Le projet mario-ai propose une pipeline complète pour développer des agents IA afin de maîtriser Super Mario Bros. en utilisant la neuroévolution. En intégrant une implémentation NEAT basée sur Python avec l’environnement OpenAI Gym SuperMario, il permet aux utilisateurs de définir des critères de fitness, des taux de mutation, et des topologies de réseaux personnalisés. Pendant l’entraînement, le framework évalue des générations de réseaux neuronaux, sélectionne les génomes performants, et fournit une visualisation en temps réel du jeu et de l’évolution du réseau. De plus, il supporte la sauvegarde et le chargement de modèles entraînés, l’exportation des meilleurs génomes, et la génération de rapports détaillés de performance. Chercheurs, éducateurs et amateurs peuvent étendre le code à d’autres environnements de jeux, expérimenter avec des stratégies évolutionnaires, et benchmarker le progrès de l’apprentissage IA à travers différents niveaux.

My AskAI propose un agent IA conçu pour révolutionner le support client en automatisant les réponses et en déviant jusqu'à 75 % des demandes de support. Il s'intègre facilement aux fournisseurs de chat en direct existants tels qu'Intercom et Zendesk, aidant les entreprises à améliorer leur efficacité et à se concentrer sur des problèmes plus complexes. La plateforme soutient également des fins éducatives, permettant aux étudiants d'interagir avec le matériel à tout moment, fournissant des informations sur les domaines où ils rencontrent des difficultés.

AIpacman est un projet Python open-source simulant l'environnement de jeu Pac-Man pour des expériences en IA. Les utilisateurs peuvent choisir parmi des agents intégrés ou en créer de nouveaux avec des algorithmes de recherche comme DFS, BFS, A*, UCS ; des méthodes adverses telles que Minimax avec élagage Alpha-Beta et Expectimax ; ou des techniques d'apprentissage par renforcement comme Q-Learning. Le framework offre des labyrinthes configurables, un journal de performance, une visualisation des décisions des agents, et une interface en ligne de commande pour jouer des matchs et comparer les scores. Il est conçu pour les cours, benchmarks de recherche et projets amateurs en IA et développement de jeux.

Vanilla Agents est un cadre léger basé sur PyTorch qui fournit des implémentations modulaires et extensibles d'agents d'apprentissage par renforcement de base. Il supporte des algorithmes comme DQN, Double DQN, PPO et A2C, avec des wrappers d'environnement adaptables compatibles avec OpenAI Gym. Les utilisateurs peuvent configurer les hyperparamètres, enregistrer les métriques d'entraînement, sauvegarder les points de contrôle et visualiser les courbes d'apprentissage. La base de code est organisée pour la clarté, ce qui le rend idéal pour le prototypage de recherche, un usage éducatif et la mise en référence de nouvelles idées en RL.