Projet de transformation et modélisation de données dédié à Document-IA. Il structure les données brutes issues de différentes sources (organisation, événements) en modèles analytiques cohérents. Les données sont organisées en couches (staging, core, analytics) pour faciliter leur exploitation. Le projet permet de suivre les exécutions de workflows et d'agréger des métriques journalières pour une analyse approfondie.

CorTexT Topic Modeling est un outil d'analyse textuelle qui permet d'identifier et de représenter les thèmes principaux au sein d'un ensemble de documents. En utilisant des modèles statistiques comme LDA, il transforme des données textuelles brutes en sujets cohérents, facilitant ainsi l'exploration et la compréhension de grands corpus. Ce service est particulièrement utile pour les chercheurs, les documentalistes ou les professionnels souhaitant structurer et analyser des contenus documentaires de manière automatisée.

Ce dépôt contient des informations utiles pour les participants au défi n°2 'Jean Zay' de l'hackathon 'Digital Services (h)Acked', organisé par PEReN et la Commission européenne. Il s'agit de développer un outil utilisant des modèles de langage open source pour fournir des réponses substantiées à des questions relatives aux données de plateforme, en particulier celles mises à disposition via des API.

Spécification du modèle de données pour les délibérations adoptées par une collectivité locale, visant à améliorer la transparence des décisions publiques, standardiser la documentation et automatiser la production de jeux de données, accessible à toutes les collectivités grâce à une démarche inclusive.

Outil d'intelligence artificielle conçu pour pseudonymiser automatiquement des documents textuels contenant des données personnelles, notamment des décisions de justice administrative. Il permet aux organismes publics de publier des documents en open data tout en respectant le RGPD. Basé sur des modèles de traitement du langage naturel (NLP), il identifie et remplace les éléments identifiants (noms, adresses, etc.) par des alias, garantissant ainsi la protection des données sensibles.

Le projet sas-data-model est une bibliothèque permettant de modéliser des données pour la science des données. Il permet de générer des schémas de données à partir de fichiers YAML, de générer la documentation associée et de générer une API permettant de manipuler ces données.

Ce projet fournit un modèle de dépôt pour créer et partager des schémas de données tabulaires conformes à la spécification Table Schema. Il facilite la validation des fichiers CSV ou autres formats structurés, garantissant leur conformité aux normes définies. Destiné aux producteurs de données, il permet de documenter, publier et réutiliser des schémas de manière collaborative et ouverte.

Ce projet est une plateforme de test et d'exploration dédiée à l'API Albert, une intelligence artificielle souveraine française développée par Etalab. Il propose des implémentations en Python et TypeScript ainsi que des exemples concrets pour faciliter l'intégration des développeurs. L'outil permet de manipuler des modèles d'IA, de générer des embeddings, de transcrire des audios, d'analyser des documents et de gérer des collections de données. Il sert de passerelle pour découvrir et utiliser les capacités de l'API Albert dans un environnement sécurisé et contrôlé.

Le dépôt alvis-guidelines fournit des documents pour comprendre et utiliser AlvisNLP, un moteur d'inférence basé sur des règles et des faits. Il décrit l'architecture du moteur, le modèle de données, la manière d'intégrer de nouveaux modules et de définir des plans pour l'exécution.

Ce projet fournit un modèle de départ pour créer des dépôts de données structurés selon la spécification Data Package. Il facilite la création, la validation et la documentation de jeux de données publics ou privés en suivant des standards ouverts. Le modèle inclut des fichiers de configuration, des exemples de tables et des outils d'intégration continue pour garantir la qualité et la conformité des données.