Oportunidad de conjunto de datos
Tolid — Corpus anotados por LLM: noticias de criptomonedas, patentes biomédicas, videos de belleza
Una empresa de datos que vende los corpus que construyó y que aún opera el pipeline que los creó.
Puntuación
84
La puntuación (0–100) combina dimensiones ponderadas — rareza del conjunto de datos, valor de entrenamiento, demanda del comprador, solidez de la evidencia y derecho a licenciar. 70+ significa listo para el acuerdo. Consulte las dimensiones puntuadas a continuación para el desglose.Confianza
60%
Acción
Licenciar
La estructura de acuerdo recomendada para este conjunto de datos: Adquirir (compra total), Licenciar (derechos de uso pagados), Acuerdo de Intercambio de Datos (acceso controlado, sin transferencia de propiedad), Asociación (codesarrollo) o Programa de Anotación (etiquetado). Elegido en función de la propiedad de los datos, la complejidad de la licencia y la accesibilidad.Mercado
Datos de entrenamiento anotados cuya calidad de etiqueta está MEDIDA, no afirmada, una afirmación que casi ningún corpus competidor puede hacer. Vendido con sus defectos declarados, y con el pipeline que lo produjo disponible como servicio.
Lineage
Cómo se derivó esta oportunidad
La cadena de señal-primero, de principio a fin: señales externas recientes → nicho cualificado → poseedor de datos resuelto → verificación del sitio → oportunidad puntuada. Cada oportunidad es explicable.
Profile
Perfil del conjunto de datos
Tipo
Corpus anotados por LLM / grafos de conocimiento
Modalidad
texto
Sector
Datos de entrenamiento de IA
Volumen
2,47M docs · 723k patentes · 449 rutinas
Actualidad
Archivo: pipelines reiniciables
Rareza
Alta: la anotación, no el texto
Accesibilidad
Inmediata: espejos de BigQuery / Firestore
Legal
Las anotaciones, grafos y metadatos son obras derivadas producidas por Tolid y son transferibles. El texto de prensa fuente NO lo es (pertenece a los editores), se excluye de cada entrega. BIOPORTAL: medido y liquidado (2026-07-14): se utilizan 707 ontologías, ni una sola. Las 13.757 filas (1,6% de la tabla de mapeo) provenientes de fuentes con licencia restrictiva — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — se EXCLUYEN de cada entrega. Todo lo demás es abierto por construcción (OBO Foundry exige CC-BY/CC0 a sus miembros; MeSH es gratuito para uso comercial). CC-BY es una obligación de ATRIBUCIÓN, no un copyleft: un aviso de atribución se envía con los datos. AÚN ABIERTO: el estado ODbL de Open Beauty Facts (corpus de belleza) — la revisión adversarial refutó la lectura de 'Obra Producida', por lo que la restricción puede resultar BINARIA en lugar de un descuento. Las cuatro columnas de inferencia biométrica (sexo percibido, rango de edad, emoción, tono de piel) se excluyen de cualquier entrega.
Buyer persona
Editores de LLM de dominio y modelos de PNL financiera · I+D farmacéutica y biotecnológica (inteligencia de patentes) · grupos cosméticos y belleza-tech · proveedores de datos que desean entrenar su propio clasificador. NO fondos de cobertura ni proveedores de señales para el corpus de criptomonedas: no tiene alfa, y lo decimos.
Tolid es una empresa de datos. No revende datos de terceros: construyó los pipelines de recopilación y anotación por LLM que produjeron estos corpus, y todavía los opera. Lo que se ofrece son, por lo tanto, dos cosas a la vez: un stock de datos anotados y la máquina que los produjo.
Tres corpus están sobre la mesa.
