Dataset opportunity
Tolid — Corpus annotés par LLM : actualités crypto, brevets biomédicaux, vidéos beauté
Une entreprise de données vendant les corpus qu'elle a construits — et exploitant toujours le pipeline qui les a construits.
Score
84
Score (0–100) blends weighted dimensions — dataset rarity, training value, buyer demand, evidence strength and right-to-license. 70+ is deal-ready. See the scored dimensions below for the breakdown.Confidence
60%
Action
Licence
The recommended deal structure for this dataset: Acquire (full buyout), License (paid usage rights), Data Sharing Agreement (controlled access, no transfer of ownership), Partnership (co-development) or Annotation Program (labeling). Chosen from data ownership, licensing complexity and accessibility.Market
Données d'entraînement annotées dont la qualité des étiquettes est MESURÉE, non affirmée — une revendication qu'aucun corpus concurrent ne peut faire. Vendu avec ses défauts déclarés, et avec le pipeline qui l'a produit disponible en tant que service.
Lineage
How this lead was derived
The signal-first chain, end to end: recent external signals → qualified niche → resolved data-holder → site verification → scored opportunity. Every lead is explainable.
Profile
Dataset profile
Type
Corpus annotés par LLM / graphes de connaissances
Modality
texte
Sector
Données d'entraînement IA
Volume
2,47M docs · 723k brevets · 449 routines
Freshness
Archive — pipelines redémarrables
Rarity
Élevée — l'annotation, pas le texte
Accessibility
Immédiate — miroirs BigQuery / Firestore
Legal
Les annotations, graphes et métadonnées sont des œuvres dérivées produites par Tolid et sont transférables. Le texte source de presse N'EST PAS (il appartient aux éditeurs) — il est exclu de toute livraison. BIOPORTAL — mesuré et réglé (2026-07-14) : 707 ontologies sont utilisées, pas une seule. Les 13 757 lignes (1,6 % de la table de mappage) provenant de sources sous licence restrictive — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — sont EXCLUES de toute livraison. Tout le reste est ouvert par construction (OBO Foundry impose CC-BY/CC0 à ses membres ; MeSH est gratuit pour un usage commercial). CC-BY est une obligation d'ATTRIBUTION, pas un copyleft : un avis d'attribution est livré avec les données. TOUJOURS OUVERT : le statut ODbL d'Open Beauty Facts (corpus beauté) — l'examen contradictoire a réfuté la lecture "Œuvre Produite", donc la contrainte pourrait s'avérer BINAIRE plutôt qu'une remise de prix. Les quatre colonnes d'inférence biométrique (sexe perçu, tranche d'âge, émotion, teint de peau) sont exclues de toute livraison.
Buyer persona
Éditeurs de LLM de domaine et de modèles NLP financiers · R&D pharma et biotech (intelligence des brevets) · groupes cosmétiques et beauté-tech · fournisseurs de données souhaitant entraîner leur propre classifieur. PAS de fonds spéculatifs ou de fournisseurs de signaux pour le corpus crypto — il ne porte pas d'alpha, et nous le disons.
Tolid est une société de données. Elle ne revend pas l'exhaust d'autrui : elle a construit les pipelines de collecte et d'annotation LLM qui ont produit ces corpus, et elle les exploite toujours. Ce qui est proposé, c'est donc deux choses à la fois — un stock de données annotées, et la machine qui les a produites.
Trois corpus sont sur la table.
1. Actualités crypto, annotées (2 469 218 documents, oct. 2023 → sept. 2025). Sentiment, sujet, résumé et une étiquette achat/conservation/vente, sur des tickers normalisés. Lisez ceci avant toute chose : le signal de trading n'a AUCUN pouvoir prédictif mesuré. Nous avons effectué le backtest nous-mêmes contre des prix réels, sur les 1 198 479 signaux : il bat un pile ou face de 0,7 point, et son alpha neutre sur le marché est nul. La raison est dans les données — le sentiment de presse corrèle à +0,60 avec les rendements PASSÉS et +0,07 avec les rendements futurs. Il suit le prix ; il ne le précède pas. Nous ne vendons pas d'alpha, et ce corpus n'est pas destiné à un desk de trading. Ce que ce même +0,60 prouve, c'est que l'annotation est fidèle : c'est un corpus financier étiqueté par LLM dont la qualité des étiquettes a été validée par rapport à une vérité terrain externe. C'est ce que vous achetez — des données d'entraînement avec une qualité mesurée, pas un signal.
