Marker serve est une solution serveur dédiée au traitement de documents PDF. Elle permet de convertir des fichiers PDF en formats structurés comme Markdown, JSON ou HTML, facilitant ainsi l'extraction et l'analyse de contenu. Le service prend en charge l'OCR pour les documents scannés et offre des options de personnalisation comme la sélection de plages de pages ou le forçage de l'OCR. Idéal pour automatiser la gestion documentaire dans des environnements professionnels ou techniques.

Outil automatisé qui scanne les dépôts GitHub publics pour extraire et analyser les métadonnées, la documentation, les dépendances et l'historique des commits. Il génère des rapports structurés incluant des descriptions détaillées, des analyses de dépendances, des arbres de fichiers et des aperçus générés par IA pour faciliter la compréhension et la maintenance des projets open source.

Socratext est un projet développé dans le cadre du programme 10% d'Etalab, visant à automatiser l'extraction et la structuration d'informations contenues dans des documents administratifs (PDF scannés, images, tickets de caisse, etc.). Il utilise des technologies d'OCR et de traitement automatique du langage pour transformer des documents non exploitables en données structurées, facilitant ainsi leur exploitation par les administrations. Le projet est co-construit avec les administrations participantes pour répondre à leurs besoins spécifiques.

Service automatisé d'extraction et de structuration de tableaux financiers à partir de documents PDF (comptes sociaux). Utilise des technologies d'OCR neuronal et de modèles de langage pour transformer des documents scannés ou nativement numériques en données structurées exploitables. Permet une analyse rapide et fiable des données comptables pour des audits, des comparaisons ou des rapports automatisés.

Ce projet vise à étudier la structuration automatique et l'éditorialisation d'un corpus hétérogène, en prenant pour exemple les sources du conseil des prud'hommes pour le textile du XIXème siècle du projet Time Us. Il contient des exemples de documents d'archives, des scripts ScanTailor, des captures d'écran de l'interface graphique des outils utilisés dans le cadre du projet (Transkribus, eScriptorium et ShareDocs), des sets de fichiers tests pour l'annotation manuelle, des schémas ODD pour les différentes sources du projet, des scripts python pour automatiser la structuration et l'annotation des sources, des captures d'écran de la publication numérique des minutes structurées et les fichiers utilisés pour cette éditorialisation.