Ce projet développe des outils algorithmiques pour analyser et optimiser des politiques de cache dans les systèmes informatiques. Il permet de modéliser des flux de données complexes, d'évaluer des politiques de gestion mémoire et de simplifier des expressions booléennes pour améliorer les performances des systèmes. Les solutions proposées sont principalement destinées aux développeurs et chercheurs en informatique.

Ce projet vise à dresser un état de l'art sur la sélection de variables dans le cadre de l'apprentissage automatique et du data mining, en se concentrant sur les approches supervisée, semi-supervisée et non-supervisée, ainsi que sur le traitement des données multi-labels avec étiquetage incertain. L'objectif est d'améliorer la performance des algorithmes d'apprentissage en nettoyant l'espace de description des données.

Projet dédié à la création et à l'optimisation d'algorithmes de hachage parfait. Ces algorithmes permettent de mapper des clés vers des valeurs de manière unique et efficace, réduisant les collisions et améliorant les performances des structures de données. Utilisé principalement dans les systèmes nécessitant des accès rapides et fiables aux données.

Outil spécialisé dans l'analyse précise des caches LRU (Least Recently Used) pour optimiser les performances des systèmes embarqués ou des applications critiques. Il permet de détecter des anomalies dans la gestion mémoire, d'identifier des fuites potentielles et d'améliorer l'efficacité des algorithmes de cache. Utilisé principalement par des développeurs et des ingénieurs en optimisation logicielle.

Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner des agents autonomes capables de résoudre des tâches complexes. Il utilise des environnements de simulation pour tester et améliorer les performances des modèles, en générant des graphiques et des vidéos de démonstration. Les résultats sont analysés pour optimiser les paramètres et maximiser les récompenses cumulées.

Scribe est un projet dédié au traitement et à l'analyse de texte en français et en anglais. Il combine des modèles d'intelligence artificielle pour extraire des données pertinentes, générer des résumés ou des contenus structurés, et automatiser des tâches de rédaction. Utilisé dans des contextes professionnels ou académiques, il facilite la gestion de l'information et améliore la productivité grâce à des algorithmes performants.

Outil d'optimisation automatique des performances des serveurs vLLM (Large Language Model) pour les déploiements en production. Il automatise la recherche des meilleurs paramètres de configuration (comme les flags du serveur vLLM) en utilisant des algorithmes d'optimisation (Optuna) et des benchmarks avancés (GuideLLM). Permet d'améliorer le débit, la latence et l'efficacité énergétique des modèles de langage tout en réduisant les coûts d'inférence.

Ce projet permet de comparer les performances des langages PIG et Spark dans le cadre d'un calcul de PageRank sur des données distribuées. Il inclut des scripts pour générer des données, exécuter les algorithmes et analyser les résultats. L'objectif est d'étudier l'impact des paramètres (nombre d'itérations, nombre de machines) sur le temps d'exécution et d'identifier les optimisations possibles pour améliorer l'efficacité des traitements.

Ce projet propose un benchmark dédié à l'évaluation des performances des modèles de détection d'objets en conditions hors distribution. Il permet de mesurer la robustesse et la généralisation des algorithmes d'intelligence artificielle face à des données non conformes à leur entraînement initial. L'objectif est d'identifier les forces et faiblesses des approches actuelles pour améliorer leur fiabilité dans des scénarios réels.

Ce projet étudie la performance de la modulation QPSK dans un contexte de communication multi-utilisateurs en downlink NOMA (Non-Orthogonal Multiple Access). Il combine des dérivations analytiques, des simulations numériques et des validations expérimentales via des outils de radio logicielle. L'objectif est d'analyser l'efficacité des algorithmes de décodage SIC et d'optimiser la répartition de puissance pour améliorer la qualité de transmission dans des scénarios à deux ou trois utilisateurs.