К содержимому

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")