Gestion des Projets

La gestion des projets dans EXAI vous permet de créer, configurer et analyser vos projets d’apprentissage automatique de manière structurée. Chaque projet peut être personnalisé avec des critères spécifiques et des poids de scoring pour obtenir des recommandations de datasets optimales.

Vue d’ensemble

Un projet EXAI est une entité qui regroupe :

  • Configuration personnalisée : Critères de sélection spécifiques à votre cas d’usage

  • Poids de scoring : Pondération des différents critères selon vos priorités

  • Recommandations temps réel : Datasets suggérés avec mise à jour automatique

  • Visualisation intégrée : Heat map des scores par critère directement dans l’interface

Accéder aux Projets

  1. Connectez-vous à l’interface EXAI

  2. Dans le menu de navigation de gauche, cliquez sur Projets 📁

  3. Vous accédez à la liste de vos projets existants

Créer un Nouveau Projet

Interface Améliorée

Le formulaire de création a été repensé pour une expérience utilisateur optimale :

  • Sections organisées : Critères regroupés par thématique

  • Prévisualisation automatique : Mise à jour des recommandations en temps réel

  • Interface responsive : Adaptation automatique à votre écran

  • Validation intelligente : Feedback immédiat sur vos sélections

Étape 1 : Informations de Base

  1. Sur la page de liste des projets, cliquez sur le bouton + Nouveau Projet

  2. Remplissez les informations essentielles :

    • Nom du projet : Nom descriptif (ex: "Analyse Performances Étudiantes")

    • Description : Contexte et objectifs de votre projet (optionnel)

Étape 2 : Définir le Contexte

Section "Contexte du Projet" 🎯

Décrivez l’objectif de votre analyse :

  • Description/Objectif : Mots-clés décrivant votre analyse (ex: "prédiction réussite", "classification comportement")

Utilisez des termes descriptifs de votre objectif métier plutôt que des noms techniques

Section "Domaine d’Application" 🏢

Précisez votre secteur d’activité :

  • Secteurs d’activité : Un ou plusieurs domaines avec icônes visuelles

    • 🎓 Éducation

    • 🏥 Santé

    • 💰 Finance

    • 🚗 Transport

    • 🛒 Commerce

  • Type de tâche ML : Algorithmes envisagés avec icônes

    • 🎯 Classification

    • 📈 Régression

    • 🔄 Clustering

    • 💬 NLP

    • 👁️ Vision par ordinateur

Étape 3 : Exigences Techniques (Optionnelles)

Section "Exigences Techniques" ⚙️

Spécifiez vos contraintes techniques si nécessaire :

Taille du Dataset : * Nombre d’instances : Plage min-max d’exemples (ex: 1000 à 1M+) * Nombre de variables : Plage min-max de caractéristiques (ex: 5 à 100)

Période et Qualité : * Période de création : Années de publication souhaitées (ex: 2015-2024) * Score éthique minimum : Seuil de conformité éthique - Aucune exigence - 30% - Acceptable - 50% - Bon - 70% - Très bon - 90% - Excellent

Caractéristiques Spéciales : * ☑️ Déjà divisé (train/test) * ☑️ Anonymisé * ☑️ Accès public

Étape 4 : Pondération des Critères

Section "Pondération des Critères" ⚖️

Ajustez l’importance de chaque critère avec des sliders intuitifs :

  • Score Éthique (0-100%) : Conformité éthique et respect des données

  • Score Technique (0-100%) : Qualité technique et documentation

  • Popularité (0-100%) : Usage dans la communauté scientifique

  • Anonymisation (0-100%) : Protection des données personnelles

  • Documentation (0-100%) : Disponibilité de la documentation

  • Qualité des Données (0-100%) : Absence de valeurs manquantes

Fonctionnalités avancées : * Bouton "Valeurs par défaut" : Restaure une configuration équilibrée * Critères actifs : Affichage des critères sélectionnés avec leurs poids * Validation temps réel : Vérification automatique de la cohérence

