Ce projet permet de détecter la langue d'un texte grâce à l'apprentissage automatique. Il utilise des algorithmes avancés pour identifier la langue d'un texte donné, ce qui peut être utile dans de nombreux cas d'utilisation, tels que l'analyse de données textuelles et le traitement automatisé de langues.

La plateforme X5GON Learning Analytics Machine (LAM) est capable de traiter des collections de ressources pédagogiques ouvertes (OER) en plusieurs langues. Elle fournit des analyses sur l'utilisation des ressources pédagogiques à travers différentes langues et cultures. L'API LAM de X5GON est une API Web Flask Python REST qui offre une documentation Swagger automatiquement générée pour tester les points de terminaison directement sur une belle page Web. Les points de terminaison permettent d'accéder et de récupérer les analyses de contenu effectuées sur les OER basées sur les modèles d'apprentissage automatique implémentés et testés sur le corpus X5gon composé de différentes OER collectées par le pipeline.

Bibliothèque open source dédiée à l'estimation de l'incertitude et à la détection de données hors distribution (OoD) pour les modèles d'intelligence artificielle. Elle permet d'évaluer et de déployer des méthodes d'incertitude pour des tâches de vision par ordinateur (classification d'images, détection d'objets, segmentation sémantique) et de traitement automatique des langues (détection d'hallucinations dans les grands modèles de langage).

NIVO est un projet open source dédié à l'analyse sémantique et à la gestion de données textuelles. Il permet aux équipes de collaborer sur des contenus enrichis, d'automatiser des processus de test et de déploiement, et d'intégrer des outils pour faciliter le travail collaboratif. Le projet s'inscrit dans un cadre académique et vise à faciliter la recherche en linguistique computationnelle et en traitement automatique des langues.

Le projet cdtn-nlp a pour objectif d'analyser et de comprendre des données textuelles à grande échelle en utilisant des techniques avancées de traitement automatique des langues (TAL) et de l'apprentissage automatique. Il permet d'extraire des informations utiles et de catégoriser des données textuelles pour faciliter la prise de décision et l'automatisation de processus métiers.

ModLang est un outil d'analyse textuelle et de reconnaissance d'auteurs conçu pour traiter des documents écrits. Il permet d'identifier des auteurs à partir de textes, de déterminer la langue d'un document, et de modéliser des structures linguistiques via des n-grammes. Il est utile pour des applications en linguistique computationnelle, en sécurité informatique ou en traitement automatique des langues.

Outil unifié pour évaluer la qualité des prédictions de détection de citations dans des textes. Il calcule simultanément plusieurs métriques avancées (de-news, AADS, f1-theta, ROUGE-L) afin de comparer des résultats de modèles ou d'annotations avec des données de référence. Utilisé principalement dans le domaine de la linguistique computationnelle et du traitement automatique des langues.

La suite Alvis est une solution de traitement automatique des langues et de gestion des connaissances utilisée dans les laboratoires scientifiques. Elle se compose de plusieurs modules, dont AlvisNLP pour le pré-traitement de corpus, AlvisAE pour l'annotation de corpus, AlvisIR pour la recherche sémantique et TyDI pour l'édition de terminologies et d'ontologies.

Ce projet propose un jeu de données dédié aux onomatopées présentes dans les bandes dessinées et les mangas. Il inclut trois versions de données annotées, permettant d'extraire des textes complexes ou tronqués. Les annotations sont structurées pour faciliter leur utilisation dans des modèles d'apprentissage profond. Le projet s'appuie sur des travaux de recherche publiés dans des conférences internationales et vise à soutenir les études en reconnaissance de motifs visuels et en traitement automatique des langues.

CoRTeX est une boîte à outils Python dédiée à la résolution de coréférences dans des documents textuels. Il permet d'analyser des textes annotés pour identifier et caractériser les mentions (noms, pronoms) et leurs relations, en utilisant des algorithmes d'apprentissage automatique. Le projet facilite la création, l'entraînement et l'évaluation de modèles capables de prédire ces relations, notamment pour des applications en linguistique computationnelle ou en traitement automatique des langues.