La web app de diagnostic AIMsight : la page Data (courbes, images de la caméra, étiquettes, événements des détecteurs) et son onglet Analysis, qui lance par `claude -p` :
- l'`analyste`, sur une plage choisie (« Analyser la plage ») : un rapport de diagnostic et des étiquettes ;
- « Optimiser les détecteurs », sur une analyse finie : `/detectors:detector-learner <analyse>` (le plugin du dépôt detectors) améliore les détecteurs depuis cette analyse, sans sur-apprentissage, contrôlé par le benchmark de toutes les étiquettes ; puis le `tool-builder` fait entrer les scripts de l'analyste dans les outils de lecture.
-`labeling/` : le savoir du labeling (`regles-d-etiquetage.md`, `familles.md`, `carte-des-etiquettes.md`, `connaissances/`), les étiquettes (`auto/<STATION>.jsonl`, la vérité du benchmark ; `manual/`), les analyses de l'app (`auto/analyses/`), et `controle.py`, `ids.py`.
-`detectors/` : le dépôt **detectors**, en sous-module : les détecteurs et le plugin Claude Code qui les améliore (`/detectors:detector-learner`), ses séances et son historique. La séance y commite ; pousser `detectors` pour que tous aient les détecteurs à jour.
La tâche VS Code **Run app** fait tout : monte `detectors`, crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut seulement les données :
La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis. Vérifications : `.venv/bin/python app/serveur/check.py`. Benchmark des détecteurs : `python3 detectors/skills/detector-learner/regression.py`.