Aperçu Temps Réel

Panneau de Prévisualisation

Pendant votre configuration, observez en temps réel :

Compteur Dynamique : * Nombre de datasets trouvés avec vos critères * Mise à jour automatique à chaque modification

Top 3 Recommandations : * Affichage des 3 meilleurs datasets * Informations essentielles : nom, objectif, taille * Score de compatibilité visuel avec codes couleur

Feedback Visuel : * 🔍 Calcul des recommandations (spinner) * ❌ Aucun dataset trouvé (guidance pour ajuster) * ✅ Résultats trouvés (aperçu des recommendations)

L’aperçu se met à jour automatiquement avec un délai de 800ms pour éviter trop d’appels serveur.

Heat Map Intégrée

Visualisation Avancée

Une heat map apparaît automatiquement sous le formulaire quand des résultats sont disponibles :

Caractéristiques : * Légende colorée : Du rouge (faible) au bleu (excellent) * Datasets en lignes : Noms et métadonnées essentielles * Critères en colonnes : Avec poids associés affichés * Cellules interactives : Hover pour détails, scores exacts * Score total : Colonne finale avec couleur correspondante

Interactivité : * Tooltips : Informations détaillées au survol * Zoom au survol : Effet visuel sur les cellules * Responsive : Adapté aux écrans mobiles et tablettes

Étape 5 : Sauvegarde

  1. Vérifiez la configuration dans l’aperçu

  2. Consultez la heat map pour valider la pertinence

  3. Cliquez sur Créer le Projet

  4. Redirection automatique vers la vue détaillée du projet

Modifications et Mises à Jour

Edition Simplifiée

L’interface d’édition conserve toutes les fonctionnalités :

  • Formulaire pré-rempli : Valeurs existantes chargées automatiquement

  • Aperçu mis à jour : Changements visibles en temps réel

  • Sauvegarde intelligente : Seules les modifications sont sauvegardées

Optimisations Performance

Debouncing Automatique : * Évite les appels API excessifs * Interface fluide sans "tremblements" * Mise à jour optimisée des recommandations

Gestion des États : * Indicateurs de chargement appropriés * Gestion d’erreurs avec messages clairs * Validation côté client et serveur

Bonnes Pratiques Mises à Jour

Configuration des Critères

Approche Progressive : . Commencez par le contexte et le domaine (essentiels) . Ajoutez les exigences techniques si nécessaires . Ajustez les poids selon l’aperçu obtenu

Optimisation des Résultats : * Observez l’aperçu : Ajustez si trop ou pas assez de résultats * Utilisez la heat map : Identifiez les patterns de scoring * Testez différents poids : Voyez l’impact sur les recommandations

Analyse Visuelle

Lecture de la Heat Map : * Colonnes uniformes : Tous les datasets se valent sur ce critère * Lignes contrastées : Dataset avec des forces/faiblesses marquées * Patterns diagonaux : Corrélation entre critères

Prise de Décision : * Score total élevé ≠ toujours meilleur choix * Analysez par critère : Vérifiez la cohérence avec vos priorités * Considérez le contexte : Métadonnées au-delà des scores

Dépannage Amélioré

Problèmes d’Interface

Aperçu qui ne se charge pas : * Vérifiez votre connexion internet * Attendez la fin du delai de debouncing (800ms) * Rafraîchissez la page si l’erreur persiste

Heat map vide : * Assurez-vous d’avoir des poids définis (> 0%) * Vérifiez qu’il y a des datasets dans l’aperçu * Les datasets sans données peuvent ne pas apparaître

Optimisation des Résultats

Trop de résultats : * Ajoutez des critères techniques plus restrictifs * Augmentez le score éthique minimum * Spécifiez une plage d’années plus restreinte

Pas assez de résultats : * Élargissez les plages numériques (instances, features) * Réduisez le score éthique minimum * Supprimez des critères optionnels (cases à cocher)

Pour plus d’assistance technique, consultez le Guide Développeur ou contactez le support.