Enterprise-Wide Data Processing & Digital Evidence Consolidation

(Categoría: E-Discovery & Digital Evidence)

Contexto del Proyecto

La organización necesitaba unificar y preparar evidencia digital dispersa en:

• PST/EML.
• OneDrive / SharePoint.
• Archivos cloud (Box, ATS, Internxt).
• Chats.
• Audios.

Los datos presentaban duplicación extrema, inconsistencias de formato y falta de estructura para investigación, revisión legal y análisis basado en IA.

Objetivo del Proyecto

Consolidar, estandarizar y preparar más de 560 GB de evidencia en datasets ligeros, completamente textuales, normalizados y aptos tanto para revisión legal (Logikcull/Oxygen) como para análisis avanzado con Anthropic Claude Sonnet 4.5.

Esto incluía:

• Estructurar correos, adjuntos y metadatos.
• Generar transcripciones estandarizadas.
• Deduplicar y normalizar repositorios cloud.
• Preparar outputs en formato AI-ready.

Alcance y Solución Implementada

Procesamiento y Normalización de Evidencia

• Extracción completa de PST/EML, repositorios cloud y chats.
• Conversión a formatos textuales estandarizados.
• Preparación de datasets compatibles con Claude Sonnet 4.5.
• Generación de versiones transcriptas y taggeadas de 807 audios.

AI Enablement – Pipeline Pitágoras (AWS Bedrock)

Desarrollo de:

• Ingestión automatizada.
• Conversión estandarizada.
• Datasets vector-ready.
• Flujo seguro de análisis semántico.
• Clasificación + búsqueda avanzada + correlación metadatos-evidencia.

Estrategia de Deduplicación y Reducción de Volumen

• Adjuntos reducidos de 95,000 → 30,804 archivos únicos.
• Archivos cloud reducidos de 113,632 → 66,299.
• Mantención del valor probatorio con SHA-256 y trazabilidad.

Optimización de Costos de E-Discovery (Logikcull)

A pesar de procesar 560 GB de datos, la carga final se mantuvo por debajo de 10 GB gracias a la conversión textual y estructura relacional.

Esto generó ahorros directos bajo un modelo basado en mantener la data por debajo de 10 GB.

Resultados e Impacto

• Normalización completa de:
  • 126,046 correos.
  • 95,000 adjuntos (→ 30,804 únicos).
  • 113,632 archivos cloud (→ 66,299 únicos).
  • 3,882 audios + 807 transcripciones.
• Dataset 100% compatible con IA (Claude Sonnet 4.5 / Pitágoras).
• Repositorio auditable y estructurado para búsquedas complejas.
• Tiempos de respuesta acelerados a solicitudes legales y operativas.
• Menor carga en Logikcull → optimización de costos.

Tecnologías Utilizadas

Plataformas / Productos

• Logikcull.
• Oxygen Forensic/eDiscovery.
• SharePoint / OneDrive.
• Box.
• Internxt Drive.
• AWS Wickr.
• Whisper AI (transcripciones).
• Anthropic Claude Sonnet 4.5 (Pitágoras).

Tecnologías / Procesos

• Python (procesos masivos de extracción, deduplicación, hashing).
• SHA-256 para integridad y trazabilidad.
• Indexación y estructura relacional de metadatos.
• Pipelines de conversión a texto estructurado.
• Infraestructura temporal de 2 TB para procesamiento seguro.

Lecciones Aprendidas

• La reducción de volumen requiere estrategia, no compresión.
• Las estructuras estandarizadas aceleran radicalmente solicitudes legales.
• La expansión temporal de datos es clave para la integridad a largo plazo.
• Las plataformas seguras pueden ser cuellos de botella si no se gestionan bien.
• La deduplicación precisa evita pérdida de evidencia.
• Los flujos de solicitud-respuesta deben estar claramente definidos.

Principales Logros

• E-discovery completo con costo reducido al mínimo (<10 GB).
• Reducción exponencial de duplicados.
• Normalización integral de correos, adjuntos y cloud.
• Preparación de datasets para IA a gran escala.
• Respuestas legales rápidas y consistentes.
• Trazabilidad completa y auditabilidad.
• Colaboración fluida entre legal, técnico y operaciones.