Ce projet propose une implémentation Python d'algorithmes pour générer des explications abductives et contrastives des règles de scoring dans les systèmes de vote. Il s'appuie sur des travaux de recherche présentés à la conférence ECAI-24 et permet d'analyser les décisions électorales à travers des modèles mathématiques avancés. Les outils développés facilitent la compréhension des mécanismes de vote et la validation de nouvelles approches algorithmiques.

DeltaVinaXGB est un outil basé sur l'apprentissage automatique conçu pour évaluer et prédire les scores de liaison entre des protéines et des ligands. Il combine des méthodes de scoring traditionnelles avec des modèles de machine learning pour améliorer la précision des prédictions. Le projet permet également d'optimiser les conformations des ligands et d'analyser leur stabilité dans différents environnements, notamment en présence d'eau.

S-GCN est un outil spécialisé dans l'analyse et l'évaluation de structures protéiques en 3D modélisées sous forme de graphes moléculaires. Il permet de prédire des scores de qualité pour des modèles de protéines générés par des algorithmes ou des participants à des défis comme CASP. Le projet facilite la comparaison entre modèles et structures réelles, aidant ainsi les chercheurs en biologie structurale à identifier les conformations les plus proches de la réalité.

Module spécialisé dans le calcul du score CRPS (Continuous Ranked Probability Score) entre deux ensembles de données météorologiques. Utilisé comme dépendance du projet snowtools, il permet d'évaluer la performance de modèles de prévision en comparant des ensembles de simulations. Le code est distribué sous licence libre CeCILL-C et s'intègre dans des workflows d'analyse météorologique.

S-GCN est un outil d'intelligence artificielle conçu pour évaluer et prédire la qualité de modèles 3D de protéines. Il utilise des réseaux de convolution graphiques sphériques pour analyser les structures moléculaires et générer des scores de qualité locaux et globaux. Basé sur des données issues de défis comme CASP, il aide les chercheurs en biologie structurale à identifier les modèles les plus fiables et à améliorer la précision des prédictions.

Outil algorithmique conçu pour calculer le score de comorbidité d'Elixhauser à partir des données PMSI MCO du SNDS. Il identifie 31 catégories de comorbidités via des codes CIM-10, applique des pondérations spécifiques (brut, AHRQ, van Walraven) et génère des classes de risque (faible à très élevé). Destiné aux professionnels de santé et chercheurs, il facilite les analyses épidémiologiques, les études médico-économiques et les modèles prédictifs, notamment pour la mortalité hospitalière.

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).

Outil dédié à l'évaluation de la qualité des modèles protéiques en utilisant une fonction de score basée sur des caractéristiques géométriques des atomes lourds du squelette protéique. Permet une analyse rapide et compétitive des structures protéiques sans nécessiter de chaînes latérales modélisées, tout en offrant la possibilité de former des modèles personnalisés.

EvalTools est une bibliothèque Python dédiée à l'évaluation des modèles de prédiction de la composition de l'atmosphère. Elle permet de comparer des observations in-situ avec des simulations issues de services comme le Copernicus Atmosphere Monitoring Service (CAMS). L'outil facilite le calcul et la visualisation de scores pour analyser la performance des modèles, notamment en qualité de l'air, sans gérer de données verticales. Il est utilisé par des organismes publics et scientifiques pour valider des prévisions environnementales.

Ce projet développe une méthode pour classer les modèles d'IA conversationnelle utilisés dans le comparateur public compar:IA. Il calcule des scores de performance basés sur les réactions et votes des utilisateurs, tout en estimant leur consommation énergétique. Une interface graphique permet de visualiser l'évolution des matchs entre modèles et d'analyser les résultats selon différents critères, incluant une pondération écologique.