# Diagnostic-app 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:wf-improve` (le plugin du dépôt detectors) améliore les détecteurs sur la plage de l'analyse, ses étiquettes pour vérité, 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. ## Le dépôt - `app/` : la web app (serveur FastAPI, page React et Mantine) ; sa doc dans `app/README.md`. - `.claude/` : les agents de l'app, `analyste` et `tool-builder`, et le skill `lire-les-donnees` (le mode d'emploi des outils de lecture). - `agent-tools/` : les outils de lecture ; `donnees.py`, la lecture commune, sert aussi à l'app. - `labeling/` : un lien vers le dépôt `~/labeling`, partagé avec Optimizer (on y commite les étiquettes) : le savoir du labeling (`regles-d-etiquetage.md`, `familles.md`, `carte-des-etiquettes.md`, `connaissances/`), les étiquettes (`auto/.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 (voir plus bas). - `data/` : un lien vers `~/aimsight-data/data`, les données des stations, **hors de git**, un dossier par station (`displacement/`, `metrics/`, `camera/`, `images/`). ## Les détecteurs (`detectors/`) Le dépôt detectors : un détecteur par famille d'étiquettes (`scripts/`), `scripts/categories.py` qui les lance et range leurs épisodes en événements, et le plugin Claude Code qui les améliore (`/detectors:wf-improve`, avec `skills/wf-improve/scripts/score.py` et `regression.py`). Son contrat avec l'app est dans `detectors/CLAUDE.md` ; ici : - la page Data montre les événements de `categories.events`, calculés sur les mesures lues par `agent-tools/donnees.py` (les mêmes que celles de `detectors/scripts/data.py`) ; - « Optimiser les détecteurs » donne à `/detectors:wf-improve` la plage, les étiquettes (`labeling/auto/.jsonl`), la vérité de référence (`labeling/auto`, `data`), les familles (`labeling/familles.md`), le rapport de l'analyse et le dossier de sortie, `/detectors//` (la requête : `app/serveur/analyse.py`) ; - la séance commite dans `detectors/`, sur sa branche `main`, sans pousser. Ensuite : `git -C detectors push`, puis ici `git commit -m "..." -- detectors`, pour que ce dépôt pointe la nouvelle version. Mettre à jour les détecteurs : `git -C detectors pull`, puis `git commit -m "..." -- detectors`. ## Installer et lancer La tâche VS Code **Run app** fait tout : monte `detectors` la première fois (sur sa branche `main`), crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut les liens vers les données et les étiquettes : `ln -s ~/aimsight-data/data data` et `ln -s ~/labeling labeling` (les dépôts aimsight-data et labeling, clonés à côté). À la main : ```bash git submodule update --init && git -C detectors checkout -B main python3 -m venv .venv && .venv/bin/pip install -r app/requirements.txt cd app/web && npm install && npm run build && cd ../.. .venv/bin/python app/serveur/serveur.py ``` La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis. ## Pomper les données Le pompage est dans le dépôt `~/aimsight-data` (`extraction/`, tâches VS Code **pomper** et **pomper une plage**) ; mode d'emploi `~/aimsight-data/extraction/README.md`. ## Vérifier - l'app : `.venv/bin/python app/serveur/check.py` ; - les étiquettes : `python3 labeling/controle.py` (les 18 étiquettes versées par l'app n'ont pas encore `revue`, qu'elle exige : 18 erreurs attendues) ; - les détecteurs (benchmark, ~3 min) : `python3 detectors/skills/wf-improve/scripts/regression.py --labels labeling/auto --data data`.