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 …
Dane treningowe dla AI
Wielojęzyczny tekst, kod źródłowy i korpusy biomedyczne. Każdy dokument ma swoją klasę licencji i dowód, który ją uzasadnia.
130+języków, wiele z nich rzadkich i niskozasobowych
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality": "clean", "text_hash": "9f2c…e41a" }
10języków programowania, od COBOL-a po Rust
{ "file": "payroll.cbl", "language": "cobol", "licence": "Apache-2.0", "licence_evidence": "licence file", "notice": "included in delivery", "text": "IDENTIFICATION DIVISION. …" }
Tekst + rekordyod farmakologii po medycynę tropikalną
{ "text": "The compound inhibits …", "language": "en", "subject": "pharmacology", "licence_class": "attribution", "licence": "CC-BY-4.0", "attribution": "included in delivery", "quality": "clean" }
języków w tekście, a do tego kod źródłowy i korpusy biomedyczne. Licencjonowane według języka, dziedziny i wielkości.
Zobacz zbiory danychWyodrębnione, oczyszczone, zdeduplikowane i pozbawione danych osobowych. Przetwarzane w Niemczech lub w Twoim własnym środowisku.
Jak to działaZmierzony raport jakości dla dowolnego zbioru tekstu lub kodu. Tylko liczby, nigdy Twój tekst.
Co jest mierzoneOd dokumentu do rekordu
Każdy dokument zachowuje język, z którym został zapisany. Niezależne detektory sprawdzają tę etykietę wszędzie, gdzie to możliwe, a katalog pokazuje, jak każdą etykietę potwierdzono.
Każdy dokument jest przypisany do jednej z ponad 140 dziedzin, od prawa i akt administracji po medycynę i inżynierię, dzięki czemu licencjonujesz dokładnie ten wycinek, którego potrzebujesz.
Obok klasy licencji stoi powód, dla którego ją przyjmujemy: oświadczenie źródła, samo dzieło lub data jego publikacji. Jeśli powód jest niejasny, dokument zostaje wstrzymany.
Uszkodzony tekst, pozostałości nawigacji i silne powtórzenia są oznaczane, a nie po cichu usuwane. To Ty decydujesz, co zostaje.
{ "text": "Die Studie untersucht, wie …", "language": "de", "subject": "medicine", "licence_class": "public-domain", "licence_evidence": "source statement", "quality_flags": [] }
Korpus
Korpusy rosną każdego dnia. Katalog podaje dokładne, datowane liczby, zaokrąglone w dół.
Polityka licencji
Widzisz, do czego wolno użyć każdego dokumentu i dlaczego tak twierdzimy.
Kuracja danych
Pipeline, którym budujemy nasze korpusy, zastosowany do Twoich dokumentów, skanów, nagrań audio i wideo. Na naszych własnych maszynach w Niemczech na podstawie umowy powierzenia przetwarzania danych albo w Twoim środowisku. Usuwane po dostawie, z pisemnym potwierdzeniem.
Odpowiadamy w ciągu jednego dnia roboczego, przesyłając katalog, próbkę ewaluacyjną lub propozycję pilotażu.