Ce projet est un démonstrateur académique conçu pour illustrer une thèse. Il propose un cadre multimodal permettant de représenter un environnement en combinant des données de perception (vision, capteurs) et des traitements sémantiques. L'objectif est de créer une représentation cohérente et exploitable d'un espace physique, facilitant des applications comme la robotique, la réalité augmentée ou l'analyse de scènes complexes.

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).

Ce projet permet d'interfacer des bibliothèques Java avec des outils de traitement de données RDF (Resource Description Framework) via JNI. Il facilite la manipulation de triplets sémantiques, l'optimisation de requêtes et l'intégration avec des formats comme Protobuf pour des échanges de données performants.

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.

ODEON est un framework en développement dédié au traitement et à l'analyse de données géospatiales, en particulier pour la segmentation sémantique d'images satellite. Il utilise des réseaux de neurones pour extraire des informations utiles à partir de ces images.

Le projet CHI-KNOW-PO a pour objectif d'identifier des schémas de co-occurrence de champs lexicaux et de emprunts textuels à travers les genres dans la Chine médiévale, en se concentrant plus spécifiquement sur les plantes parmi d'autres thèmes. Le projet se déroule en trois étapes : la numérisation, l'édition et la publication d'une corpus d'anthologies poétiques, de commentaires, de dictionnaires, d'encyclopédies et de traités pratiques de la période médiévale chinoise (environ 200-1000 apr. J.-C.) ; la création d'une base de données avec des informations bio-bibliographiques et sémantiques utiles pour des fins d'édition et d'exploration de textes ; et le développement de scripts permettant d'effectuer des recherches, des filtres et des analyses statistiques personnalisés pour étudier la co-occurrence de mots et de groupes de mots dans des textes donnés et identifier d'éventuels cas de réutilisation textuelle.

Ce projet est un traitement par lots (batch) conçu pour extraire, transformer et exporter des notices bibliographiques issues de la base de données Sudoc. Il génère des fichiers CSV contenant les titres, résumés et sujets RAMEAU associés, tout en éliminant les doublons. Ces fichiers sont ensuite transmis à un module de vectorisation pour alimenter une base de données vectorielle dédiée à l'indexation sémantique des documents.

Ce projet explore les réseaux sémantiques, notamment ceux issus de Wikipédia et JeuxDeMots, en utilisant deux approches complémentaires : une analyse vectorielle continue et une analyse discrète par graphe. L'objectif est de comparer ces méthodes pour en tirer des insights sur la structure sémantique des données, tout en explorant leurs applications potentielles en psychologie cognitive et en traitement automatique des langues.

Ce projet fournit un accès minimaliste en Python au moteur de requêtes sémantiques corese-core. Il permet aux développeurs d'exploiter des fonctionnalités avancées de traitement de données sémantiques via une interface Python simplifiée, tout en s'appuyant sur des outils comme conda, maven et Java pour garantir une compatibilité multiplateforme.

Ce projet propose un module de normalisation et d'automatisation pour les analyses sémantiques et le traitement du langage naturel (NLP). Il permet de standardiser les outils et méthodes utilisés dans les projets d'analyse sémantique, tout en offrant des pipelines prêts à l'emploi pour accélérer la mise sur le marché de services NLP. Le projet facilite le prétraitement de données textuelles variées (chaînes de caractères, listes, tableaux, fichiers CSV) et simplifie le développement de modèles de machine learning.