Social Weight Manager : la gestion intelligente du poids

Le nom du projet était initialement iLife, mais Apple(c) nous a ennuyé avec ce nom. Alors iLife est devenu « Social Weight Manager ».

iLife est une sous brique du projet plus général iBrain, à qui il est délégué les flux d’informations d’une personne donnée. L’application a pour but la gestion intelligente du poids à travers les réseaux sociaux, le quantified self, les objets connectés et les propres données déclaratives. C’est une application de « coaching santé » pilotée par ces 4 entrées de data.

iLife a trois objectifs :
– Donner du sens à la donnée
– Extraire des bénéfices
– Construire un profil consolidé

Aujourd’hui, les personnes produisent de la donnée en permanence, que ce soit sur Twitter, sur Foursquare, ou bien avec RunKeeper, et bien encore d’autres. Ces informations seront travaillées à l’intérieur de la boîte noire – iBrain (qui possède des algorithmes de calculs et produit des résultats en retour des entrées).

Ce que souhaite l’équipe R&D de 50A, c’est transformer une série d’informations en une connaissance directement exploitable.

C’est un métier qui est très complexes pour beaucoup de raison. Par exemple, il faut prendre en compte finement le contexte : à partir de quand estime-t-on qu’une personne ne fait pas assez de sport ? A partir de combien de pizzeria doit on indiquer que la suivante sera celle de trop ? Aussi, L’information que nous captions peut être parcellaire. Elle est souvent bruitée comme sur twitter, et des tics de langages sont compliqués à interpréter : songez par exemple à l’ironie ! Dans l’ensemble, les données ne sont pas non plus structurées et souvent éparpillées à travers de nombreux réseaux sociaux dont la gestion du profil est propriétaire.

Pour produire cette valeur ajoutée, nous utilisons de l’intelligence artificielle. Cela va des filtres, en passant par toute une panoplie de rapprochement par racine, des expertises lexicographiques et sémantiques. Nous aurions pu aussi utiliser les réseaux de neurones pour faire de l’apprentissage. Nous avons fait le choix de la recorrélation, des probabilités et des systèmes experts.

 

 

La recorrélation, c’est (pour faire simple), le fait de coupler des éléments à priori différents et de se demander si cela fait du sens. Par exemple une personne qui poste sur Twitter à propos de sport et indique qu’lle court sur Runkeeper. Autre exemple, si une personne a déclaré faire un régime et qu’elle se checke sur Foursquare dans une pizzeria, iLife va pouvoir reconnaître que cela n’est pas une situation consistante puisqu’elle crée un paradoxe. La connaissance qui sera produite sur ce type d’exemple est l’antinomie : la personne qui dit être au régime et qui a pour déjeuner une pizza, va produire une connaissance qui pourra exemple lui indiquer que ce n’est pas très cohérent. Ainsi, à partir de 2 informations, nous avons créé de la connaissance directement exploitable sous forme de surveillance, d’alerte, de conseil, etc…

La démarche employée est donc scientifique : reposant sur le doute, elle va émettre des hypothèses pour construire une théorie qui va ou non valider des faits (abduction). Une fois ce modèle construit, la récupération d’information produit de la connaissance et déclenche les actions (déduction).

Ainsi, petit à petit, nous essayons de comprendre l’information éparpillée et bruitée des réseaux sociaux.

Pour cela, il faut prendre en compte les nombreux traitements intuitifs (réseaux sociaux, quantified self, autres données) et voir si ces données sont pertinentes, utilisables, quantifiables… En agrégeant, ces informations dans les filtres et le système expert après une série de pré traitements, nous tentons d’aller reconnaitre les champs sémantiques et les actions induites dans l’information : tel ou  tel filtre permettra de reconnaître si tel adjectif employé est positif ou négatif, les bases de connaissances vont aider à repérer les mots clés filtrés qui seront intéressants et générer automatiquement les liaisons (ex: pizza – nutrition – calories & lipides).

L’ensemble de ces informations captées vont permettre de dresser un profil continu (au sens du temps réel) qui sera discrétisé (pose d’indicateur), car cela est à ce stade plus simple à travailler pour l’équipe R&D de 50A. Un profil consolidé sera créé et sera sans cesse alimenté par les données en temps réel, la base de connaissances (pizza) et les règles (« 5 pizzas ce n’est pas bien »). La personne prendra des points négatifs ou positifs en fonction de tel ou tel repérage car il faudra bien à un moment donné trancher : sa conduite est bonne ou non, son assuidité au sport est correct, …

La R&D 50A cherche donc à construire des modèles et des indicateurs qui permettront, pour un contexte donné, de construire une « pente de vie en temps réel » vis à vis de son profil : une personne de 80 kg qui démarre un régime aujourd’hui n’est pas la même chose qu’une personne qui fait également 80 kg mais qui a commencé son régime il y a deux mois. Pour l’un tout reste à commencer, à démontrer. Pour l’autre, une inertie est en place, la reprise du sport probablement, etc… Pour le premier, manger une pizza est un vrai mauvais signal. Pour l’autre, à peine un incident de parcours.

Et c’est la caractéristique principale de ce système global que d’associer contexte, modèle, indicateur, traitement en temps réel pour générer des actions pour la personne et l’aider à gérer son poids : alerter, recommander, souligner, etc.

Ce projet s’insère dans un partenariat de 3 ans avec le CNRS : la première année a donné naissance à iPlace, un agenda lifestyle intelligent, la deuxième année sera sous le signe de la santé avec iLife, et pour finir iBrain.

iBrain, c’est 3 ingénieurs, 1 Directeur de recherche, une agence, et un partenariat avec le CNRS.

Le but de iLife est donc d’aider à rester dans cette zone de santé ++.

iPlace : de l’intelligence à la pratique

Depuis 18 mois l’agence hybride 50A développe un programme de R&D, iBrain. Ce cerveau sémantique allie de la donnée, de la data, et essaye de comprendre ces informations pour nous proposer des activités. Un des objectifs est donc de capter, consolider et analyser les flux issus des réseaux sociaux pour en extraire de nouvelles informations, et tenter décloisonner toutes les communautés auxquelles nous sommes attachées. Dans ce contexte, iPlace montre un premier usage des résultats de ces recherches.

L’application a été créée à partir d’un besoin : « sortir mais de manière intelligente, et mutualiser les contacts », tâche compliquée lorsque tu as un réseau de 600 à 700 personnes. Le principe : relayer les bons plans et les amis virtuels. iPlace est un assistant personnel intelligent lifestyle. Un coup de « shake » et l’application propose un programme journalier.

A la différence des autres applications de géolocalisation basées sur un push, iPlace est un concept innovant. Constituée en algorithme, l’application propose un parcours dynamique. iPlace s’appuie sur une louche de données collectées sur les réseaux sociaux tels que Foursquare ou Facebook, une pincée d’informations issues de Google local Business, une bonne dose d’Api Event. Mais comment l’application apporte t’elle ces informations ? iPlace ce n’est pas juste « je vois ce que mes amis ont fait et apprécié » mais c’est « en fonction de mes centres d’intérêts/endroits » : l’application suggère de nouveaux endroits, elle nous offre du sur-mesure.

Le but n’est pas que la machine prenne le pas sur nous, mais qu’elle nous suggère des pistes pour aller au-delà de la géolocalisation. La finalité serait qu’en fonction de mes émotions (envie, santé, objectifs), iPlace me propose des activités ou des lieux propices à mes attentes.

Notre « couveuse », la R&D, donne naissance à des prototypes. Si ces derniers répondent aux attentes du marché, alors le département se transformera en start-up.

iPlace