maximeandClaude Opus 5.5 462ba9e9a1 Le pompage (extraction/, tâches pomper et pomper une plage) ; docs alignées sur detectors et sans renvois à Support-Agent
- extraction/ : pomper.sh, pomper.py, stations.txt, lenzspitze_absolu.py repris de Support-Agent (code inchangé), README adapté ; .env à la racine, sortie dans out/
- README, CLAUDE.md, app/README réécrits : contrat avec detectors, pompage, vérifications
- app/requirements.txt, seule liste des paquets Python (sans plotly ; matplotlib, pillow)
- commentaires de l'app et nom du paquet npm sans renvois à Support-Agent ; familles.md : detectors/scripts/

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-11-13 14:47:51 +01:00

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/ : 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 (voir plus bas).
  • extraction/ : le pompage, qui remplit data/ depuis la plateforme AIMsight, en lecture seule ; mode d'emploi dans extraction/README.md.
  • 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/, 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 seulement les données : les pomper (ci-dessous), ou un lien vers un data/ existant (ln -s <chemin>/data data).

À la main :

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

Il faut un .env à la racine (identifiants de la base et du S3 de la plateforme, hors de git ; les noms des variables dans extraction/README.md), et uv. Puis, tâches VS Code :

  • pomper : met à jour les stations suivies (extraction/stations.txt) jusqu'à maintenant, images comprises (extraction/pomper.sh) ;
  • pomper une plage : une plage de jours UTC (--au exclu) pour une ou plusieurs stations (extraction/pomper.sh --du AAAA-MM-JJ --au AAAA-MM-JJ --images --delai 300 <SERIE>).

La sortie s'ajoute à out/pompage.log. Le pompage de chaque nuit (Planificateur de tâches de Windows) : 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.
S
Description
Diagnostic app for AIMsight
Readme
6.8 MiB
0 Stars 1 Watchers 0 Forks
Languages
JavaScript 50.7%
Python 46.7%
CSS 2.2%
HTML 0.4%