1. Noticias de criptomonedas, anotadas (2.469.218 documentos, Oct 2023 → Sep 2025). Sentimiento, tema, resumen y una etiqueta de compra/mantener/vender, en tickers normalizados. Lea esto antes que nada: la señal de trading NO tiene poder predictivo medido. Ejecutamos el backtest contra precios reales nosotros mismos, en las 1.198.479 señales: supera un lanzamiento de moneda por 0,7 puntos, y su alfa neutral al mercado es nulo. La razón está en los datos: el sentimiento de la prensa se correlaciona en +0,60 con los retornos PASADOS y +0,07 con los futuros. Sigue el precio; no lo precede. No vendemos alfa, y este corpus no es para una mesa de trading. Lo que ese mismo +0,60 sí demuestra es que la anotación es fiel: es un corpus financiero etiquetado por LLM cuya calidad de etiqueta ha sido validada contra una verdad fundamental externa. Eso es lo que usted compra: datos de entrenamiento con una calidad medida, no una señal.
2. Patentes biomédicas, estructuradas como un grafo de conocimiento (723.149 documentos). El activo más valioso de los tres, y el que presenta la mayor pregunta abierta: los términos de licencia de las ontologías de BioPortal a las que se alinea están en revisión. Lo decimos antes de que pregunte.
3. Video de belleza procedimental (449 rutinas, 7.656 gestos con marca de tiempo, 21.441 videos). No "datos de video": una superficie analítica sobre lo que la gente hace realmente, paso a paso, con qué productos. Dos restricciones declaradas de antemano: la cuestión ODbL de Open Beauty Facts no está resuelta y puede ser binaria en lugar de un descuento, y las cuatro columnas de inferencia biométrica (sexo percibido, edad, emoción, tono de piel) están excluidas de cualquier entrega. El grafo procedimental conserva todo su valor sin ellas.
Lo que no vendemos: el texto del artículo fuente. Pertenece a los editores, no a Tolid. Lo que es transferible es la obra derivada: las anotaciones, las URL, los metadatos, el grafo.
Services
Lo que el titular también puede hacer por usted
Este conjunto de datos no es solo un stock — su titular aún opera la infraestructura que lo produjo. Cada capacidad a continuación está respaldada por un hecho observado, no por una afirmación.
Human validation of the annotations, on demand
Tolid can run a human review pass over any corpus it has produced — full or sampled, to your own guidelines and quality bar.
Evidencia — The entire human-in-the-loop layer already exists — nine moderation tables, an escalation queue, prompt structures — and has never been run on a single document (0 of 4,841,938). The machine is built and wired; it has simply never been switched on.
A corpus built to your theme, from scratch
Give a domain and a taxonomy; Tolid runs collection, LLM annotation and graph construction end-to-end — the same pipeline that produced these corpora.
Evidencia — The pipeline is theme-driven, and there is proof: a seventh theme ("Geopolitical Tensions and Alliances") is fully configured — prompt and JSON template written — with no collection and no deployed service. A theme conceived, written, never launched. That is what "give us a subject" looks like in this codebase.
Entity resolution and normalisation
Mapping the messy surface forms of a domain onto canonical entities — the unglamorous work that decides whether a corpus is joinable with your own data.
Evidencia — 21,359 alias → canonical-ticker mappings were built for the crypto corpus; 19,080 semantic mappings for the beauty ontology. This is the domain's price of entry, already paid.
Cleaning and extending an existing signal
Re-parsing, de-duplicating and extending a field that was produced once and never curated.
Evidencia — Declared openly: the buy/hold/sell field covers only ~44% of the crypto rows and carries parsing leaks (`buy (implied)`, `hold/sell`). Tolid can clean and extend it. We would rather sell you the fix than hide the defect.
Scoring
Dimensiones puntuadas
Dimensiones explicables y basadas en evidencia (0–100). El radar muestra los ejes de inversión.
-
Ver detalles de la dimensión ↓- Dataset Specificity88
Profundidad de anotación, no texto bruto: sentimiento, tema, resumen, tripletes — en 2,5M de documentos, más un grafo de conocimiento de 723k patentes.
Con qué precisión los datos se dirigen a un dominio o tarea específica y difícil de sustituir. Los datos de nicho, bien definidos, puntúan más alto que los genéricos. - Dataset Rarity88
El texto es abundante; la anotación a esta profundidad e historial no lo es. Mediana del motor en tres ejecuciones: 85–90.
Cuán escasos y propietarios son los datos. Los datos de dominio únicos puntúan alto; los datos disponibles públicamente lo reducen. - Dataset Volume90
2.469.218 documentos de criptomonedas anotados · 723.149 documentos de patentes · 449 rutinas de belleza procedimentales con 7.656 gestos con marca de tiempo.
