Documents d'entreprise et d'exploitation
Archives d'entreprise, contrats, correspondance, formulaires, manuels techniques et imprimés — la couche documentaire dont les modèles d'extraction et de compréhension de documents sont privés hors d'Europe et d'Amérique du Nord.
Les modèles entraînés sur la paperasse occidentale échouent sur la paperasse africaine pour des raisons ordinaires et peu spectaculaires : mises en page de formulaires différentes, conventions d'en-tête différentes, structures de tableaux différentes, registre administratif bilingue anglais-français, et les dégradations propres à un papier photocopié, tamponné, perforé et conservé à travers trente saisons des pluies lagosiennes. Cette dégradation n'est pas un bruit à supprimer avant l'entraînement. Pour un modèle documentaire, c'est le signal — et c'est précisément ce qu'un corpus occidental propre ne peut pas enseigner.
Nous sourçons auprès d'entreprises, de cabinets, d'éditeurs, d'imprimeurs et de fonds institutionnels, et nous numérisons à une norme fixe plutôt qu'au gré du scanner du détenteur. Le contenu commercialement sensible est caviardé à la source, sous la direction du détenteur, avant qu'une page ne soit numérisée — et non flouté après coup par nos soins, ce qu'un acheteur ne peut de toute façon pas auditer.
C'est la ligne la plus facile du catalogue à échantillonner honnêtement, et c'est là que vous verrez d'abord de la matière réelle sur ce site : les documents d'un détenteur, libérés, numérisés à la norme et annotés, publiés avec son accord écrit et non avec sa tolérance.
Spécification
- Sources
- Archives d'entreprise, cabinets, éditeurs et imprimeurs, fonds institutionnels et registres publics
- Numérisation
- 400 ppp couleur, redressé, une page par image, master TIFF avec compilation PDF/A par document
- Structure
- Régions de page, ordre de lecture, structure des tableaux, tampons et écriture manuscrite signalés plutôt qu'inférés
- Langues
- Anglais, français, et le registre administratif bilingue du corridor
- Caviardage
- Effectué à la source, sous la direction du détenteur, avant numérisation
- Statut
- Sourcé sur mandat. Premières tranches libérées échantillonnées publiquement sur ce site.
Autres lignes de production
Archives africaines libérées — radio, télévision, cinéma
Des décennies de radio, de télévision et de cinéma en langue, dormant dans des fonds qui n'ont jamais été contractés pour l'apprentissage automatique, sur un marché qu'aucun agrégateur ne travaille.
Audio conversationnel en langue
Parole spontanée, multi-locuteurs et chevauchée, dans des langues sans corpus commercial sous licence — issue d'archives libérées comme de collecte sur commande.
Captation égocentrée et en conditions réelles
Vidéo à la première personne, casque ou torse, produite sur commande dans des milieux de travail que l'on ne peut capter nulle part ailleurs.
Captation instrumentée et multi-capteurs
Le haut de gamme de la donnée incarnée — captation multi-caméras du travail manuel, instrumentée en effort, montée face à un cahier des charges financé.
Données immobilières et transactionnelles
Annonces, évaluations, historiques de titres et actes de transaction issus d'agences, de promoteurs et de géomètres-experts — la couche structurée sous l'immobilier urbain africain, qu'aucun jeu de données ne décrit aujourd'hui.
Données institutionnelles et financières anonymisées
Données de transaction, de relevé et de grand livre fournies par l'institution qui les détient, anonymisées avant de quitter ses murs, et licenciées pour l'entraînement de modèles sous convention de partage de données.