Des graphiques qui prédisent, s'expliquent et dialoguent avec l'IA
Expérimental - pas encore stable
La couche IA @michi-vz/insights est expérimentale : son API, ses sous-chemins et ses sorties peuvent changer dans les futures versions. Les 16 graphiques du cœur sont stables ; insights (et le nouveau graphique Fontaine) ne le sont pas encore. Fixez une version si vous en dépendez.
Un graphique se contente habituellement de dessiner le passé. @michi-vz/insights le fait prévoir l'avenir, s'expliquer en langage clair, repérer les données incorrectes et répondre à un assistant IA - le tout dans le navigateur, sans serveur et sans rien qui quitte la page. C'est opt-in et cela utilise des méthodes classiques de manuel (pas de boîte noire) ; chaque graphique michi-vz porte déjà un ChartContext structuré, et ces fonctionnalités se contentent de le lire.
Ci-dessus, un véritable graphique en courbes. Activez Forecast pour voir une prédiction en pointillés + une zone de prévision ombrée ; Explain écrit une phrase à partir des données. Sans serveur - tout s'exécute dans votre navigateur.
Un modèle assiste ; il ne décide pas.
Des modèles différents donnent des réponses différentes, et même un modèle performant peut se tromper - d'autant plus qu'il est petit et rapide. Ces outils accélèrent la lecture d'un graphique ; ils n'en assument pas la responsabilité. Traitez toute sortie de modèle comme un point de départ, appuyez-vous sur le repli déterministe basé sur des règles comme référence honnête, et vérifiez tout ce qui compte avant d'agir en conséquence. L'IA est là pour aider, pas pour répondre à votre place.
Ce que ça fait
Quatre choses deviennent possibles dès qu'un graphique porte son propre sens structuré :
Lire et piloter des graphiques depuis un assistant IA
C'est la fonctionnalité phare. Imaginez la revue de tableau de bord du lundi matin : quelqu'un demande « quelle région est en train de décrocher ? » et un assistant répond en quelques secondes - non pas en scrutant des pixels, mais en appelant get_chart_context, en lisant le même résumé structuré que le graphique porte déjà, en repérant la série dont la tendance s'est retournée, et en appelant highlight pour que tout le monde la voie. Des appels de fonction, pas des captures d'écran. Chaque graphique michi-vz expose son sens (ChartContext) et ses commandes comme des outils, et ces outils parlent MCP (Model Context Protocol) - de sorte que Claude Code, Codex, Cursor et Claude Desktop pilotent vos graphiques en direct sans aucune intégration personnalisée. Essayez les boutons (chacun est un véritable appel d'outil) :
Typo-tolerant - understands near-misses like "hilight east" and suggests a fix when unsure. A model can be confidently wrong and different models answer differently, so don't trust AI blindly - verify before you act.
// In your app - bring your own LLM caller:
import { createAgent, chartHandle } from "@michi-vz/insights/agent";
const agent = createAgent({ charts: [chartHandle("revenue", chart, props)], llm: myCaller });
await agent.ask("Filter to the top 5 and forecast next quarter");La connecter tient en un seul appel au registre par graphique - le serveur MCP, la liste complète des outils, et les ressources michivz://chart/<name> se trouvent dans Agents & MCP dans la référence ci-dessous.
Prédire l'avenir
Ajoutez un seul plugin et le graphique se dote d'une prédiction en pointillés, d'une bande de confiance, et d'un chiffre de précision validé par backtesting (afin qu'il soit digne de confiance, pas une simple estimation). La prévision fonctionne sur Line, Fan, Range, Area et la famille des barres empilées.
import { forecast } from "@michi-vz/insights/forecast";
mountLineChart(el, { dataSet: revenue, xAxisDataType: "date_annual" }, {
plugins: [forecast({ method: "holt-winters", horizon: 4, level: 0.95 })],
});
// getContext().summary → "...Revenue projected to 189 by 2027 (holt-winters, MAPE 6.1%)."(La démo en haut de la page en est un exemple.) Et ce n'est pas réservé aux courbes - la même prévision étend un graphique Fan (bandes de confiance imbriquées), l'empilement d'un graphique Area, une bande Range, et plus encore :
Le graphique Fan est la présentation de prévision dédiée, construite en un seul appel avec forecastFan().
