ConnectionLens est un outil permettant de trouver des connexions entre des termes spécifiés par l'utilisateur à travers plusieurs sources de données hétérogènes. Il considère un ensemble de sources de données indépendantes comme un graphe virtuel unique, où les nœuds représentent des éléments de données fins (par exemple, des tuples relationnels, des attributs, des paires clé-valeur, des nœuds RDF, JSON ou XML) et les arêtes correspondent soit à des connexions structurelles (par exemple, un tuple est dans une base de données, un attribut est dans un tuple, un nœud JSON a un parent, etc.) soit à des liens de similarité (sameAs). Pour enrichir le contenu avec lequel les journalistes travaillent, ConnectionLens détecte également les personnes, les organisations, etc. mentionnées dans le texte, que ce soit du texte intégral ou des extraits trouvés dans des données RDF ou XML.

Connection-Studio est une plateforme web permettant l'analyse et la visualisation de données biologiques, en particulier des réseaux d'interactions moléculaires. Il permet l'intégration de données hétérogènes et la recherche de motifs dans des données textuelles.

Le projet ai_paper_code est un outil d'aide à la rédaction de documents académiques. Il permet de générer des citations et bibliographies à partir de différents styles, et d'analyser la structure de papiers de recherche pour en extraire les éléments clés.

Le projet alviscorpus est un outil de récolte et d'annotation de corpus de textes. Il permet de collecter des données textuelles à partir de différentes sources, de les analyser et de les annoter manuellement ou automatiquement. Cet outil est utilisé dans le domaine de la recherche en linguistique, de l'analyse de sentiments et de l'intelligence artificielle.

Le projet DRS2AMR est un outil permettant de convertir des données de dossiers médicaux au format FHIR, d'automatiser le traitement de ces données et d'extraire des données structurées à partir de documents PDF médicaux. Il s'agit d'un dépôt de code source conçu pour faciliter le développement et l'intégration de fonctionnalités liées à la gestion et l'analyse de données médicales.

Programme simple de test d'extraction et d'analyse de données sur différents outils, avec capacités de traitement de texte et de JSON, ainsi que de comparaison de résultats.

Ce projet fournit un dataset construit à partir des réponses aux questions ouvertes du grand débat national et une librairie Python pour manipuler ce dataset. Il permet d'analyser, de visualiser et de comprendre les données du grand débat.

Ce projet vise à explorer et expérimenter différentes méthodes d'extraction d'entités nommées (NER) dans des documents historiques. Il s'inscrit dans le cadre d'un stage au sein de l'équipe ALMAnaCH - INRIA, dans le but d'améliorer la recherche d'informations dans des corpus de textes.

Open-Information-Extraction is a project that uses Natural Language Processing (NLP) techniques to extract structured information from unstructured text. It helps improve data analysis by providing cleaner data and automates data entry processes, saving time and reducing errors.

SIDP est un outil permettant de former des modèles d'apprentissage automatique différentiellement privés tout en préservant une haute performance/précision. Il prend actuellement en charge les modèles LSTM, CNN et Linéaire.