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 …
Datos de entrenamiento para IA
Texto multilingüe, código fuente y corpus biomédicos. Cada documento lleva su clase de licencia y la evidencia que la respalda.
130+idiomas, muchos de ellos minoritarios y con pocos recursos
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality": "clean", "text_hash": "9f2c…e41a" }
10lenguajes de programación, de COBOL a Rust
{ "file": "payroll.cbl", "language": "cobol", "licence": "Apache-2.0", "licence_evidence": "licence file", "notice": "included in delivery", "text": "IDENTIFICATION DIVISION. …" }
Texto + registrosde la farmacología a la medicina tropical
{ "text": "The compound inhibits …", "language": "en", "subject": "pharmacology", "licence_class": "attribution", "licence": "CC-BY-4.0", "attribution": "included in delivery", "quality": "clean" }
idiomas de texto, además de código fuente y corpus biomédicos. Con licencia por idioma, materia y tamaño.
Ver los conjuntos de datosExtraídos, limpiados, deduplicados y libres de datos personales. Procesados en Alemania o dentro de su propio entorno.
Cómo funcionaUn informe de calidad medido para cualquier conjunto de datos de texto o código. Solo cifras, nunca su texto.
Qué se mideDel documento al registro
Cada documento conserva el idioma con el que fue registrado. Detectores independientes comprueban esa etiqueta siempre que pueden, y el catálogo indica cómo se confirmó cada una.
Cada documento se clasifica en una de más de 140 materias, del derecho y los registros gubernamentales a la medicina y la ingeniería, para que licencie exactamente la parte que necesita.
La clase de licencia aparece junto al motivo por el que la sostenemos: la declaración de la fuente, la propia obra o su fecha de publicación. Si el motivo no está claro, el documento se retiene.
El texto dañado, los restos de navegación y las repeticiones excesivas se marcan, no se borran en silencio. Usted decide qué conservar.
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality_flags": [] }
El corpus
Los corpus crecen cada día. El catálogo ofrece cifras exactas y fechadas, redondeadas a la baja.
Política de licencias
Usted ve para qué puede usarse cada documento, y por qué lo afirmamos.
Curación de datos
El pipeline con el que construimos nuestros corpus, aplicado a sus documentos, escaneos, audio y vídeo. En nuestras propias máquinas en Alemania bajo un contrato de encargo de tratamiento, o dentro de su entorno. Eliminados tras la entrega, con confirmación por escrito.
Respondemos en un día laborable con el catálogo, una muestra de evaluación o una propuesta de piloto.