Датасет · Meddies
Мультиязычный датасет извлечения персональных данных
Meddies/meddies-pii
Синтетические клинические и административные тексты для извлечения PII и деидентификации.
Что внутри
Мультиязычный корпус (включая vi, en, zh, ja, ko, th) размером от 1M до 10M примеров, содержащий синтетические медицинские и административные документы. Поддерживает задачи классификации токенов и генерации текста для исследовательских целей.
Что можно сделать
- Обучение моделей распознавания сущностей (NER) для поиска PII в медицинских текстах
- Разработка систем деидентификации конфиденциальных документов на разных языках
- Задачи
- Разметка токенов, Генерация текста
- Языки
- Вьетнамский, Английский, Китайский, Японский, Корейский, Тайский, Французский, Немецкий и ещё 4
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 902
- Лайков
- 11
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("Meddies/meddies-pii")