05 — Prédiction UX · Deep Learning
Transformer les principes de design en signaux mesurables.
Tester la démo↗Un système de computer vision qui évalue des dimensions UX directement depuis des captures de sites, à l’intersection de l’expertise qualitative et de la prédiction quantitative.
01 — LE DÉFI
Les audits UX ont de la valeur, mais sont difficiles à comparer et à déployer à grande échelle. Le projet explore les dimensions expérientielles qui peuvent être opérationnalisées sans réduire la complexité du design.
Anatomie du projet
DeepUX applique des modèles visuels distincts à une ou deux captures, normalise leurs prédictions et affiche l’écart sur la dimension UX sélectionnée.
Pipeline principal
Sélectionnez une étape pour comprendre la transformation des données.L’utilisateur importe un design A, un design B ou les deux, puis choisit esthétique, utilisabilité ou confiance.
Fonctionnalités réelles
Les capacités visibles sont reliées aux briques techniques qui les rendent possibles.Deux captures peuvent être évaluées simultanément sur une même dimension.
Esthétique, utilisabilité et confiance disposent chacune d’un modèle dédié.
Le résultat provient de la capture, ce qui facilite l’analyse avant instrumentation ou trafic réel.
Les sorties du modèle sont converties sur une échelle lisible de 0 à 10.
La différence entre A et B complète les deux scores individuels.
Les fichiers H5 sont versionnables dans le stockage cloud indépendamment de l’API.
Stack par responsabilité
Chaque technologie est replacée dans son rôle au sein du système.Import A/B, choix de dimension et comparaison des scores.
Validation des fichiers et endpoint d’inférence par dimension.
Décodage, conversion RGB et préparation des tableaux.
Chargement des modèles H5 et inférence convolutive.
Stockage d’un modèle distinct par dimension UX.
Conteneurisation et exécution reproductible de l’API.
Choisissez une dimension, observez les deux variantes et suivez le calcul des scores. Le delta final aide à repérer la direction qui mérite une validation utilisateur plus approfondie.
Démonstration pédagogique : les données sont locales et certains calculs sont simulés ou accélérés.04 — RÉSULTAT ET IMPACT
“Un démonstrateur qui génère des indicateurs UX cohérents et aide à identifier les interfaces nécessitant prioritairement un audit expert ou une étude utilisateur.”