Ce dépôt sert à indexer les schémas du SCDL pour permettre leur documentation et leur utilisation dans Validata. Le SCDL est un dispositif d'OpenDataFrance visant à définir un ensemble de jeux de données prioritaires, normalisés et communs aux collectivités territoriales françaises. Chaque jeu de données identifié fait l'objet d'un schéma : un document décrivant la structure, les champs et les contenus attendus.

Outil conçu pour analyser et structurer les adresses postales en identifiant précisément le type de voie, le nom de la voie et les compléments d'adresse. Il permet de normaliser des libellés bruts pour faciliter leur intégration dans des bases de données géographiques ou des systèmes d'information. Utilisé principalement par des organismes publics pour améliorer la qualité des données d'adressage.

Ce projet permet de visualiser et d'analyser des données territoriales européennes (NUTS) sous forme de cartes interactives et de tableaux synthétiques. Il facilite l'accès à des informations administratives structurées comme les régions, départements ou communes, en s'appuyant sur des standards du web sémantique. Les utilisateurs peuvent explorer des jeux de données normalisés pour comprendre les dynamiques territoriales ou comparer des indicateurs régionaux.

Le projet metadata est une plateforme de gestion et de recherche de métadonnées dédiée aux projets de recherche en sciences humaines et sociales. Il permet de centraliser, d'organiser et de faciliter l'accès aux métadonnées de manière structurée et normalisée, favorisant ainsi la réutilisation, le partage et la valorisation des données de recherche.

Outil de parsing et de standardisation conçu pour transformer les documentations d'API et les rapports de transparence des plateformes en ligne en données structurées au format JSON. Il permet aux chercheurs et régulateurs d'accéder à des informations normalisées et centralisées, facilitant ainsi l'analyse des risques systémiques liés aux plateformes numériques. Le projet s'inscrit dans le cadre du Digital Services Act (DSA) pour rendre les données plus accessibles et exploitables.

Ce projet automatise la classification des produits selon la nomenclature COICOP en utilisant un pipeline RAG (Retrieval-Augmented Generation). Il traite des données économiques brutes pour produire des annotations normalisées, améliorant ainsi la précision des classifications. Le système intègre des modèles d'IA avancés pour l'encodage vectoriel et la génération de résultats, tout en assurant une traçabilité complète des métriques via MLflow. Les données sont centralisées et structurées pour faciliter l'analyse sectorielle.

Ce projet permet de centraliser, normaliser et enrichir des données issues de sources médiatiques variées. Il offre des outils pour agréger, analyser et archiver des contenus en ligne afin de faciliter leur exploitation et leur étude. Les données sont structurées dans une base de données relationnelle pour permettre des recherches et des analyses approfondies.

Le projet cda-model vise à établir des modèles de données normalisés pour les échanges de données cliniques, garantissant ainsi une représentation cohérente et fiable des informations médicales. Ce projet facilite l'interopérabilité entre les systèmes d'information de santé et améliore la qualité des soins grâce à des données structurées et standardisées.

Ce projet définit le profil France de SIRI (Service Interface for Real-time Information), un standard pour échanger des données en temps réel sur les transports publics. Il permet aux acteurs du secteur (opérateurs, autorités organisatrices) de partager des informations fiables et structurées sur les horaires, perturbations ou disponibilités. Le travail est réalisé en collaboration avec des groupes de normalisation et des contributeurs externes pour garantir une interopérabilité optimale.

Ce projet permet de transformer des données brutes (comme des fichiers CSV, JSON ou autres formats non structurés) en un format standardisé et exploitable (niveau 1). Il facilite l'intégration et l'analyse des données en les normalisant, réduisant ainsi les efforts manuels de nettoyage et de structuration. Idéal pour les équipes data ou les développeurs cherchant à automatiser des pipelines de données.