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 fournit des outils pour déployer des applications utilisant le modèle FastAPE, spécialisé dans la classification des activités économiques selon la nomenclature NACE rev2.1. Il facilite l'automatisation et la gestion des déploiements pour des solutions de classification sectorielle.

Outil de recherche dédié à l'étiquetage automatique de données via des agents IA. Il exploite une base de données vectorielle sous forme de graphe pour représenter des codes de classification et leurs relations, facilitant le raisonnement hiérarchique. Conçu pour les instituts nationaux de statistique, il permet de naviguer et d'analyser des nomenclatures complexes, en générant des pipelines modulaires pour l'automatisation des tâches de classification.

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.

Le projet SMT-CCAM_owl est une application dédiée à la gestion de la nomenclature CCAM (Classification Commune des Actes Médicaux). Il permet de créer et gérer des actions et procédures médicales, de les associer à des activités et phases, et de gérer les incompatibilités et modalités d'accès.

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.

Le projet MML-classification permet de définir des modèles de machine learning à des fins de classification, en spécifiant des jeux de données d'entrée et en configurant des algorithmes de classification. Il offre également des options de validation croisée.

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 développe un modèle de classification des formes cliniques de sclérose en plaques à partir d'images d'IRM T1w. Il utilise des réseaux de neurones convolutifs graphiques pour analyser la connectivité morphologique cérébrale. Les données extraites d'atlas cérébraux sont exploitées pour améliorer la précision diagnostique et soutenir la recherche médicale dans le domaine des maladies neurodégénératives.

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.