mini-AlphaStar démystifie l'architecture complexe d'AlphaStar en proposant un cadre PyTorch accessible et Open Source pour le développement d'IA dans StarCraft II. Il comprend des encodeurs de caractéristiques spatiales pour les entrées écran et minimap, un traitement des caractéristiques non spatiales, des modules de mémoire LSTM, et des réseaux de politique et de valeur séparés pour la sélection d'actions et l'évaluation d'état. En utilisant l'apprentissage par imitation pour démarrer et l'apprentissage par renforcement avec auto-jeu pour l'affinage, il supporte les wrappers d'environnement compatibles avec pysc2, la journalisation via TensorBoard et des hyperparamètres configurables. Les chercheurs et étudiants peuvent générer des jeux de données à partir de parties humaines, entraîner des modèles sur des scénarios personnalisés, évaluer la performance des agents et visualiser les courbes d'apprentissage. La base de code modulaire facilite l'expérimentation avec différentes variantes de réseaux, programmes d'entraînement et configurations multi-agents. Conçu pour l'éducation et le prototypage, et non pour le déploiement en production.

Monic.ai est une plateforme complète basée sur l'IA, axée sur l'amélioration des résultats éducatifs. Avec une suite d'outils pour créer des quiz, des cartes mémoire et des résumés, elle répond à diverses préférences d'apprentissage et vise à rendre l'étude plus interactive et efficace. La plateforme prend en charge de nombreuses langues, ce qui la rend accessible à l'échelle mondiale. En utilisant l'IA, Monic.ai transforme la façon dont les étudiants interagissent avec leurs matériaux d'étude, offrant des évaluations en temps réel et un contenu personnalisé.

La simulation d'inspection multi-agent offre un cadre complet pour simuler et entraîner plusieurs agents autonomes à effectuer des tâches d'inspection en coopération dans des environnements Unity 3D. Elle s'intègre avec la boîte à outils Unity ML-Agents et propose des scènes configurables avec des cibles d'inspection, des fonctions de récompense ajustables et des paramètres de comportement des agents. Les chercheurs peuvent script des environnements personnalisés, définir le nombre d'agents et établir des curricula de formation via des APIs Python. Le paquet supporte les sessions d'entraînement parallèles, le journal TensorBoard et des observations personnalisables incluant des raycasts, des flux de caméras et des données de position. En ajustant les hyperparamètres et la complexité de l’environnement, les utilisateurs peuvent benchmarker des algorithmes d'apprentissage par renforcement sur des métriques de couverture, d'efficacité et de coordination. Le code open-source encourage l'extension pour la prototypie robotique, la recherche en IA coopérative et les démonstrations éducatives dans les systèmes multi-agents.

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.

AIglot propose un logiciel de coaching multilingue polyvalent conçu pour faciliter les conversations en temps réel dans différentes langues. Il intègre une intelligence artificielle avancée pour fournir une traduction instantanée et des retours, garantissant une communication et un apprentissage sans faille. La plateforme est idéale pour les étudiants, les professionnels et les passionnés de langues qui cherchent à améliorer leurs compétences linguistiques avec l'aide de la technologie AI de pointe. Elle se distingue par son approche interactive, rendant l'apprentissage des langues plus engageant et efficace.

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.

Dino Reinforcement Learning offre une boîte à outils complète pour entraîner un agent IA à jouer au jeu de dinosaure de Chrome via reinforcement learning. En s'intégrant avec une instance Chrome sans interface via Selenium, il capture en temps réel les frames du jeu et les traite en représentations d'état optimisées pour les entrées du réseau Q profond. Le framework comprend des modules pour la mémoire de rejouement, l'exploration epsilon-greedy, des modèles de réseaux neuronaux convolutifs, et des boucles d'entraînement avec des hyperparamètres personnalisables. Les utilisateurs peuvent suivre la progression de l'entraînement via des logs en console et sauvegarder des checkpoints pour une évaluation ultérieure. Après l'entraînement, l'agent peut être déployé pour jouer en direct de manière autonome ou être testé contre différentes architectures de modèles. Son design modulaire permet une substitution facile des algorithmes RL, faisant de cette plateforme un environnement de experimentation flexible.

HumanOrAI est une application web qui permet aux utilisateurs de tester leur capacité à distinguer entre de véritables visages humains et ceux générés par IA. L'outil utilise des ensembles de données fournis par NVIDIA, intégrant à la fois des images réelles et des images générées par IA pour créer une expérience utilisateur engageante. Les utilisateurs sont présentés avec des images et doivent identifier si chacune est un véritable humain ou une création de l'IA, en faisant une activité à la fois divertissante et éducative pour comprendre les avancées dans la génération de visages par IA.

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.

MeetMine.ai est une plateforme innovante qui permet aux utilisateurs de créer des personnages IA avec des expressions et des émotions réalistes. Les personnages IA peuvent communiquer dans plusieurs langues, ce qui les rend polyvalents pour diverses applications. Les utilisateurs peuvent facilement former ces personnages selon leurs besoins et les intégrer parfaitement sur leurs sites Web ou outils. Cette plateforme est particulièrement bénéfique pour améliorer les interactions avec les clients, fournir du divertissement et à des fins éducatives.