Sus datos no estructurados, listos para la IA
Aplicamos nuestro pipeline de curación a sus documentos, escaneos, audio y vídeo: extracción de texto, eliminación de datos personales, deduplicación, detección de idioma y puntuación de calidad. El tratamiento se realiza en Alemania y la UE con un contrato de encargo del tratamiento, o en sus propias instalaciones.
Qué entra
- PDF, incluidas páginas escaneadas
- Documentos de Office, HTML y exportaciones de correo electrónico
- Archivos CSV, registros de log y exportaciones de bases de datos
- Grabaciones de audio y vídeo
Qué sale
- JSONL o Parquet estructurado según un esquema acordado
- Datos personales eliminados o enmascarados según su política
- Idioma, puntuación de calidad y hash del contenido en cada registro
- Una ficha de datos y un informe de calidad del antes y el después
Ocho pasos de los archivos en bruto a los datos de entrenamiento
El mismo pipeline con el que creamos nuestros propios corpus. Cada paso se puede activar o desactivar para su proyecto.
Extraer
Se extrae el texto de los documentos. Las páginas escaneadas pasan por reconocimiento óptico de caracteres.
Transcribir
El audio y el vídeo se convierten y se transcriben a texto.
Limpiar
Se eliminan los errores de codificación, el marcado, los encabezados y pies de página y el texto repetitivo. El texto se normaliza.
Eliminar datos personales
Se detectan nombres, direcciones de correo electrónico, números de teléfono, datos bancarios e identificadores, y se eliminan o enmascaran.
Deduplicar
Se localizan y eliminan las copias exactas y las casi idénticas, para que nada tenga un peso excesivo en el entrenamiento.
Detectar el idioma
Votan cuatro detectores independientes. Un documento se acepta cuando al menos dos coinciden.
Puntuar la calidad
Cada registro recibe una puntuación de calidad. Los registros con puntuación baja se marcan o se eliminan, según usted decida.
Estructurar e informar
Salida en su esquema como JSONL o Parquet, con una ficha de datos y un informe de benchmark.
Lo que no prometemos: la detección automática de datos personales no lo encuentra todo. Informamos de las tasas detectadas y de los límites conocidos, y para los datos sensibles acordamos con usted un paso de revisión antes de la entrega.
Pensado para datos que deben permanecer bajo control
Las organizaciones reguladas no pueden entregar datos a un servicio en la nube situado en un tercer país. Este servicio está diseñado a partir de esa restricción.
Contrato de encargo del tratamiento
Antes de tocar ningún dato se firma un contrato conforme al art. 28 del RGPD. El NDA forma parte del procedimiento habitual.
Tratamiento en Alemania y la UE
Sus datos se tratan en nuestras propias máquinas en Alemania y la UE, o en las suyas. Sin transferencias a terceros países.
Cifrado
Cifrado AES-256-GCM en reposo. Las claves se mantienen por sesión y nunca se escriben en disco.
Eliminación
Tras la entrega, sus datos se eliminan y usted recibe una confirmación por escrito.
En nuestras máquinas o en las suyas
| En nuestras máquinas | En sus instalaciones | |
|---|---|---|
| Cómo funciona | Usted envía los datos mediante una transferencia cifrada. Los tratamos en Alemania y la UE y los eliminamos tras la entrega. | Ejecutamos el pipeline dentro de su entorno, en remoto sobre una máquina que usted facilita o de forma presencial. |
| Adecuado para | Equipos de IA, empresas de software y datos que pueden salir de su red al amparo de un contrato. | Bancos, aseguradoras, sanidad, industria farmacéutica y organismos públicos cuyos datos no pueden salir del edificio. |
| Sus datos | Se conservan cifrados solo durante el proyecto. | Nunca salen de su infraestructura. |
Organizaciones con archivos que la IA aún no puede usar
Bancos y aseguradoras
Contratos, correspondencia y expedientes convertidos en datos de entrenamiento y de recuperación sin datos personales.
Sanidad e industria farmacéutica
Informes, documentos de estudios y grabaciones de voz preparados para modelos especializados con una protección de datos estricta.
Sector público y jurídico
Expedientes escaneados, resoluciones y documentos administrativos convertidos en material consultable y utilizable.
Consultoras y proveedores de datos
El pipeline está disponible en marca blanca, para que pueda ofrecer la curación a sus propios clientes con su nombre.
Empezar en pequeño y después ampliar
Definición del alcance
Una llamada sobre sus datos, formatos, volúmenes y requisitos de protección de datos.
Piloto
Curamos una muestra de unos 1000 registros y presentamos el resultado con un informe de calidad.
Presupuesto
Un precio fijo basado en lo que ha mostrado el piloto, no en una estimación.
Ejecución completa
Todo el conjunto de datos pasa por el pipeline. Usted ve el avance y las cifras provisionales.
Entrega
Se entregan los datos, la ficha de datos y el informe. Sus datos de origen se eliminan y se lo confirmamos.
Preguntas sobre la curación de datos
¿Tienen que salir nuestros datos de nuestras instalaciones?
No. El pipeline puede ejecutarse dentro de su entorno, en una máquina que usted facilite. Si lo prefiere, nos envía los datos al amparo de un contrato de encargo del tratamiento y los tratamos en Alemania y la UE.
¿Firman un contrato de encargo del tratamiento?
Sí. Antes de recibir ningún dato se firma un contrato conforme al art. 28 del RGPD, junto con un NDA.
¿Qué tipos de archivo pueden procesar?
PDF, incluidos los escaneados, documentos de Office, HTML, texto plano, CSV y exportaciones de bases de datos, además de archivos de audio y vídeo. Los escaneos pasan por OCR y las grabaciones por transcripción de voz a texto.
¿Qué idiomas se admiten?
La detección de idioma cubre un abanico muy amplio de idiomas, incluidas las lenguas de pocos recursos, porque el pipeline se creó para un corpus de 150 idiomas. La calidad del OCR y de la transcripción de voz a texto varía según el idioma, y esa es una de las razones por las que empezamos con un piloto.
¿Cuánto cuesta?
El precio se fija por proyecto y depende del volumen, los formatos y la modalidad de entrega. El piloto da cifras reales a ambas partes, y el presupuesto se elabora a partir de él.
Envíenos una descripción de sus datos
Formatos, volumen aproximado y para qué quiere utilizarlos. Le respondemos con una propuesta de piloto.
Solicitar un piloto