S'expliquer eux-mêmes, repérer les données incorrectes
Le graphique détecte les anomalies (et les marque), rédige une narration en langage clair, et exécute une validation de la qualité des données - le tout à partir du même contexte structuré.
import { anomaly } from "@michi-vz/insights/anomaly";
import { narrate } from "@michi-vz/insights/narrate";
import { validate } from "@michi-vz/insights/validate";
chart.use(anomaly()); // flags + annotates outliers
chart.use(narrate()); // richer plain-English summary (also feeds screen readers)
chart.use(validate()); // warns via onDataWarning AND marks the bad points red on the chartNettoyer et relier aussi vos données
Le même sens structuré nettoie aussi les données désordonnées et retrouve les choses par ce qu'elles signifient, pas par la façon dont elles sont orthographiées - sans modèle par défaut, avec un modèle réel en option quand vous en voulez plus :
- Réconcilier les libellés - fusionner
USA/united states/U.S.A.en un seul groupe propre, afin que les totaux cessent de se scinder selon l'orthographe. - Faire correspondre des jeux de données - relier deux listes orthographiées différemment (un export CRM et un export ERP) en un seul graphique honnête et joint.
- Recherche intelligente - trouver une série par ce que vous voulez dire (« argent qui rentre »), pas par son libellé exact.
- Apportez votre propre modèle - chaque fonctionnalité adossée à un modèle revient à une réponse déterministe basée sur des règles ; basculez Real model dans la démo de narration pour comparer en direct, côte à côte, la prose d'un petit modèle exécuté dans le navigateur.
Exemples concrets
Chaque graphique ci-dessous est authentique - il calcule dans votre navigateur au chargement de la page, et il est cliquable (basculez Canvas/SVG, cliquez sur Explain ▸). L'important n'est pas la démo ; c'est qu'un analyste, un banquier, un scientifique pharmaceutique, ou un historien obtienne la réponse sur le graphique - sans notebook, sans serveur. Chaque terme est expliqué la première fois qu'il apparaît, et regroupé dans le Glossaire.
Prévision : où cela mène-t-il, et l'objectif sera-t-il atteint ?
La ligne en pointillés projette la tendance récente. La bande de confiance ombrée est l'erreur passée propre au modèle, elle montre donc une fourchette honnête plutôt qu'un chiffre unique optimiste. Et là où la projection rejoint un objectif, un point d'atteinte rouge marque quand l'objectif est atteint - répondant à la fois à « où cela va-t-il ? » et à la question de recherche d'objectif « y arrivera-t-on, et quand ? ».
Le taux de croissance annualisé du chiffre d'affaires d'une banque - le plan de fin d'année est-il atteignable ?
Un essai clinique - inscrira-t-il son 300e patient avant la date limite de lecture des résultats ?
L'inflation (IPC) - la bande est large car l'avenir est réellement incertain.
Un réseau électrique - la demande de pointe atteindra-t-elle la capacité avant la construction de la prochaine centrale ?
Un portefeuille SaaS - à quelle distance le revenu récurrent est-il du prochain jalon ?
Scénarios : optimiste, central, pessimiste
Une seule projection suffit rarement. Ajoutez des lignes de scénario - une hypothèse de croissance optimiste et une pessimiste - et le même historique s'ouvre en éventail entre optimiste / central / pessimiste, à la manière d'un directeur financier ou d'un test de résistance bancaire qui encadre l'avenir.
Un test de résistance bancaire - le chiffre d'affaires selon un scénario favorable et un scénario sévère, comparé à la ligne du plan.
La trésorerie disponible d'une startup - quand la caisse tombe-t-elle à zéro si le prochain tour de table prend un trimestre de retard ?
Le lancement d'un nouveau médicament - adoption forte contre adoption lente dès le premier jour.
Narration : le graphique rédige son propre titre (et n'invente jamais rien)
Un graphique chargé cache sa propre histoire. narrate() lit les données et rédige une phrase simple : elle nomme le meilleur mouvement (la série qui a le plus bougé entre le début et la fin) et la répartition hausse/baisse. Chaque chiffre est calculé à partir des nombres, donc - contrairement à un chatbot - elle ne peut pas en inventer un. Cliquez sur Explain ▸ pour voir la phrase.
