Ce projet se concentre sur le développement de méthodes avancées pour l'apprentissage de représentations et la classification automatique de données. Il vise à améliorer la précision et l'efficacité des modèles d'intelligence artificielle dans divers domaines comme la vision par ordinateur, le traitement du langage naturel ou l'analyse de données.

Ce projet développe des modèles d'intelligence artificielle pour classifier des IRM cérébrales en distinguant des états comateux et non-comateux. Il compare les performances de plusieurs architectures de réseaux de neurones profonds (comme LeNet17) et applique des techniques de transfert d'apprentissage pour améliorer la précision des diagnostics. Les résultats sont utilisés pour soutenir la recherche médicale et l'analyse automatisée d'images médicales.

Ce projet développe un modèle amélioré par des caractéristiques pour la classification des relations discursives dans plusieurs langues. Il s'appuie sur des données issues de tâches partagées en linguistique computationnelle pour analyser et catégoriser les liens entre les unités de discours. L'objectif est d'améliorer la compréhension automatique des textes en identifiant les relations sémantiques et structurelles, notamment dans des contextes multilingues.

Ce projet développe un modèle de classification des formes cliniques de sclérose en plaques à partir d'images d'IRM T1w. Il utilise des réseaux de neurones convolutifs graphiques pour analyser la connectivité morphologique cérébrale. Les données extraites d'atlas cérébraux sont exploitées pour améliorer la précision diagnostique et soutenir la recherche médicale dans le domaine des maladies neurodégénératives.

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.

Protocole automatisé conçu pour améliorer la robustesse des méthodes de stéganographie en générant des images adverses. Il entraîne des classificateurs (XuNet, SRNet, EfficientNet) pour détecter les images stéganographiques, puis optimise des coûts de modification afin de créer des images stéganographiques difficiles à détecter. Le processus itératif affine progressivement les modèles et les images générées pour tester et renforcer les capacités de détection.

Projet dédié à l'apprentissage automatique pour calculer des distances relationnelles entre données. Il permet d'optimiser des métriques afin d'améliorer la précision des modèles de classification ou de regroupement. Utilisé dans des contextes nécessitant une analyse fine de similarités entre objets ou entités.

Ce projet fournit le code nécessaire pour configurer Label Studio, facilitant l'obtention de données étiquetées pour des informations commerciales et la surveillance des modèles, spécifiquement pour la classification NACE (NACE rev 2/rev 2.1). En utilisant ce projet, vous pouvez améliorer la qualité des procédures de classification des activités et l'évaluation des performances des modèles grâce à un étiquetage et une annotation rapides.

Service de classification de textes utilisant le machine learning pour analyser et catégoriser les offres d'emploi en trois types : CFA, entreprise ou entreprise-CFA. Il permet d'identifier rapidement la nature des offres et d'améliorer la visibilité des formations professionnelles et des opportunités d'emploi. Le système s'appuie sur des modèles de langage avancés pour une analyse précise et évolutive.

Ce projet automatise la classification des produits selon la nomenclature COICOP en utilisant un pipeline RAG (Retrieval-Augmented Generation). Il traite des données économiques brutes pour produire des annotations normalisées, améliorant ainsi la précision des classifications. Le système intègre des modèles d'IA avancés pour l'encodage vectoriel et la génération de résultats, tout en assurant une traçabilité complète des métriques via MLflow. Les données sont centralisées et structurées pour faciliter l'analyse sectorielle.