DelphiMistralAI est une boîte à outils Python open-source qui intègre le puissant modèle LLM Mistral-7B avec le modèle de raisonnement moral Delphi. Elle offre une interface en ligne de commande et une API RESTful pour délivrer des jugements éthiques argumentés sur des scénarios fournis par l’utilisateur. Les utilisateurs peuvent déployer l’agent localement, personnaliser les critères de jugement, et inspecter les justifications générées pour chaque décision morale. Cet outil vise à accélérer la recherche en éthique de l’IA, les démonstrations éducatives, ainsi que les systèmes de prise de décision sûrs et explicables.

Bosch AI vise à élever le monde digitalisé en utilisant une IA avancée pour faciliter et sécuriser la vie. Ils tirent parti de données provenant de plus de 230 usines Bosch, menant des recherches en IA sécurisées, robustes et explicables. Ils se concentrent sur des applications concrètes dans divers secteurs et favorisent la collaboration avec des leaders industriels et académiques afin d'élargir leur réseau de recherche.

Le dépôt fournit un tutoriel étape par étape et une implémentation de référence pour créer un agent AI basé sur ReAct utilisant DeepSeek pour la récupération vectorielle en haute dimension. Il couvre la configuration de l'environnement, l'installation des dépendances, et la configuration des magasins de vecteurs pour des données personnalisées. L'agent utilise le motif ReAct pour combiner les traces de raisonnement avec des recherches de connaissances externes, résultant en des réponses transparentes et explicables. Les utilisateurs peuvent étendre le système en intégrant des chargeurs de documents supplémentaires, en ajustant les modèles de prompts, ou en échangeant les bases de données vectorielles. Ce cadre flexible permet aux développeurs et chercheurs de prototyper rapidement des agents conversationnels puissants, capables de raisonner, de récupérer et d'interagir sans effort avec diverses sources de connaissances en quelques lignes de code Python.

Graphium est un cadre d'orchestration pour les graphes de connaissances et les LLM, qui supporte l'ingestion de données structurées, la création d'inclusions sémantiques et la récupération hybride pour Q&A et chat. Il s'intègre avec des LLM populaires, des bases de données graphiques et des magasins de vecteurs pour des agents AI explicables et alimentés par le graphe. Les utilisateurs peuvent visualiser des structures de graphe, interroger des relations et effectuer un raisonnement multi-sauts. Il offre des API REST, SDK et une interface web pour gérer des pipelines, surveiller des requêtes et personnaliser les prompts, idéal pour la gestion des connaissances en entreprise et les applications de recherche.

Graph_RAG est un framework basé sur Python conçu pour construire et interroger des graphes de connaissances pour la génération augmentée par récupération (RAG). Il supporte l'ingestion de documents non structurés, l'extraction automatique d'entités et de relations à l'aide de LLMs ou d'outils NLP, et le stockage dans des bases de données graphiques telles que Neo4j. Avec Graph_RAG, les développeurs peuvent construire des graphes de connaissances connectés, exécuter des requêtes sémantiques pour identifier des nœuds et des chemins pertinents, et alimenter les prompts LLM avec le contexte récupéré. Le framework propose des pipelines modulaires, des composants configurables et des exemples d'intégration pour faciliter les applications RAG de bout en bout, améliorant la précision des réponses et l'interprétabilité via une représentation structurée des connaissances.

Dioptra AI propose une plateforme sophistiquée pour l'examen des contrats, exploitant l'intelligence artificielle pour atteindre une précision au niveau des avocats. Fiable pour de nombreux professionnels du droit, la plateforme vise à rationaliser le processus d'examen des contrats, le rendant plus rapide et plus précis. L'explicabilité de l'IA garantit que les utilisateurs peuvent faire confiance et comprendre le processus de décision, tandis que le taux de précision élevé en fait un outil vital pour les équipes juridiques cherchant l'efficacité et la précision.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.