Une banque de détail - les dépôts numériques dépassent discrètement le réseau d'agences.
Un essai avec deux sites - lequel porte réellement l'étude ?
Les salaires réels - une décennie qui a perdu du terrain, malgré la récente reprise.
Un siècle d'urbanisation - les campagnes se vident à mesure que les villes se remplissent.
Le mix électrique - le charbon sort, les renouvelables prennent la tête.
Anomalie : qu'est-ce qui ne cadre pas ?
Une anomalie est une année qui se démarque du reste de la série. Par défaut, elle est détectée avec un z-score (le nombre d'écarts-types séparant un point de la moyenne ; au-delà d'environ trois, il est signalé) et marquée d'un point - transformant « s'est-il passé quelque chose d'inhabituel ? » en un simple coup d'œil. La logique exacte des trois méthodes de détection (z-score, bornes IQR, bande de prévision), leurs seuils et leurs limites sont détaillés dans Méthodologie.
Une banque - l'année où les pertes liées à la fraude à la carte s'écartent de la tendance (une brèche ou une vague d'arnaques).
Sécurité des médicaments - l'année où les événements indésirables rapportés s'envolent, un signal pour la pharmacovigilance.
Opérations - l'année où la latence de pointe explose, marquant une panne majeure.
Commerce de détail - l'année où les retours de produits bondissent, pointant vers un lot défectueux.
Une économie - l'année où le PIB plonge, un choc récessif au milieu d'une croissance régulière.
Encore plus dans la boîte à outils
Le tableau des Sous-chemins vers la fin en liste davantage que la galerie ci-dessus. Voici six autres de ces plugins en action réelle - chacun sans modèle, déterministe, et à connecter en quelques lignes. Ils répondent à des questions qu'un graphique ordinaire laisse de côté : qu'est-ce qu'il faudrait pour atteindre le chiffre, quelles sont les chances, quand la tendance a-t-elle vraiment changé, et qu'est-ce qui est saisonnier par rapport à la croissance réelle.
Recherche d'objectif (goal-seek) - qu'est-ce qu'il faudrait pour atteindre le chiffre ? La prévision fait avancer le temps ; la recherche d'objectif le fait remonter à rebours depuis une cible que vous fixez. Déplacez la cible et observez le rythme requis (la ligne dorée en pointillés) réagir, avec un verdict sur la capacité de votre rythme récent à l'atteindre.
Forecasting runs time forward; goal-seek runs it backward from a target. requiredGrowth() and requiredRunRate() are plain arithmetic - the gold dashed line is the pace you'd have to hold. Change the target and watch it move.
Monte Carlo - les chances, pas juste une ligne. Une seule ligne de prévision cache le risque. Ceci exécute des centaines de futurs simulés et rapporte la bande ainsi que la probabilité de franchir une cible - déterminé par une graine, donc reproductible exactement, avec un bouton Re-roll pour voir la dispersion évoluer.
A single forecast line hides the risk. monteCarloForecast() runs hundreds of futures - each step nudged by random shocks - and reports the band (the shaded range) plus the odds of clearing a target. Deterministic via a seeded RNG, so the same seed always replays; Re-roll shows how the spread shifts.
Points de rupture - quand la tendance a-t-elle vraiment changé ? Les moyennes brouillent le moment où une histoire bascule. Ceci trouve où la pente change structurellement et colore la ligne par régime - ici un pic net suivi d'un déclin.
Averages hide the moment a story changes. detectChangepoints() finds where the slope structurally shifts and the line is coloured by regime - here a clear peak-then-decline. Useful for "when did growth stall?" without eyeballing.
Saisonnalité - séparer la vraie croissance du « c'est encore décembre ». Un seul appel scinde une ligne ondulante en une tendance lisse et une vague saisonnière répétitive, et détecte la longueur du cycle par lui-même.
Agréger - des lignes brutes vers un graphique en un seul appel. Avant de pouvoir tracer des données, il faut généralement les mettre en forme. aggregate() fait du group-by + des mesures sans aucune dépendance (avec option DuckDB-Wasm pour du vrai SQL sur des millions de lignes). Changez le regroupement et il se recalcule.
| region | product | rev | tgt |
|---|---|---|---|
| North | Widget | 42 | 38 |
| North | Gadget | 28 | 30 |
| North | Bundle | 35 | 30 |
| South | Widget | 19 | 22 |
| South | Gadget | 24 | 20 |
| South | Bundle | 14 | 16 |
One call - aggregate(rows, { groupBy: "region", measures: { revenue: { col:"revenue", fn:"sum" }, target: { col:"target", fn:"sum" } } }) - rolls 12 rows into 0 bars (revenue vs target, sorted). Model-free and deterministic; opt into DuckDB-Wasm for real SQL over millions of rows.
