osFoundry / Platform
Plus de 250 000 jeux de données publics
Parcourez et importez parmi un quart de million de jeux de données publics — pré-indexés, prêts pour le fine-tuning.
Présentation
Le catalogue de datasets publics d'osFoundry vous donne un accès par recherche à plus de 250 000 datasets ouverts, mirrorés depuis le hub public Hugging Face Datasets, couvrant des données texte, image, audio, vidéo, tabulaires et multimodales. Au lieu d'écrire des scripts de chargement ou de fouiller les dataset cards une par une, vous parcourez et filtrez directement dans votre workspace : par catégorie de tâche (génération de texte, classification, question answering, reconnaissance vocale, détection d'objets, etc.), par langue, par tranche de taille et par licence. Puis vous importez celui qu'il vous faut en quelques clics. Chaque entrée porte les métadonnées qui comptent vraiment avant de vous engager : nombre de lignes, conditions de licence, tags de tâche, URL source et une citation BibTeX générée automatiquement.
Le catalogue est préindexé, et c'est ce qui rend la recherche rapide : osFoundry met en cache les métadonnées de chaque dataset, donc filtrer parmi un quart de million d'entrées est instantané, et les données réelles sont chargées depuis la source d'origine à la première utilisation, plutôt que de rester dans un entrepôt que vous payez pour conserver. Une fois un dataset choisi, il est acheminé vers la partie d'osFoundry où vous travaillez. Envoyez-le vers la page Train pour fine-tuner un modèle de base : osFoundry provisionne un serveur GPU, exécute le job et prépare l'adaptateur LoRA obtenu pour un hot-swap sur votre flotte d'inférence. Importez-le dans une base de connaissances pour rendre chaque ligne recherchable, citable et récupérable par vos agents. Ou pointez une évaluation dessus pour comparer des modèles côte à côte.
Comme osFoundry est bring-your-own-key et local-first, tout reste honnête sur vos données et vos coûts : c'est votre workspace, vos clés, et aucune marge de revente sur les modèles que vous entraînez ou exécutez contre ces datasets. Les conditions de licence sont affichées par dataset (permissive, share-alike, non commerciale, domaine public ou personnalisée), pour que vous sachiez si un corpus est sûr pour du fine-tuning commercial avant de construire dessus, plutôt que de le découvrir après.
Fonctionnalités clés
- Recherchez et filtrez plus de 250 000 datasets publics par tâche, langue, taille et licence sans quitter votre workspace
- Les métadonnées préindexées rendent le filtrage parmi un quart de million d'entrées instantané ; les données se chargent depuis la source à la première utilisation
- Un clic pour l'acheminer vers le fine-tuning : osFoundry provisionne un serveur GPU et prépare un adaptateur LoRA pour le hot-swap
- Importez n'importe quel dataset dans une base de connaissances pour rendre les lignes recherchables, citables et récupérables par les agents
- Licence, nombre de lignes, tags de tâche, URL source et BibTeX auto-généré, affichés par dataset avant de vous engager
Cas d’usage
- Ingénieur ML : filtrez jusqu'à un dataset de génération de texte sous licence CC-BY, envoyez-le vers Train et fine-tunez un modèle de base en adaptateur LoRA sur votre propre serveur GPU
- Créateur d'agents : importez un dataset de questions-réponses dans une base de connaissances pour que les agents récupèrent et citent de vrais exemples à l'exécution
- Chercheur : pointez une évaluation vers un dataset de benchmark pour noter plusieurs modèles côte à côte, puis collez le BibTeX auto-généré dans un article
Questions fréquentes
D'où viennent les 250 000+ datasets ?
Ils sont mirrorés depuis le catalogue public Hugging Face Datasets. osFoundry préindexe et met en cache les métadonnées pour que la recherche et le filtrage soient rapides ; les données réelles sont chargées depuis la source d'origine à la première utilisation, et non copiées dans un stockage que vous payez pour conserver.
Puis-je utiliser ces datasets pour du fine-tuning commercial ?
Cela dépend de la licence de chaque dataset, qu'osFoundry affiche sur chaque entrée : permissive (CC-BY, Apache-2, MIT), share-alike, non commerciale, domaine public ou personnalisée. Les datasets permissifs et du domaine public sont en général sûrs pour un usage commercial avec attribution ; les non commerciaux et non spécifiés ne le sont pas. Vérifiez le badge de licence avant de construire sur un corpus.
Que puis-je concrètement faire d'un dataset une fois importé ?
Trois voies principales : fine-tuner un modèle de base sur la page Train (osFoundry démarre un serveur GPU et prépare un adaptateur LoRA), amorcer une base de connaissances pour que les agents recherchent et citent les lignes, ou lancer une évaluation pour benchmarker des modèles dessus. Comme osFoundry est BYOK et local-first, vous utilisez vos propres clés sans marge de revente.