03 — Behavioral ML · Inférence temps réel
Prédire l’engagement dès les premières secondes.
Tester la démo↗Un pipeline de machine learning comportemental qui analyse les premières dynamiques de la souris afin d’estimer l’engagement pendant qu’il est encore possible d’adapter l’expérience.
01 — LE DÉFI
La plupart des métriques d’engagement arrivent après la session. Ce projet étudie si des signaux d’interaction discrets peuvent fournir une indication utile, précoce et respectueuse de la vie privée.
Anatomie du projet
Le pipeline agrège les événements d’une session, extrait des variables spatiales et temporelles, puis applique un modèle XGBoost à faible latence.
Pipeline principal
Sélectionnez une étape pour comprendre la transformation des données.Le frontend capte positions du curseur, horodatages, clics et défilements pendant l’exploration de l’interface.
Fonctionnalités réelles
Les capacités visibles sont reliées aux briques techniques qui les rendent possibles.L’interface matérialise les mouvements réellement produits pendant la démonstration.
Plusieurs fragments d’interaction sont réunis avant l’inférence.
Vitesse, accélération, distance et changements de direction restent visibles et interprétables.
Le score est calculé pendant la session, avant une conversion ou un abandon final.
La probabilité est traduite en niveau faible ou élevé avec une règle explicite.
Les sessions utilisent Google Cloud Storage lorsque disponible et le système de fichiers sinon.
Stack par responsabilité
Chaque technologie est replacée dans son rôle au sein du système.Instrumentation de l’expérience et restitution du score.
Collecte des lots et endpoint de prédiction par session.
Reconstruction et normalisation des trajectoires.
Cinématique, direction, distance et agrégats temporels.
Probabilité d’engagement et sérialisation du modèle.
Persistance des sessions et exécution de l’API.
Déplacez votre souris, marquez quelques pauses et explorez l’interface. La trajectoire, la vitesse et les changements de direction alimentent progressivement la lecture comportementale.
Démonstration pédagogique : les données sont locales et certains calculs sont simulés ou accélérés.04 — RÉSULTAT ET IMPACT
“Un score exploitable dès le début de session, capable d’alimenter la personnalisation avant l’apparition des signaux de conversion classiques.”