2. Brevets biomédicaux, structurés en graphe de connaissances (723 149 documents). L'actif le plus précieux des trois, et celui qui porte la plus grande question ouverte : les conditions de licence des ontologies BioPortal auxquelles il s'aligne sont en cours de révision. Nous le disons avant que vous ne posiez la question.
3. Vidéo de beauté procédurale (449 routines, 7 656 gestes horodatés, 21 441 vidéos). Pas des "données vidéo" : une surface analytique sur ce que les gens font réellement, étape par étape, avec quels produits. Deux contraintes déclarées d'emblée — la question ODbL d'Open Beauty Facts n'est pas résolue et pourrait être binaire plutôt qu'une remise, et les quatre colonnes d'inférence biométrique (sexe perçu, âge, émotion, teint de peau) sont exclues de toute livraison. Le graphe procédural conserve toute sa valeur sans elles.
Ce que nous ne vendons pas : le texte source des articles. Il appartient aux éditeurs, pas à Tolid. Ce qui est transférable, c'est l'œuvre dérivée — les annotations, les URL, les métadonnées, le graphe.
Services
What the holder can also do for you
This dataset is not only a stock — its holder still operates the pipeline that produced it. Each capability below is backed by an observed fact, not a claim.
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.
Evidence — 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.
Evidence — 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.
Evidence — 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.
Evidence — Declared openly: the buy/hold/sell field covers only 33.4% of the crypto rows (1,198,479 of 3,588,282 — the other 66% read `Not mentioned`) 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
Scored dimensions
Explainable, evidence-based dimensions (0–100). The radar shows the investment axes.
-
See dimension details ↓- Dataset Specificity88
Profondeur d'annotation, pas texte brut : sentiment, sujet, résumé, triples — sur 2,5M de documents, plus un graphe de connaissances de 723k brevets.
How sharply the data targets a specific, hard-to-substitute domain or task. Niche, well-defined data scores higher than generic. - Dataset Rarity88
Le texte est abondant ; l'annotation à cette profondeur et cette histoire ne l'est pas. Médiane du moteur sur trois exécutions : 85–90.
How scarce and proprietary the data is. Unique domain data scores high; openly available data lowers it. - Dataset Volume90
2 469 218 documents crypto annotés · 723 149 documents de brevets · 449 routines de beauté procédurale avec 7 656 gestes horodatés.
Apparent scale of the data, inferred from the number of evidence hits and any explicit volume mentions. - Training Value85
Construit pour l'entraînement de modèles, pas pour le reporting — et la qualité des étiquettes est mesurée, non affirmée (voir l'étude de validité crypto).
How useful the data is for the target AI use-case — its fit for model training or fine-tuning. - Buyer Demand87
Médiane du moteur 85–90 une fois la demande pondérée par la solvabilité de l'acheteur plutôt que par le nombre de noms.
How strongly AI builders and companies are likely to want this data, based on market signals. - Evidence Strength45
Délibérément bas : la fourchette de prix provient de notre moteur d'évaluation, et AUCUN comparable de marché externe ne l'ancre encore. Deux études de recherche approfondie sont en attente. Nous préférons montrer un score faible plutôt qu'un chiffre confiant que nous ne pouvons pas défendre.
How solid the proof is that the company holds this data — diversity of evidence types and number of hits. - Data Orientation95
Une société de données : les pipelines, le graphe et la couche d'annotation sont le produit, pas un sous-produit.
How actively the company invests in data, measured by its data-appetite signals (hires, products, APIs…). - Dormant Data Surplus92
Produit, stocké — et jamais monétisé. La couche de modération n'a jamais fonctionné ; le corpus crypto est figé depuis le 2025-09-20.
Volume and value of proprietary data this company holds BEYOND what it already monetises — the dormant surplus we can unlock. A company can sell some insights AND still sit on a far larger dormant asset.
Evidence
Dataset evidence & lineage
What the typed evidence proves the company holds — reframed for clarity and set against the market.