Sonification - entendre la tendance. Un gain d'accessibilité : chaque valeur devient une hauteur de son, si bien qu'une série croissante sonne comme telle. Appuyez sur lecture - les barres sont la sortie pure et testable de valuesToTones().
Each value becomes a pitch - low value, low note (220 Hz) up to a high note (880 Hz). A rising series sweeps up; a dip dips. sonify() is a graceful no-op without Web Audio, and valuesToTones() (the bars) is pure and testable. An accessibility win: the trend is now audible.
Nettoyer, faire correspondre et rechercher vos données
Quatre choses que l'IA apporte à vos données, le tout dans le navigateur : réconcilier des libellés désordonnés au sein d'une liste, faire correspondre deux listes qui orthographient les choses différemment, rechercher une série par le sens, et catégoriser du texte libre sans aucune règle - propulsé par de petits modèles ouverts, pas un modèle géant dans le cloud.
Transformer le texte en sens. Un embedding est une façon de transformer un mot ou une phrase en une liste de nombres, disposée de sorte que les choses qui signifient la même chose se retrouvent proches les unes des autres - permettant à un ordinateur de dire que USA et United States sont le même endroit, même s'ils ne partagent aucune lettre. @michi-vz/insights n'invente rien de tout cela ; il montre comment tirer parti des modèles open source déjà construits par la communauté : de petits modèles d'embedding (la famille BERT / MiniLM) et des LLM ouverts suffisamment petits (Qwen, Gemma, Phi), tous exécutés côté client dans votre navigateur - sans serveur, sans clé API, rien n'est envoyé nulle part. Pointés sur les données de votre graphique, ils en améliorent la qualité et nettoient les données incorrectes et désordonnées : quatre problèmes quotidiens se résolvent d'un seul geste - fusionner ce qui signifie la même chose, faire correspondre ce que deux systèmes orthographient différemment, trouver ce que vous voulez dire, trier le non-trié. Le mode sans modèle par défaut s'exécute instantanément hors ligne (n-grammes de caractères, excellent pour l'orthographe et les fautes de frappe) ; choisissez un modèle dans le menu déroulant (MiniLM ~23 Mo → MPNet ~110 Mo, tailles affichées, chargé à la demande) pour passer de la correspondance de lettres à la correspondance de sens - et faites appel à un petit LLM pour certifier le résultat.
Réconcilier les libellés
Le problème que tout analyste connaît. Vos données arrivent de trois sources et chacune orthographie la même chose différemment - United States, united states, USA. Groupez par correspondance exacte et votre graphique scinde un seul pays en trois courtes barres avec des totaux erronés, et un après-midi entier part à écrire à la main une table de correspondance.
Les embeddings corrigent cela par le sens. Transformez chaque libellé en vecteur et fusionnez ceux qui se retrouvent proches. Le mode sans modèle par défaut (instantané, hors ligne) réduit déjà l'orthographe, la casse, l'espacement et les fautes de frappe. Chargez un vrai modèle (le menu déroulant affiche la taille de chacun) et il fusionne aussi les abréviations et les traductions - USA ≈ United States, Deutschland ≈ Germany, Nippon ≈ Japan. Certify ajoute alors un petit LLM qui confirme chaque groupe et appose le nom faisant autorité.
Three countries reported sales, but three data sources spelled them 10 different ways. Reconcile merges by similarity (the embedding model); Certify adds a second specialist - a small LLM that confirms each merge and names it. The result below is shown instantly; switch to Real model to download the model and run it yourself.
10 raw labels - messy, duplicated, wrong totals
Charted raw, each spelling is its own bar - the totals are wrong and split. Step through Reconcile and Certify to fix them.
