Outil d'analyse et de comparaison de textes pour identifier les similarités entre documents ou corpus. Permet aux utilisateurs de détecter des correspondances, des plagiat ou des thèmes récurrents dans des ensembles de données textuelles. Utilisé pour des études linguistiques, des recherches académiques ou des audits de contenu.

Outil d'analyse avancée de texte utilisant des modèles de langage pour extraire des insights, classer des documents ou identifier des similarités entre contenus. Permet aux entreprises de traiter automatiquement de grandes quantités de données textuelles pour améliorer leur prise de décision ou automatiser des workflows.

AROMA est un outil d'analyse et d'alignement de données ontologiques. Il permet d'extraire des termes à partir de données textuelles, de calculer des similarités et des mesures entre entités, et de gérer des hiérarchies de classes et de propriétés. Il offre également la possibilité de spécifier des URI interdites et de personnaliser le seuil de syntaxe pour l'alignement.

KAN-ER est un cadre léger et interprétable pour la résolution d'entités dans des lacs de données. Il identifie des enregistrements référençant une même entité réelle à travers des sources de données variées. Basé sur les réseaux de Kolmogorov-Arnold, il analyse les similarités au niveau des attributs et fournit des explications sur les contributions des différents champs. Applicable aux données structurées, bruitées ou textuelles, il couvre des domaines comme la musique, la bibliographie ou le commerce en ligne.

Ce projet consiste en un outil d'analyse de données textuelles, permettant la génération de résumés automatisés, la recherche de similarités sémantiques et la classification de données. Il est basé sur des algorithmes d'apprentissage automatique et des modèles de langage avancés.

Ce projet propose une méthodologie pour comparer et analyser les représentations internes de différents modèles d'encodage (visuels, textuels et multimodaux) à l'aide d'autoencodeurs clairsemés. Il permet d'identifier les concepts partagés entre ces modèles et de quantifier leur similarité, offrant ainsi une meilleure compréhension des mécanismes d'apprentissage des modèles d'intelligence artificielle. Les résultats éclairent sur l'impact de l'entraînement multimodal et la généralisation des caractéristiques.