Projet clientIAEn ligne
Wellnix
Produit de santé IA avec deux modules opérationnels : MuscleAI analyse la technique de levée à partir d'une vidéo d'entraînement, et NutriAI lit une étiquette nutritionnelle et la note selon vos objectifs.
Résultat
Analyse de la technique et lecture d'étiquettes dans un seul produit
Le problème
S'entraîner chez soi, c'est n'avoir personne pour dire que le geste est mauvais avant que quelque chose ne fasse mal.
Ce que j'ai construit
Un pipeline de vision par ordinateur qui analyse la posture et le mouvement à partir de vidéos de téléphone ordinaires, et un lecteur d'étiquettes qui extrait les ingrédients et les tableaux nutritionnels et les note selon les objectifs et le régime alimentaire de l'utilisateur. Les deux alimentent un seul profil.
Le résultat
Un retour sur l'exécution sans coach dans la pièce, et pour tout aliment emballé une note de consommation claire avec son raisonnement, adaptée à la personne qui la lit.
Comment ça marche
- 01
L'utilisateur filme un mouvement avec un appareil photo de téléphone ordinaire, sans objet connecté ni capteur de profondeur.
- 02
L'estimation de pose extrait les positions articulaires image par image et le mouvement est noté par rapport à la forme que l'exercice devrait avoir.
- 03
Le retour arrive sous forme de correction précise, pas de note, parce qu'un chiffre ne dit à personne quoi changer.
- 04
La photo d'une étiquette nutritionnelle est lue pour en tirer les ingrédients et les valeurs du tableau, puis renvoyée sous forme de note de consommation avec le raisonnement qui la justifie, adaptée aux objectifs et au contexte de santé de l'utilisateur.
La couche IA
Estimation de pose sur les images vidéo, puis notation par règles du squelette extrait face aux critères d'exécution propres à chaque exercice. La notation n'est délibérément pas un modèle : les règles d'exécution sont connues, explicables et plus faciles à corriger quand un coach les conteste. Côté nutrition, l'extraction de l'étiquette alimente un modèle qui explique la note en fonction du profil propre à l'utilisateur.
La couche ingénierie
Capture côté client, analyse côté serveur, échantillonnage d'images pour rester abordable, et un modèle de données qui garde mouvement et nutrition dans un seul profil au lieu de deux applications.
Décisions techniques clés
Notation déterministe au-dessus d'un modèle appris.
L'estimation de pose est la partie que seul un modèle peut faire. Juger si un genou dépasse la pointe du pied relève de l'arithmétique, et le faire en code rend chaque jugement explicable à l'utilisateur.