Ce projet permet de surveiller et détecter les problèmes dans les systèmes informatiques, en particulier dans les clusters Kubernetes. Il utilise des chartes Helm pour faciliter le déploiement et la configuration des composants nécessaires à la détection des anomalies et des pannes. Les données collectées sont ensuite analysées pour fournir des diagnostics précis et des recommandations d'actions correctives.

HazardNet est un framework de prédiction des risques thermiques pour les datacenters. Il s'appuie sur une méthodologie de définition des anomalies thermiques et propose un pipeline complet de modèles de deep learning pour la détection et la prévision des anomalies. Les données sont collectées via une infrastructure de surveillance de datacenter sophistiquée et analysées pour prédire les risques thermiques potentiels dans les datacenters, évitant ainsi d'éventuels dommages aux équipements et interruptions de service.

Le projet dataqual a pour but d'assurer la qualité des données entrantes dans le système d'information de l'entreprise. Il détecte les anomalies et les erreurs dans les données, et les corrige en fonction de règles prédéfinies. Ce projet permet d'améliorer la fiabilité des données de l'entreprise, ce qui facilite la prise de décision et améliore la performance globale de l'entreprise.

Moana est une application de surveillance maritime et de gestion des mouvements de navires. Elle permet de suivre les navires, leurs mouvements et les listes de personnes associées, tout en détectant d'éventuelles anomalies dans les données.

Ce projet permet l'analyse et la prévision de séries chronologiques, ainsi que la détection d'anomalies dans les données. Il offre une interface pour importer et visualiser les données, et fournit des outils d'analyse avancés pour aider à la prise de décision.

Le projet quality-analyzer est une application conçue pour l'analyse de données géospatiales, en particulier pour la détection d'anomalies dans les données. Il s'intègre avec Elasticsearch pour la recherche et l'indexation, offrant ainsi une solution robuste et efficace pour le traitement et l'analyse de données géospatiales.

Le projet BrainCov vise à fournir une plateforme d'analyse et de visualisation de données cérébrales, permettant aux professionnels de la santé de détecter des schémas et des anomalies dans les données, ainsi que de suivre la progression et l'état des patients. Il offre des fonctionnalités avancées d'analyse et de visualisation, ainsi qu'une interface intuitive pour faciliter la compréhension des données.

Ce projet porte sur l'apprentissage de méthodes profondes pour le traitement de données à haute dimension, telles que les signaux ou les images. Il couvre des sujets tels que les réseaux de neurones, les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les méthodes de décomposition fonctionnelle, la détection d'anomalies pour les données fonctionnelles et l'apprentissage profond non supervisé.

Ce projet vise à déployer et à superviser une pile de surveillance de réseau TPG sur les infrastructures G5K et FIT IoT LAB. Il permet de collecter des données de performance, d'analyser les résultats et de détecter les anomalies dans le but d'optimiser le fonctionnement du réseau.

Le projet soccrates-cortex-analyzers est dédié à l'analyse de données pour améliorer la prise de décision et la surveillance de la réputation en ligne. Il permet la détection d'anomalies dans les données et offre des fonctionnalités avancées d'analyse.