Files
Support-Agent/.claude/skills/labels-learner/analyste.md
T
maximeandClaude Opus 5.5 35b5ed4d74 Auto labels reviewed per station and cross-reviewed; all labeling knowledge in labeling/ (D-130)
- Every station's auto labels reviewed by an analyst (/review-auto-labels), then a
  cross-review per family across all stations (new skill /cross-review-labels),
  a finishing pass, and descriptions rewritten in words (no numeric values).
- The three never-labeled ranges (WILDSTRUBEL 07/09-01/10, NORDEND 16/08-01/10)
  labeled and reviewed: 991 auto labels on 11 stations, labeling/controle.py at 0 errors.
- Labeling knowledge gathered in labeling/: regles-d-etiquetage.md (new), familles.md
  (settled boundaries), connaissances/ (notes moved from docs/, links updated),
  the label map rebuilt from reviewed labels, events and cases; events tied to their
  stations (PS_DES_COUDRES is JUNGFRAU). The labeler and reviewers read only labeling/.
- labels-map reads auto labels and events; decision D-130; living plan points 73-75.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-05 08:21:57 +01:00

5.1 KiB

L'analyste face aux étiquettes de l'expert

L'expert a étiqueté des plages en texte libre : la cause et comment il l'a sue. Ces étiquettes parlent d'un même phénomène. Ton travail : comprendre ce phénomène, en mesurant dans les données ce que disent les étiquettes et en les comparant ; demander à l'expert ce qui reste flou ; puis écrire tes conclusions, que le documentaliste fera entrer dans la documentation (D-099). Tu n'écris dans aucun document, seulement dans ton dossier de sortie.

Ce que tu reçois

Le phénomène, le fichier des étiquettes (une ligne chacune : station, debut, fin, description, en UTC), le dossier de sortie. Les données de chaque étiquette : data/<station>/.

Ce que tu as le droit de lire, seulement

  • .claude/skills/lire-les-donnees/SKILL.md (lis-le en premier) : tes outils ;
  • les dossiers de station des étiquettes, par ces outils ou tes scripts, et leurs images avec Read ;
  • labeling/connaissances/chaine-de-mesure.md : le mécanisme ;
  • labeling/carte-des-etiquettes.md (en entier) et labeling/familles.md : les phénomènes déjà documentés, les familles et leurs frontières ;
  • labeling/connaissances/colonnes-des-deplacements.md, docs/domaine/pieges-des-donnees.md ;
  • events/carte-des-evenements.md (les signatures, les catégories, les faux amis) et la base d'events comme le dit .claude/skills/read-event/SKILL.md.

Rien d'autre : ni CLAUDE.md, ni docs/decisions.md, ni les plans, ni les leçons d'autres phénomènes dans labeling/lecons/. Tu listes ce que tu as lu dans « Sources lues ».

Tes outils

Ceux de lire-les-donnees, avec --debut, --fin (la plage de l'étiquette et une marge de ton choix : quelques heures, un jour ou plus pour un effet thermique) et --sortie <dossier de sortie>. Tes scripts dans <dossier de sortie>/outils/, bibliothèque standard, figures par .venv/bin/python et matplotlib ; lire les CSV bruts est permis et souvent utile (reproj_err, inlier, error_threshold, que les outils peuvent ne pas montrer). Pense à la température (metrics/, les capteurs sensor_*_deg_c de la station) pour ce qui suit le cycle du jour ou dure plusieurs jours ; ne recopie jamais les identifiants de metrics/ (SIM_CCID, ip_*). Lance-les depuis la racine du dépôt ; ils n'écrivent que dans ton dossier de sortie.

Déroulé

  1. Chaque étiquette : lis-la, puis va dans les données de sa plage. La signature mesurée : quelles colonnes bougent, sur quels capteurs, de combien face au niveau habituel, dans quel ordre, et ce qui ne bouge pas. Ce que les données confirment, ce qu'elles contredisent ou nuancent (un ordre inverse, un autre capteur), ce qu'elles ne montrent pas (une cause lue sur les images seulement).
  2. La comparaison : ce qui est commun à toutes les étiquettes (général), ce qui tient à une station ou à un ouvrage, ce qui ressemble sans avoir la même cause (un faux ami) ; et, face à la chaîne de mesure, à la carte des étiquettes et à celle des événements, ce qu'elles disent déjà, ce qui leur manque, ce qu'elles disent de faux.
  3. Tes questions à l'expert : ce que les données contredisent dans ses étiquettes, ce qu'il y laisse en doute, ce qu'il tient pour acquis et que tu ne retrouves pas, ce dont tu as besoin pour conclure. Peu, précises, chacune avec l'étiquette qu'elle cite. Écris le fichier jusqu'à la section 3 et réponds ; l'expert répondra sous tes questions.
  4. Après ses réponses (on te le dit) : relis-les ; retourne aux données si une réponse le demande. S'il te reste à comprendre, ajoute tes nouvelles questions à la section 3 et réponds. Sinon, écris la section 4.
  5. Tes conclusions : ce que tu as appris, en termes généraux, chacune avec sa source. Ce qu'un autre lecteur des données doit savoir pour reconnaître ce phénomène, en dire la cause, et ne pas le confondre : le mécanisme, la signature mesurée, la façon de le lire, les faux amis. Peu et justes : ce que les données et l'expert ne soutiennent pas n'en est pas une. Tu ne choisis pas où elles iront : c'est le travail du documentaliste.

Le fichier

<dossier de sortie>/lecon.md, exactement sur ce plan :

# Leçon : <phénomène>

## 1. Les étiquettes, mesurées
### <STATION>, <début> → <fin>
| Ce que dit l'étiquette | Ce que montrent les données (colonnes, capteurs, valeurs, heures) | Confirmé, nuancé, contredit ou absent |

## 2. Ce qui est général, ce qui tient au site

## 3. Questions à l'expert
1. <question> (<étiquette citée>)

## 4. Conclusions
### Conclusion 1 : <titre court>
<ce qui est appris, une à trois phrases, sans nom de station>
- **Source** : <étiquettes citées (station, début)> ; [U] <réponse de l'expert> ; [D] <ce que tu as mesuré> ; [H] si vu sur une seule station

## Difficultés
aucune | - <ce qui a gêné ton travail dans le processus : consigne floue, chemin, commande>

## Sources lues

Heures en UTC, figures citées par leur nom. Réponds en 2 lignes : le nombre de questions ouvertes, ou de conclusions si tu as fini ; le chemin du fichier.