Six habitudes,et les projets qui me les ont apprises.

Le classifieur de YEPA est évalué sur 350 échantillons annotés par les chercheuses en pédagogie, pas sur une démo qui s'est bien passée. Le modèle d'entités censé remplacer l'extraction plafonnait à un F1 de 0,024 : j'ai écrit ce chiffre dans le rapport et j'ai arrêté le modèle, plutôt que de livrer quelque chose d'indéfendable.

Sur KOCO Predict, j'ai évalué chaque modèle deux fois, une fois sur la courbe interpolée et une fois sur les seuls jours de collecte réels, parce que le premier chiffre mesure surtout l'accord avec une droite que j'avais tracée moi-même. Les deux classements ne sont pas tombés d'accord, et c'est ce désaccord qui était le résultat.

Sortir les éléments signifiants d'un entretien YEPA est une tâche ouverte : un LLM contraint par un schéma a battu net un NER affiné. Ranger ces mêmes éléments dans les sept concepts d'une ontologie pédagogique est une tâche fermée et répétable : un petit classifieur entraîné sur 14 000 échantillons a devancé de douze points tous les modèles de pointe que j'ai testés. Même produit, même semaine, réponses opposées.

Dans Atelier, je découpe le travail sur la même ligne : ffmpeg trouve les silences, parce qu'un blanc entre deux mots relève de l'arithmétique, et le modèle ne lit que des mots et rend des indices qu'il ne peut pas inventer. La moitié coûteuse et faillible ne tourne que là où le jugement est vraiment nécessaire.

FlowerCam fait de la détection de visages et de la reconnaissance d'identité sur chaque image d'un flux vidéo relayé, et la fleuriste ne devrait voir que sa cliente en train de se promener dans la boutique. C'est la rigueur du dessous qui permet à la surface de rester calme. Ce n'est pas une chose à exposer.

YEPA repose sur une ontologie pédagogique issue de la recherche, et rien de ce vocabulaire n'a sa place à l'écran : la personne doit voir sa propre expérience, bien décrite. Chaque résultat généré imprime quand même ses cartes sources en dessous, pour que la rigueur reste vérifiable sans jamais devenir l'interface.

L'entretien de YEPA est passé devant 36 participants, en trois vagues de tests, avant tout travail de finition. La deuxième vague a désigné la latence comme la friction principale, la troisième version a donc été la version simplifiée, et le score qui comptait, le temps laissé pour réfléchir, est resté au plafond du début à la fin. Les mêmes vagues ont mis un chiffre sur l'outil le plus faible, la correspondance d'emploi, à 3,75 sur 5. C'est exactement à ça que sert un prototype.

Sur Dutine, un sondage de sept personnes et huit questions a déplacé tout le produit : 57 % pensaient tenir les deux rôles, donc l'inscription crée une relation avec soi-même au lieu d'un mode solo greffé sur le côté. Sept réponses ont changé le produit plus qu'un mois de réflexion.

La décision phare de YEPA, entraîner notre propre classifieur plutôt que d'interroger un modèle de pointe, a tenu parce que le pourquoi était écrit : nous avons testé trois tailles de GPT-5 et la famille Claude avec des prompts optimisés, et ils plafonnaient. Le résultat publié dit que la difficulté était la nuance conceptuelle, pas l'échelle, et le prix a été posé sur la table en même temps : posséder le modèle, c'est posséder une chaîne d'entraînement et un corpus annoté au lieu de louer une API. Deux chercheurs en pédagogie portent cet arbitrage avec moi parce qu'il leur a été expliqué, pas annoncé.

Sur KOCO Predict, j'ai fait passer la prévision de l'heure au jour, soit l'inverse de ce qui avait été convenu. À l'heure, 2 % des points étaient de vraies mesures. Au jour, 26 %. Le modèle devenait moins flatteur et les chiffres devenaient utilisables, et ce n'est une bonne décision que si on sait la dire en délais et en coûts, dans les mots du client.

YEPA a un seul ingénieur à plein temps, moi, donc toute règle qui dépend de la mémoire finira par ne pas être appliquée. La barrière de déploiement lit le diff d'infrastructure et s'arrête si un changement remplaçait une table ou un pool d'utilisateurs. Des limites de taille par type de fichier, et une procédure écrite pour extraire une fonctionnalité vers le paquet partagé, font le même travail côté code.

Le présent d'un day trader dure quelques heures, celui d'une caisse de pension un trimestre, et si cette frontière est apprise par le modèle, servir les deux publics oblige à réannoter le corpus et à tout réentraîner. Sur SAFE, les seuils temporels vivent donc dans un fichier de configuration, et les dates explicites n'atteignent jamais le réseau : changer ce que « présent » veut dire est une ligne, pas un réentraînement.