Files
aimsight-app/README.md
T

4.0 KiB

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/<STATION>.jsonl, la vérité du benchmark ; manual/), les analyses de l'app (auto/analyses/), et controle.py, ids.py.
  • detectors/ : un lien vers le dépôt detectors (~/detectors), partagé avec Optimizer (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/<STATION>.jsonl), la vérité de référence (labeling/auto, data), les familles (labeling/familles.md), le rapport de l'analyse et le dossier de sortie, <analyse>/detectors/<heure>/ (la requête : app/serveur/analyse.py) ;
  • la séance commite dans detectors/, donc dans le dépôt ~/detectors, sur sa branche courante, sans pousser : Optimizer a aussitôt les nouveaux détecteurs. Pousser : git -C detectors push.

Mettre à jour les détecteurs : git -C detectors pull.

Installer et lancer

La tâche VS Code Run app crée .venv et construit le front s'ils manquent, puis lance le serveur. Il faut les liens vers les données, les étiquettes et les détecteurs : ln -s ~/aimsight-data/data data, ln -s ~/labeling labeling et ln -s ~/detectors detectors (les dépôts aimsight-data, labeling et detectors, clonés à côté).

À la 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.