Decoder
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 1
- 보존된 평가 기록
- 2
HLMFootFR, aussi appelé HLM Football FR, un média digital centré sur le football, fondé avec la volonté de mettre en lumière les talents issus des quartiers populaires et de créer un espace d’expression représentatif de la culture urbaine et du sport populaire. Ce projet, à mi-chemin entre journalisme, culture et technologie, utilise des outils numériques de pointe, notamment l’intelligence artificielle, pour optimiser sa production de contenu, sa capacité d’analyse et sa diffusion.
Concrètement, HLMFootFR ne se contente pas de relayer l’actualité footballistique. Il s’appuie sur des modèles de traitement automatique du langage (NLP) pour rédiger ou enrichir des descriptions, des résumés de matchs, ou encore des formats courts destinés aux réseaux sociaux. Cette utilisation permet de produire rapidement des textes cohérents, adaptés à différents publics et plateformes comme TikTok, Instagram ou un blog spécialisé.
L’intelligence artificielle est aussi utilisée pour la veille et l’analyse des performances des joueurs. Grâce à des outils de scraping et d’agrégation de données, HLMFootFR collecte des informations issues de bases publiques (telles que Transfermarkt ou des APIs sportives), et les transforme en indicateurs visuels, profils de joueurs, ou tendances exploitables. Des scripts automatisés permettent d’identifier les évolutions, comme les transferts ou les blessures, en temps réel, ce qui constitue une valeur ajoutée dans un contexte où l’information est très rapide et concurrentielle.
En interne, des systèmes simples de machine learning sont en place pour aider à la personnalisation du contenu. En fonction de l’engagement du public, des heures de publication ou des types de contenu les plus performants, HLMFootFR adapte sa stratégie de publication de manière semi-automatisée. Cela permet au média d’avoir une diffusion plus ciblée et plus efficace de ses messages.
HLMFoot FR utilise également l’IA dans le domaine audiovisuel. Des outils comme Whisper sont utilisés pour la transcription automatique des interviews, facilitant ainsi la mise en ligne de vidéos sous-titrées, accessibles à tous. L’équipe expérimente également des outils de montage intelligent, de synthèse vocale et de traduction automatisée, dans le but d’élargir son public à d’autres langues et régions.
Le projet s’appuie sur un stack technique léger mais évolutif, avec une forte composante Python (scraping, NLP, automatisation), JavaScript pour l’intégration web, et des outils comme HuggingFace Transformers, OpenAI GPT ou spaCy pour le traitement du langage. Des plateformes comme Firebase, Streamlit et diverses APIs sociales (TikTok, Instagram) sont intégrées pour piloter l’ensemble.
Enfin, HLMFootFR souhaite partager prochainement certains de ses outils en open-source, à travers des dépôts publics. Il s’agira notamment d’un générateur de résumés automatisés de matchs, d’un pipeline de veille footballistique, ou encore d’un système de profilage joueur à partir de données disponibles librement. Ces projets ont pour but de démontrer comment l’intelligence artificielle peut s’intégrer dans des initiatives culturelles et communautaires, en dehors du cadre académique classique.
HLMFootFR est donc un exemple concret de convergence entre passion, média et technologie. Il montre comment, avec des ressources limitées mais des outils bien utilisés, il est possible de créer une structure médiatique alternative, réactive, et profondément ancrée dans les réalités sociales et culturelles du sport. HLMFootFR est un média digital indépendant dédié au football, fondé par Helmut Patahini en 2022, qui met en lumière les joueurs issus des quartiers populaires et de la culture urbaine. Né entre la France et la Belgique, le projet s’appuie sur les réseaux sociaux (TikTok, Instagram, YouTube …) pour diffuser une parole différente, libre et engagée. HLMFootFR se distingue par l’utilisation de l’intelligence artificielle dans la création de contenu, l’analyse de données et l’automatisation des tâches, afin de proposer une expérience moderne, rapide et accessible. Le média vise à représenter ceux qu’on entend peu, tout en connectant le monde du foot à la technologie d’aujourd’hui.