Commencez sur Raw labels pour ressentir le désordre - 10 barres, des totaux scindés - puis cliquez sur Reconcile. Sans modèle, les variantes orthographiques sont fusionnées hors ligne ; charger un modèle (MiniLM → MPNet) fusionne aussi les abréviations et les traductions, jusqu'aux 3 véritables pays. Certify transmet ces groupes à un petit LLM exécuté dans le navigateur pour obtenir un nom faisant autorité.
La similarité propose, un modèle *certifie*.
Un modèle d'embedding s'exécute entièrement hors ligne - il n'a pas d'accès internet et ne vérifie rien. Il fusionne Deutschland avec Germany parce que leurs vecteurs se sont retrouvés proches l'un de l'autre pendant l'entraînement, pas parce qu'il « connaît » le pays. La fusion n'est donc pas décidée sur le seul seuil brut : un libellé ne rejoint un groupe que lorsqu'il est nettement plus proche de ce groupe que de tout autre (une marge de confiance), ce qui empêche deux pays distincts de fusionner simplement parce qu'ils sont proches. Pour une réponse faisant autorité, Certify exécute une cascade (pas un mélange d'experts - cela, c'est interne à un seul modèle) : les embeddings proposent les fusions à moindre coût, puis un petit LLM exécuté dans le navigateur (Qwen / Gemma, tailles affichées) confirme que chaque groupe est bien un seul pays et renvoie le nom canonique. Ce modèle connaît réellement les pays, mais il nécessite WebGPU et les poids se téléchargent une seule fois. (Dans une vraie application, un appelant personnalisé pourrait pointer vers un modèle plus gros ou un serveur Ollama local à la place ; un site web statique ne peut pas appeler Ollama directement - la politique CORS du navigateur bloque localhost. Voir Agents & MCP ci-dessous.)
Le pari : un modèle rapide termine, un plus intelligent affine.
Le flux ci-dessus est une expérience délibérée - laisser un modèle rapide et naïf (les embeddings) faire l'essentiel du travail, puis n'appeler un modèle plus lourd et plus intelligent (un petit LLM) que pour affiner ce qui reste. Cela échange un peu de précision initiale contre de la vitesse et du coût, et ne paie le modèle plus gros que là où cela compte vraiment. C'est une hypothèse mise à l'épreuve ici, pas une doctrine établie ; on peut soutenir le contraire, et l'approche - ainsi que ces résultats - évoluera à mesure que les modèles évoluent.
Faire correspondre des jeux de données
Le problème suivant : deux sources distinctes, pas une seule liste désordonnée. Un export CRM et un export ERP nomment chacun les mêmes clients, pays, ou produits - orthographiés légèrement différemment dans chaque système. reconcileLabels nettoie les doublons au sein d'une liste ; matchLabels relie des entités entre deux listes, de sorte que deux jeux de données ne forment plus qu'un seul graphique honnête.
A CRM export and an ERP export list the same four countries - spelled differently, each with one country the other side lacks. matchLabels links each CRM row to its ERP row by meaning, and honestly reports anything it cannot confidently pair, so two different countries are never silently merged. The result below is shown instantly; switch to Real model to download the model and run it yourself.
4 CRM rows, 4 ERP rows - two systems, two spellings each, not yet linked
Charted raw, all 8 rows sit as unrelated bars from two systems that know nothing about each other. Step to Match to link them.
Deux petits jeux de données, désaccordés exprès. Cliquez sur Match et les paires confiantes s'illuminent avec leur similarité ; le reste reste honnêtement non apparié (avec une indication du plus proche raté) plutôt que d'être forcé - et les lignes jointes se dessinent en un seul graphique, deux sous-barres par ligne.
Recherche intelligente
Un tableau de bord avec des dizaines de séries et vous ne vous souvenez plus du nom exact. Tapez ce que vous voulez dire et les embeddings classent chaque série par similarité - aucun mot-clé n'a besoin de correspondre.
A dashboard with 8 KPIs. Don't remember the exact name? Ask in plain English - embeddings rank every series by what your words mean, then highlight the best match.
Model-free ranks by shared letters, so customer finds the customer KPIs - but money coming in can't reach Revenue (no letters in common). Load a model (top-right) to search by meaning.
Essayez d'abord
customer- le mode sans modèle trouve les KPI clients par lettres partagées. Puismoney coming in: seul BERT atteintRevenue, car ils partagent le sens, pas l'orthographe.
