Annuaire des initiatives
Pertinence
Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.
- Ce projet est un système d'analyse et de traitement automatique de documents textuels, développé pour le Challenge 2 du Hackathon 2024 organisé par le PEReN et la Commission Européenne. Il permet d'extraire des informations pertinentes, de répondre à des questions en s'appuyant sur des contenus documentaires, et de générer des résumés ou des comparaisons entre documents. Les fonctionnalités incluent le traitement de données structurées et l'utilisation de modèles d'apprentissage automatique pour améliorer la pertinence des réponses.
- Ce projet permet de répondre automatiquement à des questions en analysant et en synthétisant des documents textuels. Il utilise des techniques avancées de traitement du langage naturel pour extraire et structurer les informations pertinentes, facilitant ainsi l'accès à des connaissances spécifiques contenues dans des sources documentaires.
- Ce projet propose des preuves de concept (PoCs) pour automatiser le traitement de documents textuels et PDF. Il permet d'extraire des mots-clés, de répondre à des questions en s'appuyant sur des sources documentaires, et de structurer des données pour faciliter leur analyse. Les outils développés sont conçus comme des briques modulaires pour d'autres projets, sans visée de production directe.
- Barnabé est un assistant d'analyse de documents développé par l'ANCT pour aider les utilisateurs à extraire, analyser et synthétiser des informations issues de séries de documents (PDF, Word, LibreOffice). Il utilise des modèles de langage avancés pour répondre à des questions qualitatives ou quantitatives sur des ensembles volumineux de documents, facilitant ainsi la prise de décision et l'exploitation de données textuelles complexes.
- Projet développé pour le Challenge 2 du Hackathon 2024 co-organisé par le PEReN et la Commission Européenne. Il vise à automatiser l'analyse et la recherche d'informations dans des documents réglementaires en utilisant des techniques de traitement automatique du langage et de recherche sémantique. Le système permet de transformer des contenus textuels en données indexables et de répondre à des questions spécifiques en s'appuyant sur des modèles d'intelligence artificielle.
- Projet développé pour le Challenge 2 du Hackathon 2024 organisé par le PEReN et la Commission Européenne. Il utilise des techniques de RAG (Retrieval-Augmented Generation) pour analyser des documents réglementaires et répondre à des questions spécifiques en s'appuyant sur des modèles de langage avancés. L'objectif est d'évaluer la robustesse des systèmes d'IA face à des attaques adversariales dans un contexte de régulation numérique.
- Projet développé pour le Challenge 2 du Hackathon 2024 organisé par le PEReN et la Commission Européenne. Il utilise des techniques de RAG (Retrieval-Augmented Generation) pour analyser des documents réglementaires et répondre à des questions spécifiques en s'appuyant sur des modèles de langage avancés. L'objectif est d'évaluer la robustesse des systèmes d'IA face à des attaques adversariales dans un contexte de régulation numérique.
- Outil d'analyse et de synthèse automatisée de données textuelles pour évaluer la concurrence sur un marché. Il permet d'extraire des mots-clés pertinents, de répondre à des questions spécifiques en s'appuyant sur des documents, et de générer des synthèses structurées. Utilisé pour faciliter la prise de décision stratégique dans un contexte concurrentiel.
- Ce projet développé pour le Hackathon 2024 du PEReN et de la Commission Européenne vise à automatiser l'analyse de documents réglementaires européens. Il permet d'extraire des informations clés, de répondre à des questions spécifiques sur des textes juridiques, et de comparer des contenus pour identifier des similarités sémantiques. L'objectif est d'aider les régulateurs à traiter efficacement des volumes importants de textes légaux.
- Ce projet expérimente l'utilisation de modèles de langage (LLM) pour analyser des fiches techniques sur les séismes produites par l'IRSN. Il teste la capacité des LLM à répondre à des questions et à extraire des données structurées (format JSON) à partir de ces documents. L'approche repose sur un système de RAG (Retrieval Augmented Generation) combinant un framework open source et un modèle de langage pour améliorer la précision des réponses.
11 initiatives
10