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.

Outil d'analyse et de classification automatique de documents ou d'entrées de données selon les Objectifs de Développement Durable (ODD) et les Technologies Clés Enablantes (TCE). Il permet de structurer des données brutes en catégories pertinentes pour la recherche, l'innovation ou les politiques publiques. Le projet génère des sorties exploitables pour des tableaux de bord ou des analyses approfondies, facilitant ainsi la prise de décision basée sur des données classifiées.

Le projet text-classification est un outil d'analyse et de traitement automatique de texte. Il permet de classer, catégoriser et analyser le contenu de données textuelles, offrant ainsi des informations précieuses pour la prise de décision et l'automatisation des processus.

Projet dédié à l'analyse et à la classification automatique de documents textuels. Il permet d'extraire des entités nommées, de catégoriser des contenus et d'identifier des thèmes principaux. Utilisé pour automatiser le traitement de grandes quantités de texte, il facilite la recherche d'informations et l'organisation de données non structurées.

Ce projet vise à développer des modèles d'apprentissage par transfert pour classifier automatiquement les didascalies dans les textes de théâtre français. Il s'appuie sur des expérimentations menées dans le cadre d'une publication scientifique pour analyser et catégoriser les indications scéniques, facilitant ainsi l'étude des œuvres dramatiques par des méthodes computationnelles.

Ce projet est un classificateur automatique de données textuelles basé sur des modèles de langage (LLMs). Il permet de catégoriser et d'analyser le sens de texte brut pour faciliter le tri et le traitement de grandes quantités de données.

Module basé sur l'IA pour classifier automatiquement des documents selon la nomenclature NACE. Utilise des embeddings, le RAG et une coopération multi-agents pour fournir un contexte enrichi et des résultats plus précis. Permet d'automatiser des tâches de classification et d'analyse de données textuelles dans un cadre professionnel.

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 vise à expérimenter le codage automatique de la NACE rev 2.1 basé sur les descriptions d'activités du registre Sirene. Il contient tous les composants nécessaires pour former un modèle de classification basé sur Fasttext, offrant une solution pratique et simple pour la compréhension automatisée des activités de sociétés.

Le projet LimeOut vise à aborder la justesse des processus pour les modèles d'apprentissage automatique. L'idée clé est d'utiliser une méthode d'explication, à savoir LIME, pour évaluer si un classificateur donné était équitable en mesurant sa dépendance à l'égard des fonctionnalités salientes ou sensibles. Cela est ensuite intégré dans un workflow centré sur l'homme appelé LimeOut, qui reçoit en entrée un triplet (M,D,F) d'un classificateur M, un jeu de données D et un ensemble F de fonctionnalités sensibles, et produit un classificateur Mfinal moins dépendant des fonctionnalités sensibles sans compromettre l'exactitude.