Escala aparente de los datos, inferida del número de coincidencias de evidencia y cualquier mención explícita de volumen. - Training Value85
Construido para el entrenamiento de modelos, no para informes, y la calidad de la etiqueta se mide, no se afirma (ver el estudio de validez de criptomonedas).
Cuán útiles son los datos para el caso de uso de IA objetivo — su idoneidad para el entrenamiento o ajuste fino de modelos. - Buyer Demand87
Mediana del motor 85–90 una vez que la demanda se pondera por la solvencia del comprador en lugar del número de nombres.
Cuán fuertemente los desarrolladores de IA y las empresas probablemente desearán estos datos, basándose en las señales del mercado. - Evidence Strength45
Deliberadamente bajo: el rango de precios proviene de nuestro motor de valoración, y NINGÚN comparable de mercado externo lo ancla todavía. Dos estudios de investigación profunda están pendientes. Preferimos mostrar una puntuación débil que un número seguro que no podemos defender.
Cuán sólida es la prueba de que la empresa posee estos datos — diversidad de tipos de evidencia y número de coincidencias. - Data Orientation95
Una empresa de datos: los pipelines, el grafo y la capa de anotación son el producto, no un subproducto.
Cuán activamente la empresa invierte en datos, medido por sus señales de apetito por los datos (contrataciones, productos, APIs…). - Dormant Data Surplus92
Producido, almacenado y nunca monetizado. La capa de moderación nunca se ha ejecutado; el corpus de criptomonedas ha estado congelado desde el 2025-09-20.
Volumen y valor de los datos propietarios que esta empresa posee MÁS ALLÁ de lo que ya monetiza — el excedente inactivo que podemos desbloquear. Una empresa puede vender algunas ideas Y aún así poseer un activo inactivo mucho mayor.
Evidence
Evidencia y trazabilidad del conjunto de datos
Lo que la evidencia tipificada prueba que la empresa posee — reformulado para mayor claridad y contextualizado en el mercado.
-
Marketplace
Detalles del conjunto de datos
Cobertura geográfica
Global (multilingual sources)
Rango temporal
2023-10 → 2025-09 (crypto) · patents and beauty: see each dataset
Entrega
Secure extract download, or scoped access
Formatos
parquet, csv, jsonl
Licencia
Derived works (annotations, graphs, metadata) are transferable. Source press text is not.
Datos personales
No contiene datos personales
There is no public price grid for these corpora, and we will not manufacture one. Our own valuation engine returns wide, UNANCHORED ranges — dispersion up to ×7 on the crypto asset across three identical runs — and a dedicated deep-research study (July 2026, 103 agents, 86 claims → 25 adversarially verified) confirmed WHY: for an LLM-annotated news archive sold as annotations-only, no defensible market comparable exists. The published editor↔LLM deals disclose amounts but never volumes, so no per-document price can be derived; and the closest academic comparable (Financial PhraseBank) anchors label PEDIGREE, never a number. The gap is in the market, not in our research. So we price ON REQUEST, against two things we can defend: a measured production cost (from real cloud billing) and a label quality validated against external ground truth. The biomedical-patents asset — the strongest of the three — is under its own valuation study; its price will be shown only once anchored on real dataset transactions, never on a SaaS-subscription proxy. You do not buy the bundle: each dataset is priced on its own.
Esquema detallado y muestra disponibles bajo solicitud de acceso.
¿Quieres estos datos?
Solicita acceso — gestionamos una sala de negociación segura. Revisado por el operador, sin intercambio automático.
Este listado fue generado automáticamente a partir de señales públicas. No está verificado y no estamos afiliados a esta empresa.