코드
관련 논문과 평가 결과에 연결된 구현입니다. 출처에서 확인된 저자 구현에는 공식 코드 표시가 있습니다.
https://github.com/m3hrdadfi/mogpt
공식 코드An Empirical Study of Multitask Learning to Improve Open Domain Dialogue Systems
https://github.com/ma787639046/bowdpr
공식 코드Drop your Decoder: Pre-training with Bag-of-Word Prediction for Dense Passage Retrieval
https://github.com/mac-automl/quota
공식 코드QuoTA: Query-oriented Token Assignment via CoT Query Decouple for Long Video Comprehension
https://github.com/macdonaldezra/VistaFormer
공식 코드VistaFormer: Scalable Vision Transformers for Satellite Image Time Series Segmentation
https://github.com/machinelearninglifescience/stochman
공식 코드https://github.com/macleginn/semantic-subspaces-code
공식 코드https://github.com/macro-zhou/nriqa-visor
공식 코드Collaborative Auto-encoding for Blind Image Quality Assessment
https://github.com/madeline-hyh/ldrcnet
공식 코드Latent Degradation Representation Constraint for Single Image Deraining
https://github.com/madhubabuv/NightDepthADFA
공식 코드https://github.com/maftej/rfdvc
공식 코드Radiance Field Delta Video Compression in Edge-Enabled Vehicular Metaverse
https://github.com/magenta/music-spectrogram-diffusion
공식 코드https://github.com/magic282/NQG
공식 코드https://github.com/magic282/SEASS
공식 코드https://github.com/magrilab/md-cnn-ae
공식 코드https://github.com/maguirre1/deepLAI
공식 코드https://github.com/mahdiabavisani/DSRC
공식 코드https://github.com/mahdiabavisani/Deep-multimodal-subspace-clustering-networks
공식 코드https://github.com/mahdip72/prot2token
공식 코드Prot2Token: A Unified Framework for Protein Modeling via Next-Token Prediction
https://github.com/mahindrautela/deepgenerator_compositematerialgwrepresentations
공식 코드Towards deep generation of guided wave representations for composite materials
https://github.com/malayp717/pm2.5
공식 코드Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture
https://github.com/manestay/ecxtra
공식 코드https://github.com/manga-uofa/eqhard-em
공식 코드An Equal-Size Hard EM Algorithm for Diverse Dialogue Generation
https://github.com/manliucoder/psvma
공식 코드Progressive Semantic-Visual Mutual Adaption for Generalized Zero-Shot Learning
https://github.com/maoyangou147/ts-sam
공식 코드TS-SAM: Fine-Tuning Segment-Anything Model for Downstream Tasks
https://github.com/marccanby/bidi_decoding
공식 코드A Framework for Bidirectional Decoding: Case Study in Morphological Inflection
https://github.com/marian-nmt/marian
공식 코드https://github.com/marianorivera/How2TrainUrVAE
공식 코드https://github.com/mariusarvinte/deep-llr-quantization
공식 코드https://github.com/mark-yu1/interactive-image-inpainting
공식 코드https://github.com/markin-wang/xpronet
공식 코드Cross-modal Prototype Driven Network for Radiology Report Generation
https://github.com/markomih/COAP
공식 코드https://github.com/markxcloud/avesformer
공식 코드AVESFormer: Efficient Transformer Design for Real-Time Audio-Visual Segmentation
https://github.com/marmus12/nnctx
공식 코드Neural Network Modeling of Probabilities for Coding the Octree Representation of Point Clouds
https://github.com/martian422/clawmachine
공식 코드ClawMachine: Learning to Fetch Visual Tokens for Referential Comprehension
https://github.com/martin-bayon/tednet
공식 코드TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.