Eno est un outil conçu pour transformer des questionnaires à partir de leur description formelle en DDI vers différents formats pour les opérations de collecte de données. Il produit un questionnaire Lunatic utilisable pour les entretiens web, téléphoniques ou en face à face, un questionnaire au format papier et une description du questionnaire dans un fichier éditable.

Pogues est un outil open source dédié à la conception, la gestion et la publication de questionnaires statistiques. Il permet aux utilisateurs de créer des questionnaires complexes avec des composants structurels (séquences, questions) et dynamiques (filtres, contrôles, boucles). Le projet facilite la transformation des questionnaires entre différents formats (DDI, Lunatic, PDF, XForms) et leur publication pour des enquêtes en ligne.

Ce projet est une bibliothèque dédiée à l'analyse et à la transformation de données issues de questionnaires ou d'enquêtes. Il permet d'extraire, structurer et manipuler des métadonnées complexes pour faciliter l'exploitation des résultats. Utilisé dans des outils de génération de rapports, il optimise le traitement des données statistiques et des variables associées.

Ce projet définit les classes et les convertisseurs pour le modèle de questionnaire Pogues. Le modèle de questionnaire Pogues est spécifié sous forme de schéma XML dans le fichier Questionnaire.xsd. Le schéma est transformé en classes Java à l'aide du compilateur JAXB. Les classes JAXB sont ensuite empaquetées avec d'autres composants pour produire un service Web REST et un module XQuery prêts à être installés dans eXist.

Ce projet vise à étudier et modéliser divers scénarios d'attaques informatiques à travers l'utilisation d'Attack-Defence Trees (ADTrees) et leur transformation en systèmes multi-agents asynchrones (EAMAS). Les cas d'utilisation incluent la modélisation d'attaques à la propriété intellectuelle, l'obtention de privilèges administratifs sur des systèmes UNIX, la compromission de dispositifs IoT et la simulation de scénarios de cambriolage.

Ce projet vise à transformer les pratiques des ministères sociaux en intégrant l'intelligence artificielle générative dans leurs processus métiers. Il accompagne les équipes (architectes, développeurs, designers, chefs de projet) dans l'adoption d'outils et de méthodes pour automatiser des tâches, améliorer la qualité des livrables et optimiser la collaboration. L'objectif est de créer une usine logicielle où chaque étape du cycle de développement combine un rail agentique (génération) et un rail déterministe (vérification), tout en formant les utilisateurs à ces nouvelles pratiques.

Service de transformation de données basé sur DFDL (Data Format Description Language) permettant de convertir des données selon des schémas prédéfinis et de valider des données selon ces mêmes schémas. Il inclut également la gestion de préférences pour les transformations de données.

Ce projet est dédié à la transformation de la voix dans le cadre du projet COMPRISE. Il inclut une bibliothèque Python pour la conversion de voix utilisant des méthodes VLTN et une méthode d'anonymisation de la voix utilisant des x-vecteurs et des modèles de forme d'onde neuronaux.

Ce projet est une implémentation officielle d'une approche de détection de vulnérabilités XSS (Cross-Site Scripting) dans du code PHP, en utilisant l'apprentissage profond. Il fournit des fonctions de transformation de code PHP, telles que la génération de code PHP avec affichage HTML, le renommage automatique de variables PHP et la substitution de balises HTML.

Ce projet est une implémentation officielle d'une approche de détection de failles XSS (Cross-Site Scripting) dans le code source utilisant l'apprentissage automatique. Il permet de traiter et d'analyser du code source à grande échelle pour en détecter les vulnérabilités et améliorer la sécurité des applications web.