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.

Pipeline d'orchestration pour automatiser la codification des produits de l'enquête Budget de Famille (BDF) selon la nomenclature COICOP. Le projet intègre des méthodes de classification avancées (regex, LCS, RAG, LLM) et génère des rapports détaillés pour analyser les dépenses des ménages. Il permet également d'évaluer la performance des modèles et de produire des livrables exploitables pour les études économiques.

Ce projet automatise la classification des produits selon la nomenclature COICOP en utilisant un pipeline RAG (Retrieval-Augmented Generation). Il traite des données économiques brutes pour produire des annotations normalisées, améliorant ainsi la précision des classifications. Le système intègre des modèles d'IA avancés pour l'encodage vectoriel et la génération de résultats, tout en assurant une traçabilité complète des métriques via MLflow. Les données sont centralisées et structurées pour faciliter l'analyse sectorielle.