Les trajectoires brutes sont bruitées, de durées variables et difficiles à comparer. Le projet extrait des variables précoces de classification à partir de la cinématique, de la géométrie, des pauses et du scroll pendant les 15 premières secondes.
03 — Behavioral ML · Inférence temps réel
CursorAI
Classifier les interactions dès les 15 premières secondes.
Tester la démo en ligne↗CursorAI transforme les 15 premières secondes de mouvements, de pauses et de défilement en profil d’interaction, puis explore s’il ressemble à une recherche ciblée ou à une navigation libre.
Une lecture des interactions, une hypothèse de recherche ou d’exploration et dix signaux importants à discuter avec le visiteur.
Anatomie du projet
Des micro-mouvements à la classification d’une tâche.
J’ai construit un parcours qui relie les 15 premières secondes d’interaction à une hypothèse de tâche, puis aux signaux qui alimentent le modèle.
Pipeline principal
Sélectionnez une étape pour comprendre la transformation des données.Étape sélectionnée
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.Trajectoire en direct
L’interface matérialise les mouvements réellement produits pendant la démonstration.
Profil d’interaction
Distance parcourue, clics, défilement et pauses résument ce qui s’est passé pendant la session.
Variables explicables
Vitesse, accélération, distance et changements de direction restent visibles et interprétables.
Prédiction précoce
La classification utilise les 15 premières secondes d’interaction.
Dix signaux importants
Les dix variables les plus utilisées par le modèle sont affichées avec leur importance et la valeur de session.
Questions de recherche
Les observations servent de points de départ pour demander au visiteur ce qu’il cherchait et ce qui a guidé son parcours.
Stack par responsabilité
Chaque technologie est replacée dans son rôle au sein du système.React
Instrumentation de l’expérience et restitution du score.
FastAPI
Collecte des lots et endpoint de prédiction par session.
Pandas · NumPy
Reconstruction et normalisation des trajectoires.
Feature engineering
Cinématique, direction, distance et agrégats temporels.
Scikit-learn · Joblib
GradientBoostingClassifier, probabilité de classe et sérialisation du modèle.
GCS · Cloud Run
Persistance des sessions et exécution de l’API.
Ce que le travail établit
Résultats observés, principaux apprentissages et prochaines mesures produit.Résultat observé
L’expérience recherche visuelle versus exploration libre sélectionne un GradientBoostingClassifier parmi 1 960 configurations : ROC-AUC interne moyenne de 0,6725 à 5 plis. Ce résultat concerne la sélection du modèle, pas un test externe.
Leçon
La cinématique du curseur, les pauses et le scroll produisent un signal comportemental exploitable très tôt dans la session.
À mesurer
Nombre de participants et sessions ; performance sur un jeu indépendant, comparaison à une baseline et latence d’inférence.
Inférence comportementale temps réelArchitecture issue du code actuel · Représentation simplifiée
De la technique à l’usage
Explorez les signaux d’un parcours de souris.
Le parcours montre comment une exploration de 15 secondes devient une empreinte d’interaction, une hypothèse du modèle et des questions de recherche.
Un film de 30 secondes pour découvrir l’outil. Interfaces actuelles et fonctionnalités mises en scène ; essayez la démo avec vos propres données.
CursorAICursorAI 01 / 05
Chaque parcourslaisse une empreinte.
Transformez les mouvements du curseur en questions sur l’expérience utilisateur.
15 secondes · Signaux d’interaction · Hypothèse de parcours
00 / 30s
Écrans actuels · Mise en scène illustrativeEssayer l’application ↗
Le film en détail
Scène 1 · Chaque parcours laisse une empreinte.
Transformez les mouvements du curseur en questions sur l’expérience utilisateur.
Écran de l’application · mise en scène illustrativeScène 2 · Explorez. Le parcours se dessine.
Mouvements, pauses, clics et défilement composent les premiers signaux.
Écran de l’application · mise en scène illustrativeScène 3 · Des gestes à une lecture.
Le classifieur explore si cette empreinte ressemble à une recherche ciblée ou à une navigation libre.
Résultat réel d’une session test CursorAIScène 4 · Dix signaux. Des questions utiles.
Reliez les variables importantes à ce que le visiteur cherchait, lisait ou hésitait à faire.
Écran de l’application · mise en scène illustrativeScène 5 · Donnez du sens aux interactions.
Une lecture exploratoire pour préparer la discussion avec vos utilisateurs.
Écran de l’application · mise en scène illustrative05 — RÉSULTAT OBSERVABLE
“ROC-AUC interne moyenne de 0,6725 en sélection de modèle à 5 plis : recherche versus exploration libre”