Un utente di Reddit ha reso disponibile un archivio di circa un milione di file relativi al caso Epstein, convertiti in formato testo tramite riconoscimento ottico dei caratteri (OCR).

Dettagli del dataset

I file sono organizzati in 12 archivi ZIP, per un totale di meno di 2 GB. L'iniziativa nasce dal riscontro positivo ottenuto da un precedente rilascio di 20.000 file. L'autore ha utilizzato Tesseract OCR per la conversione, con l'obiettivo di migliorare l'accuratezza tramite DeepSeek-OCR-2 in futuro.

Accesso e utilizzo

I file sono disponibili per il download. L'autore invita gli utenti interessati a testare una piattaforma AI di eDiscovery basata sui file, offrendo accesso anticipato tramite messaggio diretto. Questo tipo di dataset può essere utile per sviluppare modelli di analisi del linguaggio (LLM) in contesti specifici, con la possibilità di operare in ambienti on-premise per garantire la sovranità dei dati. Per chi valuta deployment on-premise, esistono trade-off da considerare, come discusso nei framework analitici di AI-RADAR su /llm-onpremise.