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.

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.

Projet développé pour la Direction Générale des Collectivités Locales (DGCL) visant à automatiser et optimiser le traitement de documents administratifs grâce à l'intelligence artificielle. Il permet l'annotation collaborative de textes, la classification automatique de documents et l'extraction d'informations structurées pour faciliter les analyses administratives et les prises de décision.

Ce projet, nommé benchds, est une collection de jeux de données utilisés pour l'analyse de données et l'apprentissage automatique. La plupart des jeux de données proviennent du dépôt UCI Machine Learning, tandis que d'autres ont été publiés par divers articles et documents de recherche. Les jeux de données sont fournis dans un format simple, avec les lignes représentant des exemples et les colonnes représentant des caractéristiques. Le dernier élément de chaque ligne est la variable cible ou l'étiquette de classification. Les valeurs des lignes sont séparées par un espace. Aucune valeur manquante n'est présente dans les jeux de données, car les lignes contenant au moins une valeur manquante ont été supprimées.

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.

FormIAble est une solution logicielle conçue pour automatiser la gestion, la classification et l'extraction de données à partir de formulaires administratifs. Elle permet de transformer des documents papier ou numériques en données structurées exploitables, facilitant ainsi leur traitement automatisé. Le projet inclut des outils pour générer des formulaires synthétiques, corriger l'orientation des documents et classer les formulaires selon leur type. Idéal pour les administrations, entreprises ou prestataires de services souhaitant optimiser leur workflow documentaire.

Le projet bso3-analyse-publications a pour objectif d'extraire et d'analyser les métadonnées de publications scientifiques au format PDF. Il utilise des techniques d'apprentissage automatique et de traitement du langage naturel pour détecter et classifier les entités nommées, extraire les métadonnées et comparer les similarités entre les documents.

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.

Skolar est une plateforme dédiée à l'analyse avancée de données textuelles, permettant aux utilisateurs d'extraire, classifier et exploiter des informations issues de documents variés. Elle facilite la recherche sémantique et automatise le traitement de larges volumes de texte pour en tirer des insights pertinents, notamment dans des contextes professionnels ou académiques.