Ce projet est un dépôt dédié à l'étude de modèles multimodaux pour la classification zeroshot. Il permet d'utiliser de manière simple différents modèles multimodaux et d'en ajouter facilement de nouveaux. Le module offre également la possibilité d'évaluer ces modèles sur des jeux de données multimodaux en s'appuyant sur plusieurs métriques.

Bibliothèque open source dédiée à l'estimation de l'incertitude et à la détection de données hors distribution (OoD) pour les modèles d'intelligence artificielle. Elle permet d'évaluer et de déployer des méthodes d'incertitude pour des tâches de vision par ordinateur (classification d'images, détection d'objets, segmentation sémantique) et de traitement automatique des langues (détection d'hallucinations dans les grands modèles de langage).

LaREx est une solution innovante conçue pour détecter les décalages de distribution dans les données d'entrée des modèles d'intelligence artificielle, notamment ceux utilisés en vision par ordinateur. Elle permet d'évaluer la fiabilité des systèmes de classification d'images, de détection d'objets et de segmentation sémantique en identifiant les écarts entre les données d'entraînement et les nouvelles données. Développée par des chercheurs soutenus par des programmes publics français, cette méthode offre une approche légère et efficace pour renforcer la sécurité des applications critiques.

Le projet LimeOut vise à aborder la justesse des processus pour les modèles d'apprentissage automatique. L'idée clé est d'utiliser une méthode d'explication, à savoir LIME, pour évaluer si un classificateur donné était équitable en mesurant sa dépendance à l'égard des fonctionnalités salientes ou sensibles. Cela est ensuite intégré dans un workflow centré sur l'homme appelé LimeOut, qui reçoit en entrée un triplet (M,D,F) d'un classificateur M, un jeu de données D et un ensemble F de fonctionnalités sensibles, et produit un classificateur Mfinal moins dépendant des fonctionnalités sensibles sans compromettre l'exactitude.

SCE est un framework dédié à l'apprentissage auto-supervisé pour les modèles de vision par ordinateur. Il permet d'entraîner des réseaux de neurones profonds sans nécessiter de données étiquetées, en utilisant des techniques de contraste pour améliorer la qualité des représentations apprises. Le projet propose des méthodes pour évaluer et comparer les performances des modèles sur diverses tâches de classification et de détection d'objets.

Ce projet permet d'évaluer et comparer des modèles multimodaux (texte/image) pour des tâches de classification zero-shot. Il facilite l'intégration de nouveaux modèles et l'analyse de leurs performances sur des jeux de données standardisés comme COCO. Les utilisateurs peuvent mesurer l'efficacité de modèles comme CLIP, OTTER ou FROMAGe à l'aide de métriques variées (précision, rappel, F1-score).

Pipeline d'orchestration pour automatiser la codification des produits de l'enquête Budget de Famille (BDF) selon la nomenclature COICOP. Le projet intègre des méthodes de classification avancées (regex, LCS, RAG, LLM) et génère des rapports détaillés pour analyser les dépenses des ménages. Il permet également d'évaluer la performance des modèles et de produire des livrables exploitables pour les études économiques.

Ce projet vise à évaluer des modèles probabilistes pour la recherche de similarité progressive et la classification de données temporelles avec garanties de qualité. Il fournit des logs CSV décrivant l'évolution des algorithmes iSAX2+ et DSTree, ainsi que des scripts R pour l'évaluation et la génération de graphiques.

Projet de recherche en traitement automatique du langage naturel (TALN) utilisant des modèles comme FlauBERT et FastText pour analyser des textes en français. Il génère des vecteurs sémantiques, compare des modèles de langage, évalue leur précision et visualise les résultats via des heatmaps et dendrogrammes. Les cas d'usage incluent l'analyse de sentiments, la classification de textes et l'étude des similarités lexicales.

Outil dédié à l'analyse et à la classification de données via des modèles mathématiques. Il permet de lire des jeux de données, d'appliquer des méthodes de pénalisation pour optimiser les paramètres, et de réaliser des validations croisées pour évaluer la performance des modèles. Les résultats sont formalisés et structurés pour une analyse approfondie des caractéristiques des données.