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 …
Dati di addestramento per l'IA
Testo multilingue, codice sorgente e corpora biomedici. Ogni documento porta la sua classe di licenza e la prova che la giustifica.
130+lingue, molte delle quali rare e con poche risorse
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality": "clean", "text_hash": "9f2c…e41a" }
10linguaggi di programmazione, da COBOL a Rust
{ "file": "payroll.cbl", "language": "cobol", "licence": "Apache-2.0", "licence_evidence": "licence file", "notice": "included in delivery", "text": "IDENTIFICATION DIVISION. …" }
Testo + dati strutturatidalla farmacologia alla medicina tropicale
{ "text": "The compound inhibits …", "language": "en", "subject": "pharmacology", "licence_class": "attribution", "licence": "CC-BY-4.0", "attribution": "included in delivery", "quality": "clean" }
lingue di testo, più codice sorgente e corpora biomedici. In licenza per lingua, materia e dimensione.
Vedi i datasetEstratti, puliti, deduplicati e privati dei dati personali. Elaborati in Germania o nel vostro ambiente.
Come funzionaUn report di qualità misurato per qualsiasi dataset di testo o codice. Solo numeri, mai il vostro testo.
Cosa viene misuratoDal documento al record
Ogni documento conserva la lingua con cui è stato registrato. Rilevatori indipendenti verificano l'etichetta ogni volta che possono, e il catalogo indica come è stata confermata ciascuna.
Ogni documento è classificato in una di oltre 140 materie, dal diritto e dagli atti amministrativi alla medicina e all'ingegneria, così potete licenziare esattamente la parte che vi serve.
La classe di licenza sta accanto al motivo per cui la riteniamo valida: la dichiarazione della fonte, l'opera stessa o la sua data di pubblicazione. Se il motivo non è chiaro, il documento viene trattenuto.
Testo danneggiato, residui di navigazione e ripetizioni pesanti vengono segnalati, non cancellati in silenzio. Decidete voi cosa tenere.
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality_flags": [] }
Il corpus
I corpora crescono ogni giorno. Il catalogo riporta cifre esatte e datate, arrotondate per difetto.
Politica delle licenze
Vedete per cosa può essere usato ogni documento, e perché lo affermiamo.
Data curation
La pipeline con cui costruiamo i nostri corpora, applicata ai vostri documenti, scansioni, audio e video. Sulle nostre macchine in Germania con un accordo sul trattamento dei dati, oppure nel vostro ambiente. Cancellati dopo la consegna, con conferma scritta.
Rispondiamo entro un giorno lavorativo con il catalogo, un campione di valutazione o una proposta di progetto pilota.