TL.

01Computer Vision · Projet phare

AttentionAI

Prédire l’attention visuelle avant la mise en production.

Tester la démo
VUE D’ENSEMBLE

Un système guidé par la recherche qui prédit où le regard est susceptible de se poser sur une interface à partir d’une simple capture — pour transformer l’attention visuelle en signal de design exploitable.

RESEARCHMODELPRODUCT

Anatomie du projet

De la capture d’écran aux zones d’attention probables.

Le système orchestre une inférence de saillance visuelle asynchrone, puis transforme la prédiction en heatmap et en recommandations UX contextualisées.

Pipeline principal

Sélectionnez une étape pour comprendre la transformation des données.
Étape sélectionnée

L’utilisateur importe une capture d’écran et précise l’objectif d’attention qu’il souhaite évaluer.

Pipeline de computer visionArchitecture issue du code actuel · Représentation simplifiée
De la technique à l’usage

Observez comment une interface devient une carte d’attention.

La séquence ci-dessous reprend les moments clés du produit : analyse de la capture, construction de la heatmap et lecture des zones qui concentrent probablement le regard.

Démonstration pédagogique : les données sont locales et certains calculs sont simulés ou accélérés.
01Démonstration interactive — prédisez l’attention visuelle

01 — LE DÉFI

Un modèle utile commence par la bonne question.

L’eye-tracking fournit des preuves précises, mais reste coûteux et lent à mobiliser au quotidien. L’objectif était de transformer l’état de l’art scientifique sur l’attention en un outil UX immédiat et accessible.

02 — L’APPROCHE

De l’hypothèse au système fonctionnel.

  1. 01

    Constitution et préparation de jeux de données d’attention visuelle

  2. 02

    Comparaison de modèles CNN et transformers

  3. 03

    Génération de heatmaps interprétables

  4. 04

    Service d’inférence conçu avec FastAPI

  5. 05

    Déploiement d’un parcours interactif d’évaluation des designs

03 — LE RÉSULTAT

Un démonstrateur orienté produit qui permet d’importer une interface et d’identifier ses zones d’attention probables avant de conduire une étude utilisateur.

04 — STACK PRINCIPALE

PythonTensorFlowTransformersVertex AIFastAPIGCP
PROJET SUIVANT · 02SearchAI