Comprendre le Système de Recommandation Avancé

EXAI utilise un système de recommandation intelligent avec visualisation interactive pour vous aider à choisir les meilleurs datasets pour vos projets d’IA éthique.

🚀 Nouveautés du Système

Visualisation Apache ECharts

Notre nouvelle Heat Map interactive utilise Apache ECharts pour offrir :

  • ✨ Visualisation en temps réel des scores par critère

  • 🎯 Interaction native avec zoom et tooltips détaillés

  • 📊 Comparaison visuelle instantanée entre datasets

  • 🎨 Échelle de couleurs progressive (Rouge → Orange → Vert → Bleu)

  • 📱 Design responsive adaptatif desktop/mobile

Amélirations de l’Algorithme

  • 🧠 Scoring plus précis avec formules mathématiques optimisées

  • ⚖️ Pondération personnalisable en temps réel

  • 🔍 Filtrage avancé multi-critères

  • 📈 Aperçu instantané des top recommandations

Comment Ça Marche ?

1. Saisie de Vos Critères

Lors de la création d’un projet, définissez : - 📝 Objectif du projet (mots-clés, description) - 🏷️ Domaine d’application (éducation, santé, finance…​) - 🎯 Type de tâche ML (classification, régression, NLP…​) - ⚙️ Exigences techniques (taille, qualité, période…​)

2. Calcul Intelligent des Scores

EXAI évalue automatiquement tous les datasets selon 3 dimensions :

Critère Évaluation Poids défaut Ajustable

🛡️ Éthique

Anonymisation, consentement, transparence, équité, sécurité

40%

✅ 0-100%

⚙️ Technique

Documentation, qualité, taille, format, valeurs manquantes

40%

✅ 0-100%

📈 Popularité

Citations académiques, reconnaissance communautaire

20%

✅ 0-100%

3. Visualisation Interactive

La Heat Map ECharts vous montre instantanément : - 📊 Score de chaque dataset sur chaque critère - 🎨 Codage couleur intuitif (Rouge=faible, Bleu=excellent) - 💡 Tooltips détaillés au survol avec métadonnées - ⚖️ Impact des poids en temps réel

🎯 Interpréter les Scores

Échelle de Performance ECharts

La Heat Map utilise un gradient de couleurs intelligent :

🔵 85-100% - Excellent 🏆
Couleur : Bleu → Dataset exceptionnel, choix optimal

🟢 60-85% - Bon ✅
Couleur : Vert → Fortement recommandé, qualité élevée

🟠 30-60% - Moyen ⚠️
Couleur : Orange → Utilisable avec réserves, vérifiez vos priorités

🔴 0-30% - Faible ❌
Couleur : Rouge → Non recommandé, qualité insuffisante

Navigation dans la Heat Map

Interaction avec les Cellules

  • 👆 Clic : Sélectionner un dataset pour plus de détails

  • 🖱️ Survol : Affichage instantané des informations détaillées

  • 🔍 Tooltip : Score exact, poids appliqué, métadonnées

Légende Interactive

  • 📊 Échelle visuelle : Comprendre l’intensité des couleurs

  • ⚖️ Poids actifs : Voir quels critères influencent les scores

  • 📈 Statistiques : Nombre de datasets analysés et critères évalués

🛠️ Personnalisation Avancée

Ajustement des Poids en Temps Réel

Utilisez les sliders pour modifier l’importance de chaque critère et voir immédiatement l’impact sur la Heat Map :

🎓 Projet de Recherche Académique

Éthique     : 30% ⬇️  (Critères flexibles)
Technique   : 40% →   (Qualité importante)
Popularité  : 30% ⬆️  (Citations cruciales)

🏭 Application Industrielle

Éthique     : 60% ⬆️  (Conformité réglementaire)
Technique   : 40% →   (Performance requise)
Popularité  : 0%  ⬇️  (Non pertinent)

⚡ Prototype Rapide

Éthique     : 20% ⬇️  (Contraintes allégées)
Technique   : 80% ⬆️  (Facilité d'utilisation)
Popularité  : 0%  ⬇️  (Validation non requise)

Filtres Intelligents

Filtrage Multi-Critères : - 🏢 Secteur : Éducation, Santé, Finance, Transport, Commerce - 📊 Taille : Instances (min/max), Variables (min/max) - 📅 Période : Année de création (2015-2024) - 🔒 Exigences : Anonymisé, Public, Pré-divisé - ⭐ Qualité : Score éthique minimum

📱 Interface Utilisateur Moderne

Zone d’Aperçu Temps Réel

Panel de droite avec mise à jour instantanée : - 📊 Compteur dynamique : X datasets trouvés - 🏆 Top 3 recommandations avec scores en direct - ⚖️ Explication des poids appliqués - 💡 Conseils contextuel selon vos critères

Heat Map Apache ECharts

Visualisation centrale interactive : - 📐 Grille responsive adaptée au nombre de critères - 🎨 Dégradé de couleurs optimisé pour l’accessibilité - 📱 Défilement horizontal automatique si nécessaire - ⚡ Animations fluides lors des changements de paramètres

Informations Contextuelles

Barre d’informations sous la Heat Map : - 📊 X critères analysés - Nombre de dimensions évaluées - 🗃️ Y datasets comparés - Taille de l’échantillon analysé - 🖱️ Apache ECharts CDN - Technologie de visualisation utilisée

❓ Questions Fréquentes Avancées

Q: Pourquoi la Heat Map change quand je modifie les poids ? A: C’est normal ! Les couleurs reflètent les scores recalculés en temps réel selon vos nouvelles priorités.

Q: Comment interpréter une ligne très colorée vs une ligne terne ? A: - Ligne avec couleurs vives → Dataset performant sur certains critères - Ligne uniformément terne → Dataset médiocre sur tous les critères - Ligne contrastée → Forces et faiblesses marquées

Q: La Heat Map ne s’affiche pas ? A: Vérifiez que : 1. Vous avez défini au moins un poids > 0% 2. Votre connexion permet de charger Apache ECharts (CDN) 3. JavaScript est activé dans votre navigateur

Q: Comment comparer efficacement plusieurs datasets ? A: 1. Regardez les colonnes verticalement pour comparer sur un critère 2. Regardez les lignes horizontalement pour le profil d’un dataset 3. Utilisez les tooltips pour les détails exacts

Q: Puis-je exporter ou sauvegarder la Heat Map ? A: Clic droit sur la Heat Map → "Enregistrer l’image sous…​" (fonctionnalité native d’ECharts)

🎯 Bonnes Pratiques Avancées

Stratégie de Sélection

✅ 1. Exploration Large - Commencez avec les poids par défaut - Observez la distribution générale dans la Heat Map - Identifiez les clusters de performance

✅ 2. Affinement Progressif - Ajustez UN poids à la fois - Observez l’impact sur les couleurs - Notez les datasets qui changent de rang

✅ 3. Validation Croisée - Vérifiez les tooltips des top candidats - Comparez les profils de performance - Consultez la documentation détaillée

✅ 4. Test d’Impact - Testez des configurations de poids extrêmes - Identifiez vos critères vraiment critiques - Revenez à une configuration équilibrée

Optimisation des Performances

🚀 Pour des résultats optimaux : - Utilisez des critères de recherche précis - Appliquez des filtres préliminaires pour réduire l’ensemble - Sauvegardez vos configurations de poids favorites - Documentez votre processus de sélection pour la reproductibilité

Cette approche méthodologique garantit des choix de datasets éclairés, justifiés et optimaux pour vos projets d’IA éthique ! 🎯🚀