Licenciar datos operativos que nunca aparecieron en la web abierta

Qué puede licenciar

Los archivos son conjuntos documentales coherentes: correspondencia, contratos, facturas y asientos que abarcan años de actividad real. Los extractos estructurados son extracciones anonimizadas y con entidades resueltas, entregadas según su esquema. Los conjuntos de evaluación son tareas documentales reservadas y nunca publicadas, para medir extracción, razonamiento y flujos de agentes.

Los entornos de RL son entornos de entrenamiento basados en tareas con verificadores programáticos, construidos a partir de los mismos documentos.

Anonimización

Las entidades nombradas, los datos personales y los identificadores comerciales se eliminan o se seudonimizan antes de la entrega. La seudonimización es determinista, de modo que las referencias cruzadas entre documentos siguen siendo coherentes: una misma contraparte recibe el mismo seudónimo en todo el archivo, sin revelar quién era.

Por qué datos operativos

El registro operativo de una empresa, es decir su correspondencia, sus contratos, sus facturas y sus litigios a lo largo de años, nunca estuvo en línea.

Nada se obtiene por scraping.

El Reglamento europeo de IA

Según el Reglamento europeo de IA, los proveedores de modelos de IA de uso general deben publicar un resumen suficientemente detallado del contenido utilizado para el entrenamiento. Los laboratorios que afrontan estas obligaciones de documentación encontrarán en nuestra nota sobre trazabilidad lo que el Reglamento exige a los proveedores.

Preguntas antes de licenciar datos empresariales propietarios

¿De quién eran los registros y quién autorizó la licencia? ¿Qué usos están permitidos: entrenamiento, evaluación, publicación de resultados? ¿Qué partes son material de terceros? ¿Cómo se trataron los datos personales y qué se deja al contrato en lugar de a la anonimización? ¿Qué contiene la entrega, en qué formatos y con qué documentación?

Los derechos de evaluación merecen su propia línea en la licencia: si el licenciatario puede hacer pruebas comparativas sin entrenar y si pueden publicarse los resultados.

Cómo funciona la entrega

Las condiciones se fijan por acuerdo.

Los archivos se entregan en PDF, EML, XLSX y DOCX; los extractos estructurados en JSONL o Parquet, según su esquema.

Las dudas habituales se responden en las preguntas frecuentes.