش مصنوعی داده‌های فایل حاوی تگ‌های موضوع موکل را پردازش می‌کند. در ترکیب با پرونده‌های عمومی دادگاه، این تگ‌ها می‌توانند شناسایی موضوع را ممکن سازند. تیم‌های عملیات حقوقی سازمانی این را غیرقابل قبول اعلام می‌کنند.

قبل از شناسایی موجودیت سفارشی:

  • بررسی معامله شکاف انطباق را پیدا می‌کند
  • صف مهندسی ۳+ ماهه برای یک مدل NLP سفارشی
  • قرارداد سازمانی معلق

با API موجودیت سفارشی:

  • افسر انطباق فرمت تگ موضوع را در هنگام ورود تعریف می‌کند
  • الگو روی فایل‌های نمونه آزمایش می‌شود: ۲ روز
  • موجودیت سفارشی به خط لوله اضافه می‌شود: ۱ روز دیگر
  • قرارداد سازمانی پیش می‌رود

شکاف ۳ روز در مقابل ۳+ ماه است. کار شامل راه‌اندازی الگو و یکپارچه‌سازی API است. آموزش مدل NLP لازم نیست.

فرمت‌های رایج بر اساس دسته‌بندی

دفاتر دادگاه فدرال:

پرونده‌های مدنی فدرال از این فرمت استفاده می‌کنند: سال دو رقمی + "cv" + یک شماره پرونده ۴ تا ۶ رقمی. مثال: 24-cv-12345. پرونده‌های کیفری از "cr" در همان جایگاه استفاده می‌کنند. پرونده‌های ورشکستگی از "bk" استفاده می‌کنند. تجدیدنظرها از سال دو رقمی و شماره‌ای ۴ تا ۵ رقمی که بر اساس مدار متفاوت است استفاده می‌کنند.

فرمت‌های دادگاه ایالتی (نمونه‌ها):

دادگاه عالی کالیفرنیا از یک سیستم پیشوند شش‌رقمی استفاده می‌کند. نیویورک از فرمت شاخص با سال و توالی استفاده می‌کند. تگزاس از فرمت علّی با سال، توالی و کد دادگاه استفاده می‌کند.

تگ‌های موضوع موکل (فرمت‌های رایج موسسه):

سه الگوی رایج در بیشتر موسسه‌ها وجود دارد:

  • سال دو رقمی، شناسه موکل، توالی موضوع (مثلاً 24-ACME-001)
  • حروف اول گروه تمرینی، سال، سپس یک توالی چهار رقمی (مثلاً LIT240042)
  • پیشوند موکل با شناسه شش‌رقمی (مثلاً SMITHCO-000123)

شناسه‌های عضویت کانون وکلای آمریکا:

بیشتر ایالت‌ها از اعداد ۴ تا ۸ رقمی استفاده می‌کنند، گاهی با پیشوند سطح ایالتی. شناسه‌های عضویت USDC بر اساس منطقه متفاوتند و از فرمت مشترکی پیروی نمی‌کنند.

خط لوله پردازش آگاه به امتیاز قانونی

برای هوش مصنوعی بازبینی اسناد، یک خط لوله لایه‌ای دامنه کامل را پوشش می‌دهد.

لایه ۱ — شناسایی PII استاندارد

نام‌ها، ایمیل‌ها، شماره تلفن‌ها، آدرس‌ها، SSN‌ها. دقت بالا. ابزارهای شناخته‌شده این لایه را به خوبی پوشش می‌دهند.

لایه ۲ — شناسایی کد سفارشی

کدهای موضوع، شناسه‌های دفتر، شناسه‌های کانون وکلا. الگوهای مخصوص موسسه که در هنگام ورود تنظیم می‌شوند. این لایه شکافی را که ابزارهای استاندارد از دست می‌دهند پر می‌کند.

لایه ۳ — بازبینی امتیاز قانونی (انسانی)

پس از شناسایی خودکار، یک وکیل نشانگرهای علامت‌گذاری‌شده را بررسی می‌کند. سربرگ‌های ATTORNEY-CLIENT. برچسب‌های WORK PRODUCT. علامت‌های CONFIDENTIAL. بازبینی انسانی در این لایه اختیاری نیست.

لایه ۴ — بازبینی استثنای بافت

دفاتر سوابق عمومی که خطر امتیاز قانونی ندارند در مقابل تگ‌های موضوع موکل که دارند. این نیاز به قضاوت وکیل دارد. نمی‌توان آن را خودکار کرد.

لایه‌های ۱ و ۲ کارهای حجم بالا را انجام می‌دهند. لایه‌های ۳ و ۴ قضاوت وکیل را در جایی که تصمیم‌های امتیاز قانونی متعلق به آن است نگه می‌دارند. برای اینکه وقتی امتیاز قانونی از طریق استفاده از ابزار هوش مصنوعی سلب شده، چه اتفاقی می‌افتد، به امتیاز وکیل-موکل و هوش مصنوعی مراجعه کنید.

راه‌اندازی برای توسعه‌دهندگان

پیکربندی ورود

فرمت‌های تگ موضوع موکل را در طول ورود سازمانی جمع‌آوری کنید. هر موسسه از فرمت متفاوتی استفاده می‌کند. آن‌ها را به عنوان موجودیت‌های سفارشی مخصوص موسسه ذخیره کنید. برای همه پردازش‌های آن حساب اعمال کنید.

پیش‌تنظیم‌های پیش‌فرض

پیش‌تنظیم‌های آماده بدون نیاز به کار سفارشی، بافت‌های رایج را پوشش می‌دهند:

  • "Federal Court Documents" — الگوهای دفتر فدرال برای پرونده‌های مدنی، کیفری و ورشکستگی
  • "State Court Documents (CA/NY/TX)" — فرمت‌های مخصوص ایالت برای سه حوزه قضایی اصلی
  • "Internal Operations" — تگ موضوع به علاوه PII استاندارد
  • "Outside Counsel Portal" — مرجع صورتحساب، تگ موضوع و PII استاندارد

مستندات حسابرسی

سوابق پردازش باید نشان دهند که کدهای سفارشی در هر مرحله شناسایی لحاظ شده‌اند. این از حفاظت محصول کاری برای روش تحلیل پشتیبانی می‌کند.

برای نگاه گسترده‌تری به نحوه مقیاس‌بندی هزینه‌های ویرایش در دعاوی، به اتوماسیون PII در کشف الکترونیک و کاهش هزینه بازبینی حقوقی مراجعه کنید.

نتیجه‌گیری

شناسه‌های حساس برای امتیاز قانونی به اندازه PII استاندارد خطرناک هستند — اغلب بیشتر. ابزارهایی که کدهای دفتر و تگ‌های موضوع را از دست می‌دهند شکاف واقعی در جریان‌های کاری مستندات ایجاد می‌کنند.

راه‌حل یک مدل NLP نیست. راه‌اندازی الگو است. برای توسعه‌دهندگانی که ابزارهای موسسه حقوقی می‌سازند، این تفاوت بین یک رفع سه‌روزه و یک پروژه سه‌ماهه است. برای موسسات حقوقی، این تفاوت بین بازبینی قابل دفاع با کمک هوش مصنوعی و خطر سلب امتیاز قانونی است.

منابع

آماده‌اید داده‌های خود را محافظت کنید؟

شروع به ناشناس‌سازی PII با بیش از ۲۸۵ نوع نهاد در ۴۸ زبان.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.