Ce projet vise à structurer et analyser des corpus de textes latins traduits en français, facilitant ainsi la recherche en linguistique historique et en philologie. Il permet de centraliser des données textuelles complexes pour des études comparatives ou des analyses sémantiques approfondies, en s'appuyant sur des formats standardisés comme Parquet pour une meilleure interopérabilité et accessibilité des données.

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.

PapieRmache est un outil dédié à l'analyse avancée de données textuelles et à la génération de rapports visuels. Il permet aux utilisateurs d'explorer, structurer et visualiser des corpus linguistiques ou des ensembles de données textuelles pour en extraire des insights pertinents. Idéal pour les chercheurs, les data analysts ou les équipes marketing, il facilite la création de visualisations claires et de documents synthétiques à partir de données brutes.

Atelier collaboratif organisé par l'Université de São Paulo (Colab-USP) en partenariat avec Cortext. Il propose une formation théorique et pratique sur le traitement automatique du langage naturel, l'analyse de réseaux et la visualisation de données textuelles. Les participants apprennent à charger, structurer et analyser des données textuelles, ainsi qu'à produire des cartes et des visualisations pour interpréter les résultats.

Ce projet vise à automatiser l'extraction et la synthèse de modèles de fonctionnalités à partir de récits utilisateurs. Il utilise des techniques avancées de traitement automatique du langage et d'analyse de données pour transformer des descriptions textuelles en modèles structurés, facilitant ainsi la compréhension et la conception de systèmes logiciels.

PLIBS_9 est une bibliothèque logicielle dédiée à l'analyse syntaxique et à la manipulation de fichiers structurés. Elle permet de parser des données textuelles selon des règles prédéfinies, de simuler un langage spécifique (Shadok) et de gérer des flux de conversion ou d'extraction d'informations. Utilisée principalement pour des tests automatisés ou des transformations de données, elle offre des outils pour initialiser, charger et analyser des fichiers sources.

Ce projet permet de stocker, indexer et rechercher efficacement de grandes quantités de données textuelles ou semi-structurées. Il facilite l'analyse de documents, la gestion de logs et la centralisation d'informations pour des applications variées. Utilisé pour des moteurs de recherche, des systèmes de monitoring ou des bases de données documentaires, il optimise les requêtes et améliore l'accès aux données.

Plateforme open source dédiée à l'analyse avancée de données textuelles et à la modélisation de processus complexes. Elle permet aux utilisateurs d'extraire, structurer et analyser des informations à partir de corpus textuels, tout en offrant des outils pour concevoir et exécuter des workflows automatisés. Utilisée dans des contextes académiques et industriels pour le traitement du langage naturel et l'intelligence artificielle.

Skolar est une plateforme dédiée à l'analyse et au traitement automatisé de données textuelles. Elle permet d'extraire, structurer et classifier des informations issues de documents variés pour faciliter leur exploitation. Utilisée dans des contextes académiques, éditoriaux ou professionnels, elle optimise la gestion de contenus textuels massifs grâce à des algorithmes avancés de traitement du langage naturel.

Ce projet permet d'extraire, analyser et structurer des données textuelles issues de documents ou de conversations. Il facilite la création de chatbots capables de répondre automatiquement à des requêtes en langage naturel, optimisant ainsi l'interaction avec les utilisateurs. Les entreprises l'utilisent pour automatiser des processus de support client, analyser des retours clients ou générer des insights à partir de grandes quantités de texte.