Ce projet vise à générer des données synthétiques à l'aide de modèles de langage (LLM) pour tester et évaluer des modèles d'intelligence artificielle. Il permet d'identifier des biais potentiels dans les algorithmes en créant des jeux de données artificiels variés et contrôlés, facilitant ainsi l'analyse des performances et des limites des modèles avant leur déploiement en conditions réelles.

Outil permettant de générer des graphes synthétiques pour des bases de données NoSQL, notamment Neo4j. Il facilite la création de jeux de données réalistes ou aléatoires pour tester, développer ou analyser des modèles de données orientés graphe. Idéal pour les développeurs, data scientists ou équipes techniques travaillant avec des bases de données graphes.

Ce projet génère des jeux de données synthétiques à partir de données juridiques réelles. Il utilise des méthodes avancées comme CTGAN et Synthpop pour créer des ensembles de données réalistes. Ces données sont destinées à être utilisées pour l'entraînement et l'évaluation de modèles d'intelligence artificielle, notamment dans le domaine juridique.

Projet dédié à l'archivage et à l'analyse de données scientifiques issues de télescopes, notamment pour le projet CTA (Cherenkov Telescope Array). Il permet d'extraire, structurer et visualiser des métadonnées issues de fichiers HDF5, générer des jeux de données synthétiques pour des tests, et collecter les résultats sous forme de fichiers CSV ou de visualisations interactives. Utilisé principalement dans le domaine de l'astrophysique pour faciliter la recherche et l'analyse des données.

Projet dédié à la modélisation et à la simulation de données biophysiques pour l'agriculture et l'environnement. Il permet d'entraîner des modèles de machine learning (PROSAIL-VAE ou régression supervisée) pour analyser des images satellites et valider les résultats avec des données terrain. Le projet inclut également des outils pour générer des jeux de données synthétiques et évaluer les performances des modèles.

Ce projet permet de générer des jeux de données synthétiques pour des hackathons ou des projets de data science. Il automatise la collecte et la transformation de données (comme les adresses postales) pour fournir des ensembles de données réalistes et exploitables. Idéal pour tester des algorithmes ou des pipelines de données sans utiliser de données sensibles.