NETY - IA de Traitement de Langage Naturel

📋 Description du Projet

NETY est un projet de création d'intelligence artificielle axé sur le traitement du langage naturel (NLP), le traitement d'images (CNN) et le traitement audio (Speech-to-Text). Ce projet est avant tout un projet d'apprentissage pour explorer l'univers de l'IA et le langage Python.

🎯 Objectifs

• Créer une IA multimodale capable de traiter du texte, des images et de l'audio
• Apprendre les concepts fondamentaux du machine learning et du deep learning
• Développer une architecture modulaire et extensible
• Participer à l'innovation dans le domaine de l'IA

👥 Équipe

• Chef de projet : Raptor_ (propriétaire de NETY)

🏗️ Architecture du Projet

🏗️ Architecture du Projet

NETY/
├── src/
│   ├── modules/
│   │   ├── module_text/       # Traitement de texte avec RNN/LSTM
│   │   ├── module_image/      # Traitement d'images avec CNN
│   │   ├── module_audio/      # Traitement audio et STT
│   │   ├── preprocessing/     # Prétraitement des données
│   │   ├── postprocessing/    # Post-traitement des résultats
│   │   └── module_interface/  # Interfaces utilisateur
│   └── utils/                 # Fonctions utilitaires
├── data/                      # Données d'entraînement
├── documentation/             # Documentation technique
└── main.py                    # Point d'entrée principal

📝 Étapes du Projet

1. ✅ Structuration du projet - Organisation des dossiers et modules
2. ✅ Création des modules essentiels - Modules de base pour le développement
3. ⏳ Entraînement de l'IA - Avec les données d'entraînement
4. ⏳ Évaluation des performances - Tests et métriques
5. ⏳ Extension des modules - Ajout de nouvelles fonctionnalités
6. ⏳ Amélioration continue - Optimisation des composants
7. ⏳ Déploiement - Mise en production potentielle
8. ⏳ Maintenance - Résolution de bugs et améliorations continues

🚀 Installation

Prérequis

• Python 3.12+
• pip

Installation des dépendances

# Cloner le repository
git clone https://github.com/Raptor2174/NETY.git
cd NETY

# Installer les dépendances
pip install -r requirements.txt

# Télécharger le modèle de langue française pour spaCy
python -m spacy download fr_core_news_sm

💻 Utilisation

Lancer le Dashboard NETY

# Lancer uniquement l'interface Dashboard
python app/main.py

# OU lancer le système complet (Dashboard + Backend NETY)
python run.py

Fonctionnalités du Dashboard

Le NETY Dashboard propose trois pages principales :

1. 📊 Dashboard - Contrôle de l'IA et visualisation des modules

   • Bouton toggle pour démarrer/arrêter l'IA NETY
   • Affichage de l'état des 4 modules principaux
   • Indicateur de statut en temps réel

2. 🔧 Admin Room - Communication avec l'IA

   • Chatbox pour messages simples
   • Prompt Expeditor pour requêtes complexes
   • Historique des conversations

3. 📊 Logs/Terminal - Surveillance des actions (NOUVEAU! 🆕)

   • Affichage temps réel des logs de l'IA
   • Style terminal noir/vert
   • Timestamps sur chaque action
   • Boutons Rafraîchir et Effacer
   • Auto-scroll vers les derniers logs
   • Limite de 1000 entrées

Pour plus de détails, consultez le Guide Utilisateur.

📊 Collecte de Données

Les données seront collectées à partir de :

• Bases de données publiques
• APIs ouvertes
• Données Open Source

💾 Base de Connaissances

NETY intègre un système de base de connaissances extensible pour stocker et récupérer des informations de manière intelligente.

Solutions Open Source Utilisées

1. SQLite - Base de données relationnelle pour données structurées
2. Chroma DB - Base vectorielle pour recherche sémantique
3. Redis (optionnel) - Cache haute performance

Fonctionnalités

• ✅ Stockage de connaissances avec métadonnées
• ✅ Recherche sémantique par similarité
• ✅ Historique des conversations
• ✅ Support RAG (Retrieval-Augmented Generation)
• ✅ API simple et intuitive

Utilisation

from nety.knowledge_base import init_databases, KnowledgeManager, SearchEngine

# Initialiser les bases
init_databases()

# Ajouter une connaissance
km = KnowledgeManager()
km.add_knowledge(
    title="Titre",
    content="Contenu de la connaissance",
    category="categorie"
)

# Rechercher
search = SearchEngine()
results = search.search("ma recherche")

# Obtenir du contexte pour RAG
context = search.get_context_for_query("ma question")

Pour plus de détails, consultez :

• Documentation des bases de données
• Exemple d'utilisation

🧠 Modèles Utilisés

Traitement de Texte (RNN)

• Architecture : LSTM (Long Short-Term Memory)
• Framework : PyTorch
• Prétraitement : spaCy pour le français

Traitement d'Images (CNN)

• Architecture : Réseau de neurones convolutionnel multicouche
• Framework : PyTorch
• Prétraitement : normalisation et augmentation

Traitement Audio (STT)

• Architecture : CNN pour spectrogrammes
• Framework : TensorFlow/Keras
• Prétraitement : librosa pour l'extraction de features

🔧 Développement

Linting

flake8 . --count --select=E9,F63,F7,F82 --show-source --statistics

Tests

pytest

🧪 Tests et Démonstrations

Tester le RNN standalone

pytest tests/test_rnn_standalone.py -v

Tester RNN + Knowledge Base

pytest tests/test_rnn_with_kb.py -v

Démonstration complète Brain + RNN + KB

python examples/brain_rnn_complete_demo.py

📚 Documentation

Consultez le dossier documentation/ pour plus de détails sur :

• La structure du projet
• Les modèles RNN, CNN et STT
• Les guides d'intégration

🔒 Sécurité

Voir SECURITY.md pour les politiques de sécurité.

📄 Licence

Voir le fichier LICENSE pour plus de détails.

🤝 Contribution

Les contributions sont les bienvenues ! N'hésitez pas à ouvrir des issues ou des pull requests.

📧 Contact

Pour toute question, contactez Raptor_ via GitHub.

---

"On n'a jamais fini d'apprendre" 🚀