-
Marketplace
Dataset details
Geographic coverage
Global (multilingual sources)
Time range
2023-10 → 2025-09 (crypto) · patents and beauty: see each dataset
Delivery
Secure extract download, or scoped access
Formats
parquet, csv, jsonl
License
Derived works (annotations, graphs, metadata) are transferable. Source press text is not.
Personal data
No PII
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.
Detailed schema & sample available on access request.
Want this data?
Request access — we broker a secure deal room. Operator-reviewed, no automatic sharing.
This listing was generated automatically from public signals. It is not verified, and we are not affiliated with this company.
Deal room
Tolid — Deal Room
Three LLM-annotated corpora from a data company that still operates the pipeline that produced them. Sold with the defects declared — including a backtest we ran ourselves which refutes any trading value in the crypto signal, and which is precisely what proves the annotation is faithful. Buyer access is scoped per dataset.
Buyer persona
Éditeurs de LLM de domaine et de modèles NLP financiers · R&D pharma et biotech (intelligence des brevets) · groupes cosmétiques et beauté-tech · fournisseurs de données souhaitant entraîner leur propre classifieur. PAS de fonds spéculatifs ou de fournisseurs de signaux pour le corpus crypto — il ne porte pas d'alpha, et nous le disons.
The type of company or team most likely to buy or use this dataset — the target on the demand side.Market
Données d'entraînement annotées dont la qualité des étiquettes est MESURÉE, non affirmée — une revendication qu'aucun corpus concurrent ne peut faire. Vendu avec ses défauts déclarés, et avec le pipeline qui l'a produit disponible en tant que service.
A rough read on demand and price band for this data, from market signals ($ = niche, $$$ = high AI-buyer demand).Risk
Les annotations, graphes et métadonnées sont des œuvres dérivées produites par Tolid et sont transférables. Le texte source de presse N'EST PAS (il appartient aux éditeurs) — il est exclu de toute livraison. BIOPORTAL — mesuré et réglé (2026-07-14) : 707 ontologies sont utilisées, pas une seule. Les 13 757 lignes (1,6 % de la table de mappage) provenant de sources sous licence restrictive — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — sont EXCLUES de toute livraison. Tout le reste est ouvert par construction (OBO Foundry impose CC-BY/CC0 à ses membres ; MeSH est gratuit pour un usage commercial). CC-BY est une obligation d'ATTRIBUTION, pas un copyleft : un avis d'attribution est livré avec les données. TOUJOURS OUVERT : le statut ODbL d'Open Beauty Facts (corpus beauté) — l'examen contradictoire a réfuté la lecture "Œuvre Produite", donc la contrainte pourrait s'avérer BINAIRE plutôt qu'une remise de prix. Les quatre colonnes d'inférence biométrique (sexe perçu, tranche d'âge, émotion, teint de peau) sont exclues de toute livraison.
The main legal and compliance constraints on using or transferring this data — PII/GDPR, licensing rights, regulatory limits.Action
Licence
The recommended deal structure for this dataset: Acquire (full buyout), License (paid usage rights), Data Sharing Agreement (controlled access, no transfer of ownership), Partnership (co-development) or Annotation Program (labeling). Chosen from data ownership, licensing complexity and accessibility.Coverage
Scanned sources
Deliverable
Premium dataset report
A teaser is generated for each dataset opportunity. The full report is available on unlock.
From the marketplace
Explore live data opportunities
ckf — Opportunité de jeu de données de journaux de maintenance
View opportunity →industrielRoboze — Industrial Operations Dataset Opportunity
View opportunity →IndustrielGeckorobotics — Inspection Reports Dataset Opportunity
View opportunity →Data Academy
Learn before you deal
- Acheter de la donnée sans se tromper3 min read
- Votre expertise vaut de l'or pour l'IA3 min read
- Vos vidéos d'atelier valent une fortune3 min read
News & Insights
Latest from the briefing
- Quel est le tarif du marché pour les données d'entraînement IA dirigées par des experts ?
- Due Diligence IA : une checklist en 6 points pour l'acquisition de jeux de données
- Construire ou Acheter : Quand les Données Externes Valent-elles le Coût d'Acquisition ?