Agora-NLP est un projet d'analyse sémantique de données textuelles. Il permet d'extraire des insights à partir de vastes corpus de données, de classer des documents, de détecter des entités nommées et de comprendre les sentiments exprimés dans les textes.

Ce projet consiste en l'analyse de données Twitter relatives au COVID-19. Il permet de collecter, manipuler et analyser des tweets en plusieurs langues, de les filtrer pour ne garder que ceux en français, et d'appliquer une détection de sentiments. Il inclut également une analyse de réseaux et des visualisations.

Ce projet fournit une image Docker pour exécuter Flair, un framework de traitement du langage naturel (NLP) open-source, avec une intégration facile à SpaCy. Il permet une analyse de sentiments avancée, une détection d'entités nommées et une extraction de faits pour les données non structurées, en particulier dans le contexte des réseaux sociaux.

LMI Sentinela est un projet dédié à la surveillance et à la sécurité des réseaux informatiques. Il permet la détection d'anomalies, la gestion d'alertes et l'analyse de logs en temps réel, offrant ainsi une visibilité accrue sur les activités réseau et une capacité de réaction rapide en cas d'incident.

S1Tiling est un outil développé par le CNES et CESBIO pour générer des séries temporelles d'images SAR Sentinel-1 ortho-rectifiées et calibrées sur la grille Sentinel-2. Il bénéficie de l'Orfeo Tool Box pour l'ortho-rectification SAR et peut être utilisé sur différentes plateformes, des grands clusters de calcul aux ordinateurs portables. Il est actuellement utilisé pour la détection de la déforestation en Amazonie, le suivi des cultures de riz en Asie du Sud-Est et le suivi des stocks d'eau en Inde.

Ce projet fournit des outils pour la détection d'événements sur Twitter, en utilisant des algorithmes d'apprentissage automatique et de traitement de données textuelles. Il permet de représenter des phrases en vecteurs grâce à différentes méthodes, telles que Word2Vec, ELMo, BERT, et Universal Sentence Encoder.

Ce projet implémente un algorithme de détection de l'étendue de la couverture neigeuse (LIS) pour les données Landsat-8 et SPOT4-Take5, ainsi qu'un calcul de la fraction de couverture neigeuse (FSC) pour les données Sentinel-2. Il permet également la génération de synthèses temporelles basées sur des séries temporelles de produits neigeux (couverture neigeuse et/ou FSC).