Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Direction générale de l'Institut national de la statistique et des études économiques
- OpenAI
- Pipeline d'orchestration pour la codification automatique des produits de l'enquête Budget de Famille (BDF) selon la nomenclature COICOP. Le projet automatise l'attribution de codes COICOP aux produits déclarés par les ménages, en combinant des approches par règles, apprentissage automatique et intelligence artificielle. Il génère des rapports de production et d'évaluation pour mesurer la qualité des prédictions et la couverture des données.
- Service public dédié à l'extraction automatisée et structurée des tableaux financiers (comptes sociaux) à partir de documents PDF scannés ou numériques. Utilise des technologies d'OCR neuronal et d'intelligence artificielle pour transformer des documents administratifs complexes en données exploitables, facilitant ainsi l'analyse financière et la conformité réglementaire pour les entreprises et les organismes publics.
- Ce projet automatise l'extraction et l'analyse des annonces légales publiées au BODACC pour identifier les restructurations d'entreprises. Il classe les opérations (ventes, fusions, absorptions, etc.) et extrait les champs métiers clés comme les numéros SIREN des parties impliquées. Les données sont normalisées et évaluées à l'aide de modèles d'intelligence artificielle, avec des métriques de performance suivies pour améliorer la précision.
- Ce projet automatise la transition des codes d'activité économique (NACE 2008 vers NACE 2025) en utilisant des modèles de langage avancés. Il compare deux approches : le RAG (Retrieval-Augmented Generation) qui enrichit les requêtes avec des données externes, et le CAG (Context-Augmented Generation) qui utilise un contexte complet. L'objectif est d'améliorer la précision de la recodification pour les entreprises, en réduisant les erreurs manuelles et en accélérant les processus de classification sectorielle.
- Module basé sur des modèles de langage (LLM) pour classifier automatiquement des codes NACE en utilisant des embeddings et une approche RAG (Retrieval-Augmented Generation). Il exploite la coopération entre agents et l'appel d'outils pour enrichir le contexte et fournir des résultats plus précis et contextualisés.
- Ce projet vise à tester des modèles d'apprentissage automatique en utilisant des données synthétiques générées par des grands modèles de langage (LLM). Il permet d'évaluer les biais présents dans ces modèles et de mesurer leur performance à travers différentes métriques. L'objectif est d'améliorer la robustesse et l'équité des systèmes d'IA en identifiant les faiblesses des données d'entraînement générées artificiellement.
- Ce projet automatise la classification de produits selon la nomenclature COICOP en utilisant un pipeline RAG (Retrieval-Augmented Generation). Il traite des données brutes pour construire un dataset d'annotations, applique des règles de normalisation et génère des embeddings vectoriels. Le système permet ensuite de classer des annotations en s'appuyant sur des bases de données vectorielles et des modèles d'IA pour améliorer la précision des prédictions. Les résultats sont exportés et analysés pour évaluer les performances du modèle.
- Projet collaboratif entre la DEPP et le SSP Lab (Insee) visant à évaluer la faisabilité et la fiabilité de l'assistance à la correction humaine de dictées manuscrites par l'intelligence artificielle. Il propose deux pipelines principaux : une approche end-to-end utilisant un modèle multimodal pour lire et coder les copies en une seule passe, et une approche en deux étapes combinant transcription automatique (HTR) puis codage par un modèle léger. Le projet inclut également l'évaluation de la transcription seule sur le corpus Scoledit, ainsi que le fine-tuning de modèles spécialisés pour améliorer la lecture de l'écriture manuscrite des élèves.
- Outil de recherche dédié à l'étiquetage automatique de données pour les instituts statistiques nationaux. Il combine une base de données vectorielle graphique, des agents d'IA modulaires et des composants de raisonnement pour classer des textes selon une nomenclature hiérarchique. Destiné aux experts en statistiques et en traitement automatique du langage.
- Service public permettant aux producteurs de données statistiques de formater automatiquement leurs métadonnées via un modèle de langage. À partir de classeurs de métadonnées (ODS, XLSX, CSV), l'application génère des tableaux structurés et validés, exploitables par des outils d'analyse comme rtauargus. Le pipeline automatisé nettoie, transforme et valide les données avant export en CSV, réduisant les erreurs manuelles et accélérant la diffusion des statistiques.
11 initiatives
10