QStream est un plugin pour QGIS développé par le Cerema, permettant de créer et gérer des scénarios de simulation de trafic routier via l'outil Stream. Il facilite la définition manuelle des entrées (réseau routier, demande de déplacement, régulations) et l'analyse des sorties (débits, vitesses, temps de parcours) sous forme de graphiques et tableaux. L'outil transforme les données en formats compatibles et génère des indicateurs pour l'aide à la décision en mobilité.

Bibliothèque Python développée par Météo-France pour concevoir et entraîner des modèles d'intelligence artificielle dédiés à l'analyse et la prévision des données météorologiques. Elle propose des architectures de réseaux de neurones adaptées (CNN, transformers, modèles multimodaux) pour des tâches comme la segmentation d'images satellite, la génération de texte à partir de données météo ou la détection d'artefacts sur les images radar. Les modèles sont optimisés pour des applications opérationnelles en météorologie.

Outil d'automatisation conçu pour transformer les données de Netbox en configurations Ansible destinées à Arista Validation Deploy (AVD). Il facilite le déploiement de réseaux Ethernet avancés, notamment pour les supercalculateurs, en générant des inventaires complets et en appliquant des paramètres spécifiques comme RoCE v2, VXLAN ou ECMP. Idéal pour les environnements homogènes nécessitant une configuration réseau précise et reproductible.

Ce projet permet d'analyser et d'extraire des motifs spécifiques dans des réseaux ou des graphes, notamment pour identifier des chemins caractéristiques ou des structures récurrentes. Il facilite l'étude des relations entre entités et l'optimisation de flux, utile dans des domaines comme la logistique, la biologie ou l'informatique théorique. Les outils développés aident à transformer des données complexes en informations exploitables pour la prise de décision.

Cortext Spatial Networks est un outil permettant de lier des données géographiques dans un jeu de données et de produire des données de réseau. Il facilite l'analyse des relations spatiales entre entités en transformant des données géolocalisées en réseaux interconnectés, utiles pour des études en sciences sociales, économie ou urbanisme.

Ce projet développe un modèle d'apprentissage profond pour prédire la concentration de polluants atmosphériques. Il vise à remplacer l'ensemble médian actuel du CAMS par une solution plus performante, intégrant des réseaux de neurones avancés (UNet, vision transformers) et des données météorologiques. Les prévisions produites alimenteront les services opérationnels de Météo-France pour améliorer la qualité de l'air et soutenir les politiques environnementales.

Outil dédié à l'analyse et à la visualisation de réseaux sociaux ou de données relationnelles. Permet de transformer des données brutes en graphiques interactifs pour mieux comprendre les connexions et les dynamiques entre entités. Intègre des fonctionnalités de gestion de contenu multimédia et de génération de rapports visuels.

Ce projet permet de générer des cartogrammes de distance, aussi appelés anamorphoses de distance, en déformant des couches géographiques selon les distances entre des points sources et des points cibles. Il facilite l'analyse de l'accessibilité spatiale en transformant des données de temps ou de distance en représentations visuelles déformées, mettant en évidence les disparités territoriales. Idéal pour étudier les temps d'accès aux services ou les réseaux de transport.

Projet de recherche mené par le médialab de Sciences Po visant à analyser les interactions entre les sociétés humaines et les environnements littoraux à partir de contenus publics issus des réseaux sociaux. Le pipeline transforme des données brutes hétérogènes (posts, métadonnées, localisations) en corpus structurés, anonymisés et exploitables pour la recherche et des restitutions scientifiques. Les analyses portent sur des sites d'étude spécifiques et des objets thématiques comme les sports nautiques ou les espèces invasives.

Projet open source développé par Météo-France pour entraîner des architectures de réseaux de neurones (GNN, CNN, Vision Transformers) sur des jeux de données de prévision météorologique. Permet de générer des prévisions précises en utilisant des stratégies d'apprentissage automatique avancées, des pertes personnalisées et des outils de suivi d'expériences pour comparer et valider les modèles.