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.
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.
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.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.
02 — L’APPROCHE
Extraction de variables spatiales et temporelles depuis les trajectoires
Modélisation de la vitesse, de l’accélération, des pauses et des dynamiques
Comparaison de modèles interprétables et de gradient boosting
Calcul de variables en ligne avec faible latence
Prédictions servies par une API d’inférence temps réel
03 — LE RÉSULTAT
“Un score exploitable dès le début de session, capable d’alimenter la personnalisation avant l’apparition des signaux de conversion classiques.”
04 — STACK PRINCIPALE