Catégoriser
Une pile de commentaires d'enquête sans étiquettes. Donnez aux embeddings uniquement les noms des thèmes (aucune liste de mots-clés, aucun entraînement) et chaque commentaire tombe dans son thème le plus proche - le texte non structuré devient ainsi un graphique exploitable. C'est le cas qui a réellement besoin d'un modèle : keeps freezing → Performance ne partage aucune lettre avec un nom de thème.
12 raw comments, no tags. Give embeddings just the theme names (no keyword rules) and each comment drops into its nearest theme - so unstructured text becomes a chart you can act on.
12 comments → sorted into 5 themes by meaning (instant preview)
Each comment dropped into its nearest theme by meaning - even keeps freezing → Performance and too expensive → Pricing, which share no letters with their theme.Shown instantly; switch to Real model to download MiniLM (~23 MB) and run it.
Chargez BERT et regardez les commentaires se ranger dans les bons thèmes par le sens -
too expensive→ Pricing,love the clean new look→ Design & UX - aucun d'eux ne partage de mot-clé avec son thème.
Comment l'écrire - réconcilier d'abord, puis les autres usages des embeddings :
import { reconcileLabels } from "@michi-vz/insights/embeddings";
// one call: groups messy labels by meaning, with a confidence gate + a tidy representative name
const groups = await reconcileLabels(rawLabels); // { backend: "transformers" } adds synonyms
// → [{ name: "United States", members: ["United States", "USA", ...] }, ...]
// now sum your series by group.name instead of the raw label → clean, correct totalsimport { matchLabels } from "@michi-vz/insights/embeddings";
const { matches, unmatchedSource, unmatchedTarget } = await matchLabels(crmCountries, erpCountries);
// matches → [{ source: "USA", target: "United States", similarity: 0.91 }, ...]
const rows = matches.map((m) => ({
label: m.target,
valueBased: crmTotals[m.source], // two sources, one row -
valueCompared: erpTotals[m.target], // feeds straight into mountComparableHorizontalBarChart
}));import { createEmbedder, cosineSimilarity } from "@michi-vz/insights/embeddings";
// opt into a small in-browser BERT (MiniLM via Transformers.js, WebGPU); lazy, nothing bundled
const e = await createEmbedder({ backend: "transformers" }); // default all-MiniLM-L6-v2
const [a, b] = await e.embed(["USA", "United States"]);
cosineSimilarity(a, b); // ≈ 0.8 - close, even with no letters in commonimport { findSimilar } from "@michi-vz/insights/embeddings";
// rank a large chart catalog by what a query means, not how it is spelled
const ranked = await findSimilar("revenue", chartLabels, (l) => l);import { findSimilar } from "@michi-vz/insights/embeddings";
// retrieve the charts most relevant to a question, feed THEIR context to an LLM (see Agents)
const top = (await findSimilar(question, charts, (c) => c.getContext().summary)).slice(0, 3);Même moteur, autres usages : rechercher dans un grand catalogue de graphiques par le sens, regrouper des séries similaires, et le RAG à l'échelle d'un tableau de bord - récupérer les bons graphiques pour qu'un agent puisse répondre à travers un tableau de bord entier (voir Agents & MCP). Les embeddings sont la couche de récupération ; ce qui est notable est ce qui se trouve par-dessus.
Méthodologie - la logique exacte derrière chaque insight
Rien ici n'est une boîte noire : chaque insight est une méthode de manuel nommée que vous pouvez vérifier à la main. Cette section énonce l'algorithme, ses valeurs par défaut, et ses limites, fonctionnalité par fonctionnalité.
Prévision
- Méthode (par défaut
"holt-winters") : le lissage exponentiel double de Holt - deux estimations continues, le niveau et la tendance, mises à jour à chaque point (alpha = 0.5pour le niveau,beta = 0.3pour la tendance ; pas encore de terme saisonnier). La prévision étend le dernier niveau le long de la dernière tendance.method: "linear"ajuste à la place une seule ligne des moindres carrés ordinaires à travers toute la série et l'étend. - Bande de confiance : l'erreur type résiduelle de l'ajustement à un pas en avant sur l'échantillon, élargie par
sqrt(step)à mesure que la prévision s'éloigne, multipliée par la valeur z de votrelevel(95% par défaut). Une bande large signifie que le modèle a mal ajusté l'historique ; cette honnêteté est la fonctionnalité elle-même. - Précision (MAPE/RMSE) : un vrai backtest en retenue (holdout) - le dernier tiers de la série (jusqu'à l'horizon) est masqué, le modèle est ajusté sur le reste, et ses prédictions sont notées par rapport à ce qui s'est réellement passé. Les séries de moins de 6 points reviennent à une précision sur l'échantillon.
