Outil open source développé pour la fonction publique française afin d'estimer précisément les ressources GPU nécessaires au déploiement à grande échelle de modèles de langage (LLM). Il permet aux administrations de dimensionner leur infrastructure IA en fonction du nombre d'utilisateurs, des performances attendues et des contraintes techniques, avec une marge d'erreur inférieure à 10% pour des modèles allant de 8 à 27 milliards de paramètres. L'outil facilite la comparaison entre solutions commerciales et auto-hébergées tout en garantissant une approche reproductible et transparente.

Ce projet propose un tutoriel pratique pour implémenter la simulation de la réaction chimique de Gray-Scott en utilisant le framework SYCL. Il guide les utilisateurs dans la création d'un programme parallèle capable de modéliser l'évolution de deux substances chimiques sur une grille 2D, en exploitant les capacités de calcul des GPU ou des accélérateurs matériels. Le projet inclut des exemples concrets, des comparaisons de performances et des bonnes pratiques pour optimiser les transferts de données entre hôte et périphérique.

GraFlag est un framework open source conçu pour orchestrer des expériences de détection d'anomalies dans les graphes (GAD). Il permet de déployer, exécuter et évaluer des méthodes d'apprentissage automatique sur des clusters Docker Swarm, en utilisant un stockage partagé pour les données et les résultats. L'outil facilite la comparaison de performances entre différentes approches et assure la reproductibilité des expériences.

P4a est un projet d'analyse et de comparaison des performances entre différentes structures de données en C# (listes classiques, listes chaînées et listes de hachage). Il permet d'évaluer leur efficacité lors d'opérations comme la recherche d'éléments ou la copie de données, en mesurant les temps d'exécution et la consommation mémoire. Les résultats sont utilisés pour valider ou infirmer des hypothèses sur leur complexité algorithmique.

Ce projet permet de comparer les performances de différentes implémentations de l'algorithme PageRank, utilisé par les moteurs de recherche pour classer les pages web. Il offre une analyse détaillée des temps d'exécution, de la précision des résultats et de l'efficacité des ressources pour chaque variante testée. Les utilisateurs peuvent ainsi identifier les solutions les plus adaptées à leurs besoins en matière de classement de pages.

Ce projet permet de comparer les performances de différents algorithmes de PageRank ou de classement de pages web. Il offre une analyse détaillée des résultats obtenus par chaque méthode, facilitant ainsi le choix des meilleures stratégies pour optimiser le référencement naturel. Les utilisateurs peuvent visualiser les différences de classement et identifier les approches les plus efficaces pour leurs besoins spécifiques.