HMAS est un cadre open-source en Python permettant le développement de systèmes hiérarchiques multi-agents. Il offre des abstractions pour définir des hiérarchies d'agents, des protocoles de communication inter-agents, l'intégration d'environnements, et des boucles d'entraînement intégrées. Rechercheurs et développeurs peuvent utiliser HMAS pour prototyper des interactions complexes entre agents, entraîner des politiques coordonnées et évaluer la performance dans des environnements simulés. Son design modulaire facilite l'extension et la personnalisation des agents, environnements et stratégies d'entraînement.

IRIS (Interactive Research Ideation System) est un assistant basé sur l'IA qui permet aux chercheurs de prototyper rapidement des idées d'études. Les utilisateurs saisissent un sujet ou un domaine de recherche, et IRIS produit des questions de recherche sur mesure, identifie des concepts clés, synthétise des résumés de littérature pertinents et suggère des conceptions expérimentales ou des approches méthodologiques. Il organise ces insights en flux de travail personnalisables, soutenant le développement d'hypothèses, la planification de la collecte de données et l'interprétation des résultats. Par le biais de discussions itératives, IRIS affine les résultats en fonction des retours, assure leur cohérence avec les objectifs de recherche et exporte des rapports structurés en formats tels que PDF, DOCX ou Markdown. En automatisant les tâches répétitives et en favorisant la créativité, IRIS accélère la recherche en phase précoce dans le milieu académique, la R&D et les startups, favorise l'innovation et réduit le délai d'obtention d'insights.

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.

Le apprentissage automatique autodidacte simple offre aux développeurs une approche extrêmement simple pour créer et entraîner des agents d'apprentissage par renforcement en Python. Le framework abstrait les composants clés du RL, tels que les wrappers d'environnement, les modules de politique et les buffers d'expérience, en interfaces concises. Les utilisateurs peuvent rapidement initialiser les environnements, définir des politiques personnalisées avec des backends familiers comme PyTorch ou TensorFlow, et exécuter des boucles d’entraînement avec journalisation et sauvegarde intégrées. La bibliothèque supporte les algorithmes on-policy et off-policy, permettant une expérimentation flexible avec Q-learning, les gradients de politique et les méthodes acteur-critique. En réduisant le code boilerplate, le apprentissage automatique autodidacte simple permet aux praticiens, éducateurs et chercheurs de prototype des algorithmes, tester des hypothèses et visualiser la performance de l'agent avec une configuration minimale. Sa conception modulaire facilite également l'intégration avec les stacks ML existants et les environnements personnalisés.