Projet pédagogique destiné à l'apprentissage des technologies web et mobiles. Il permet aux étudiants de manipuler des requêtes HTTP, de charger et afficher des images depuis des URLs distantes, et de traiter des données au format JSON via des services web REST. L'objectif est de comprendre les mécanismes de communication client-serveur et la gestion asynchrone des données.

Bibliothèque ou service dédié à la manipulation et transformation de données via des fonctions d'ordre supérieur. Permet de composer des opérations complexes de manière déclarative et réutilisable. Facilite la gestion de flux de données asynchrones ou paresseux tout en optimisant les performances. Utilisé principalement par des développeurs pour structurer des traitements de données évolutifs et maintenables.

Le projet pkd-demo est une démonstration de l'utilisation de divers outils et frameworks pour la gestion de tâches asynchrones, le traitement de données scientifiques et la génération de rapports mathématiques complexes.

Document IA est une plateforme backend dédiée au traitement automatisé de documents. Elle permet aux utilisateurs d'uploader des fichiers, de les stocker dans un espace sécurisé, et d'en extraire des données structurées grâce à des modèles d'intelligence artificielle. Les workflows de traitement sont orchestrés de manière asynchrone, avec suivi des étapes et gestion des erreurs en temps réel. Idéal pour les entreprises ayant besoin de digitaliser et d'analyser des documents variés.

Module distant de l'Orfeo ToolBox (OTB) conçu pour optimiser les performances des pipelines de traitement d'images géospatiales. Il permet de précharger de manière asynchrone les données d'entrée nécessaires, réduisant ainsi les temps d'attente inutiles entre les étapes de calcul. Idéal pour les applications d'intelligence artificielle ou de traitement d'images à grande échelle, il améliore l'efficacité des flux de travail en minimisant les latences liées à la récupération des données.

Ce projet propose trois prototypes illustrant différents niveaux de reproductibilité pour une expérience basée sur le traitement de données numériques. À partir d'un jeu de données en entrée, il génère des données intermédiaires et produit des graphiques statistiques (boîtes à moustaches). Les prototypes varient par leur approche : utilisation de petites données statiques, production de données synchrones ou asynchrones via des mécanismes de bufferisation, et automatisation via la containerisation.

Bibliothèque Java dédiée à la simulation et à la modélisation de systèmes complexes, notamment les systèmes multi-agents et les environnements dynamiques. Elle permet de créer des modèles de comportements collectifs, d'analyser des cycles de traitement et de visualiser des données en temps réel. Utilisée dans des contextes académiques et de recherche pour étudier des phénomènes comme les fourmis, les philosophes ou les cyclages asynchrones.

Outil de planification et d'exécution de tâches pour le projet Software Heritage. Il permet de gérer des activités asynchrones ou différées, qu'elles soient récurrentes (comme l'indexation de dépôts de code) ou ponctuelles (comme le chargement d'une version spécifique d'un paquet source). Il optimise l'automatisation des processus de sauvegarde et de traitement des données.

EDNA2 est un framework open source conçu pour automatiser et simplifier le traitement de données scientifiques, notamment dans le domaine de la cristallographie et de la diffraction des rayons X. Il permet de gérer des workflows complexes de manière asynchrone, en s'appuyant sur une structure de données légère et des tâches configurables. Le projet vise à moderniser l'outil EDNA en adoptant des standards actuels comme JSON et Python 3, tout en conservant son esprit initial pour la recherche académique et industrielle.

Melissa est un cadre évitant les fichiers, tolérant aux pannes et élastique pour effectuer une analyse de sensibilité à grande échelle sur des supercalculateurs. Il traite les données en ligne, évitant ainsi le stockage intermédiaire de fichiers et permettant des études à grande échelle avec des millions de simulations parallèles. Melissa est construit autour de deux concepts clés : les algorithmes statistiques itératifs et le modèle asynchrone client/serveur pour le transfert de données.