Ce projet développé pour le Hackathon 2024 du PEReN et de la Commission Européenne utilise des techniques avancées de traitement automatique du langage naturel (NLP) pour analyser, structurer et rechercher des informations réglementaires issues de plateformes numériques. Il permet d'extraire des entités nommées, de segmenter des textes volumineux, de générer des embeddings pour des recherches vectorielles et d'interagir via une interface conversationnelle. Les données traitées sont fournies à titre d'illustration et ne sont pas mises à jour.

Le projet mmnlg2023 est une plateforme de traitement automatique du langage naturel (TALN) permettant la génération de textes à partir de descriptions, la création de résumés de documents et la traduction automatique de textes. Il est basé sur des algorithmes de pointe en intelligence artificielle et permet aux utilisateurs de bénéficier de fonctionnalités avancées de traitement du langage.

BIOMG est un outil de traitement automatique du langage naturel spécialisé dans l'analyse syntaxique de descriptions botaniques en français. Il génère des grammaires adaptées à partir d'une méta-grammaire et utilise des technologies avancées pour parser des phrases complexes. Développé par l'INRIA dans le cadre du projet ALPAGE, il s'intègre dans une chaîne de traitement linguistique pour extraire et structurer des informations botaniques avec précision.

EMRLearning est un projet dédié à l'analyse et au traitement automatique du langage naturel. Il permet d'extraire des synonymes à partir de grands corpus textuels, d'annoter des données pour des applications en linguistique computationnelle et de générer des modèles de langage adaptés. L'outil est particulièrement utile pour les chercheurs, les linguistes et les développeurs travaillant sur des projets nécessitant une compréhension avancée des textes.

Ce projet se concentre sur le développement de méthodes avancées pour l'apprentissage de représentations et la classification automatique de données. Il vise à améliorer la précision et l'efficacité des modèles d'intelligence artificielle dans divers domaines comme la vision par ordinateur, le traitement du langage naturel ou l'analyse de données.

Ce projet est dédié à l'analyse de données audio, à la reconnaissance vocale et au traitement du langage naturel. Il vise à fournir des outils avancés pour le traitement et l'analyse de données audio, ainsi qu'à améliorer la compréhension et l'interprétation des données vocales.

Ce projet fournit une image Docker pour exécuter Flair, un framework de traitement du langage naturel (NLP) open-source, avec une intégration facile à SpaCy. Il permet une analyse de sentiments avancée, une détection d'entités nommées et une extraction de faits pour les données non structurées, en particulier dans le contexte des réseaux sociaux.

Plateforme open source dédiée à l'analyse avancée de données textuelles et à la modélisation de processus complexes. Elle permet aux utilisateurs d'extraire, structurer et analyser des informations à partir de corpus textuels, tout en offrant des outils pour concevoir et exécuter des workflows automatisés. Utilisée dans des contextes académiques et industriels pour le traitement du langage naturel et l'intelligence artificielle.

Skolar est une plateforme dédiée à l'analyse et au traitement automatisé de données textuelles. Elle permet d'extraire, structurer et classifier des informations issues de documents variés pour faciliter leur exploitation. Utilisée dans des contextes académiques, éditoriaux ou professionnels, elle optimise la gestion de contenus textuels massifs grâce à des algorithmes avancés de traitement du langage naturel.

Polarisation est un outil d'analyse de l'opinion publique et du paysage médiatique sur les réseaux sociaux. Il permet de suivre les tendances et les débats en temps réel, ainsi que de cartographier les réseaux d'influence. Polarisation utilise des algorithmes avancés de traitement du langage naturel et de réseaux sociaux pour fournir une vue d'ensemble de l'opinion publique sur un sujet donné.