Die Studie untersucht, wie sich die Versorgung in ländlichen Regionen über zwei Jahrzehnte verändert hat. Grundlage sind amtliche Berichte und Register.
Die Ergebnisse zeigen deutliche Unterschiede zwischen den Bundesländern …
KI-Trainingsdaten
Mehrsprachige Texte, Quellcode und biomedizinische Korpora. Jedes Dokument trägt seine Lizenzklasse und den Nachweis dafür.
130+Sprachen, viele davon selten und ressourcenarm
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality": "clean", "text_hash": "9f2c…e41a" }
10Programmiersprachen, von COBOL bis Rust
{ "file": "payroll.cbl", "language": "cobol", "licence": "Apache-2.0", "licence_evidence": "licence file", "notice": "included in delivery", "text": "IDENTIFICATION DIVISION. …" }
Text + Datensätzevon Pharmakologie bis Tropenmedizin
{ "text": "The compound inhibits …", "language": "en", "subject": "pharmacology", "licence_class": "attribution", "licence": "CC-BY-4.0", "attribution": "included in delivery", "quality": "clean" }
Sprachen im Text, dazu Quellcode und biomedizinische Korpora. Lizenziert nach Sprache, Fachgebiet und Umfang.
Zu den DatensätzenExtrahiert, bereinigt, dedupliziert und von personenbezogenen Daten befreit. Verarbeitet in Deutschland oder in Ihrer eigenen Umgebung.
So funktioniert esEin gemessener Qualitätsbericht für jeden Text- oder Code-Datensatz. Nur Zahlen, nie Ihre Texte.
Was gemessen wirdVom Dokument zum Datensatz
Jedes Dokument behält die Sprache, mit der es erfasst wurde. Unabhängige Erkennungsverfahren prüfen diese Angabe, wo immer sie können, und der Katalog zeigt, wie jede Angabe bestätigt wurde.
Jedes Dokument ist einem von mehr als 140 Fachgebieten zugeordnet, von Recht und Verwaltungsakten bis Medizin und Ingenieurwesen. So lizenzieren Sie genau den Ausschnitt, den Sie brauchen.
Neben der Lizenzklasse steht der Grund, warum wir sie annehmen: die Angabe der Quelle, das Werk selbst oder sein Erscheinungsdatum. Ist der Grund unklar, wird das Dokument zurückgehalten.
Beschädigter Text, Navigationsreste und starke Wiederholungen werden markiert, nicht stillschweigend gelöscht. Sie entscheiden, was bleibt.
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality_flags": [] }
Das Korpus
Die Korpora wachsen jeden Tag. Der Katalog nennt genaue, datierte Zahlen, abgerundet.
Lizenzrichtlinie
Sie sehen, wofür jedes Dokument verwendet werden darf, und warum wir das sagen.
Datenaufbereitung
Die Pipeline, mit der wir unsere Korpora bauen, angewendet auf Ihre Dokumente, Scans, Audio- und Videodateien. Auf unseren eigenen Rechnern in Deutschland unter einem Auftragsverarbeitungsvertrag oder in Ihrer eigenen Umgebung. Nach der Lieferung gelöscht, mit schriftlicher Bestätigung.
Wir antworten innerhalb eines Werktags mit dem Katalog, einer Evaluierungsprobe oder einem Pilotvorschlag.