Deal room
Tolid — LLM-annotated corpora: crypto news, biomedical patents, beauty video
There is no public price grid for these corpora, and we will not manufacture one. Our own valuation engine returns wide, UNANCHORED ranges — dispersion up to ×7 on the crypto asset across three identical runs — and a dedicated deep-research study (July 2026, 103 agents, 86 claims → 25 adversarially verified) confirmed WHY: for an LLM-annotated news archive sold as annotations-only, no defensible market comparable exists. The published editor↔LLM deals disclose amounts but never volumes, so no per-document price can be derived; and the closest academic comparable (Financial PhraseBank) anchors label PEDIGREE, never a number. The gap is in the market, not in our research. So we price ON REQUEST, against two things we can defend: a measured production cost (from real cloud billing) and a label quality validated against external ground truth. The biomedical-patents asset — the strongest of the three — is under its own valuation study; its price will be shown only once anchored on real dataset transactions, never on a SaaS-subscription proxy. You do not buy the bundle: each dataset is priced on its own.
Buyer persona
Editores de LLM de dominio y modelos de PNL financiera · I+D farmacéutica y biotecnológica (inteligencia de patentes) · grupos cosméticos y belleza-tech · proveedores de datos que desean entrenar su propio clasificador. NO fondos de cobertura ni proveedores de señales para el corpus de criptomonedas: no tiene alfa, y lo decimos.
El tipo de empresa o equipo con más probabilidades de comprar o usar este conjunto de datos — el objetivo en el lado de la demanda.Mercado
Datos de entrenamiento anotados cuya calidad de etiqueta está MEDIDA, no afirmada, una afirmación que casi ningún corpus competidor puede hacer. Vendido con sus defectos declarados, y con el pipeline que lo produjo disponible como servicio.
Una lectura aproximada de la demanda y el rango de precios para estos datos, a partir de señales de mercado ($ = nicho, $$$ = alta demanda de compradores de IA).Riesgo
Las anotaciones, grafos y metadatos son obras derivadas producidas por Tolid y son transferibles. El texto de prensa fuente NO lo es (pertenece a los editores), se excluye de cada entrega. BIOPORTAL: medido y liquidado (2026-07-14): se utilizan 707 ontologías, ni una sola. Las 13.757 filas (1,6% de la tabla de mapeo) provenientes de fuentes con licencia restrictiva — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — se EXCLUYEN de cada entrega. Todo lo demás es abierto por construcción (OBO Foundry exige CC-BY/CC0 a sus miembros; MeSH es gratuito para uso comercial). CC-BY es una obligación de ATRIBUCIÓN, no un copyleft: un aviso de atribución se envía con los datos. AÚN ABIERTO: el estado ODbL de Open Beauty Facts (corpus de belleza) — la revisión adversarial refutó la lectura de 'Obra Producida', por lo que la restricción puede resultar BINARIA en lugar de un descuento. Las cuatro columnas de inferencia biométrica (sexo percibido, rango de edad, emoción, tono de piel) se excluyen de cualquier entrega.
Las principales restricciones legales y de cumplimiento para usar o transferir estos datos — PII/GDPR, derechos de licencia, límites regulatorios.Acción
Licenciar
La estructura de acuerdo recomendada para este conjunto de datos: Adquirir (compra total), Licenciar (derechos de uso pagados), Acuerdo de Intercambio de Datos (acceso controlado, sin transferencia de propiedad), Asociación (codesarrollo) o Programa de Anotación (etiquetado). Elegido en función de la propiedad de los datos, la complejidad de la licencia y la accesibilidad.Coverage
Scanned sources
Deliverable
Premium dataset report
A teaser is generated for each dataset opportunity. The full report is available on unlock.
Del marketplace
Explora oportunidades de datos en vivo
Dryad — Oportunidad de conjunto de datos de telemetría de sensores
Ver oportunidad →industrialVerticalfuture — Oportunidad de conjunto de datos de sensores industriales
Ver oportunidad →finanzasOportunidad de Conjunto de Datos de Base de Conocimiento — Forestcarbon
Ver oportunidad →Academia de Datos
Aprende antes de negociar
- Comprar datos sin equivocarse3 min de lectura
- Su experiencia vale oro para la IA3 min de lectura
- Sus videos de taller valen una fortuna3 min de lectura
Noticias y Perspectivas
Lo último del informe
- Construir vs. Comprar: ¿Cuándo vale la pena adquirir datos externos?
- Por qué fallan las transacciones de datos: 5 errores que ahuyentan a los compradores institucionales
- ¿Puede Vender Legalmente los Datos de Su Empresa? La Guía de Monetización del RGPD