- Limites : axes des x numériques uniquement ; pas de terme de saisonnalité (une série fortement saisonnière prévoira sa tendance, pas son ondulation - décomposez d'abord, voir ci-dessous).
Détection d'anomalies
Trois méthodes via anomaly({ method, threshold }) ; chaque point signalé porte { index, value, score, kind } et le résultat de l'outil inclut désormais cette explication mot pour mot :
zscore(par défaut, seuil 3) :score = |valeur - moyenne| / écart-typesur la série elle-même ; signalé au-delà du seuil (kind: "high"au-dessus de la moyenne,"low"en-dessous). 3 est la coupure conservatrice de manuel ; 2 signale des pics plus légers. Mise en garde : une forte tendance gonfle l'écart-type et masque les valeurs aberrantes - utilisezforecastdans ce cas.iqr(seuil 1.5) : les bornes de Tukey - signalé en dessous deQ1 - k*IQRou au-dessus deQ3 + k*IQR(Q1/Q3 = 25e/75e percentile). Les quartiles ignorent les extrêmes, ce qui reste donc robuste quand les données contiennent déjà des points extrêmes.forecast: sensible à la tendance - chaque point est testé contre une prévision à un pas en avant construite UNIQUEMENT à partir de l'historique qui le précède, signalé lorsqu'il sort de la bande à 95% ;score= nombre d'erreurs types d'écart.
Narration
Le narrateur par défaut est basé sur des règles et déterministe - il lit uniquement le ChartContext structuré (jamais les pixels bruts, jamais un modèle) : le meilleur mouvement par variation absolue (avec son pourcentage), la répartition de tendance hausse/baisse, et le plus grand total pour les graphiques catégoriels. Même entrée, même phrase, à chaque fois - et il ne peut pas inventer un chiffre absent du contexte. La prose adossée à un modèle (explainChart) est opt-in et revient toujours aux règles.
Validation
Des vérifications pures de forme/statistiques sur la série : jeux de données vides, valeurs non finies, dates dupliquées, et dates non monotones - chacune rapportée sous forme d'un DataWarning typé avec l'index exact, et éventuellement annotée sur le graphique.
Points de rupture, saisonnalité, Monte Carlo
- Points de rupture : pour chaque scission candidate, une ligne OLS est ajustée avant et une après ; la scission est notée par
|slopeAfter - slopeBefore|et seuls les maxima locaux au-dessus d'un seuil sont conservés. Une détection simple et explicable des changements de tendance. - Saisonnalité : décomposition additive classique - une tendance en moyenne mobile centrée, une composante saisonnière par phase centrée sur la moyenne, et un résidu ; la période est détectée par autocorrélation.
- Monte Carlo : la prévision déterministe est le chemin central ; de nombreux futurs sont simulés en ajoutant un bruit résiduel gaussien mis à l'échelle par
se*sqrt(step), avec un PRNG déterminé par une graine (mulberry32) afin que les exécutions soient reproductibles. Les quantiles des exécutions donnent la bande ; les décomptes de la dernière étape donnent les probabilités de dépassement.
Embeddings (réconciliation, correspondance, recherche, tri)
L'embedder par défaut est un hachage sans modèle (n-grammes de caractères dans un vecteur de taille fixe, normalisé L2) - entièrement hors ligne et déterministe ; il fusionne les variantes d'orthographe/casse/fautes de frappe mais pas les vrais synonymes. backend: "transformers" passe à MiniLM (voir D'où viennent les modèles). La similarité est cosinus ; les seuils de fusion sont par défaut de 0.6 (hachage) / 0.7 (modèle).
reconcileLabels regroupe au sein d'une liste (liaison simple gloutonne, filtrée par une marge de confiance afin qu'un libellé ne rejoigne qu'un groupe dont il est nettement le plus proche). matchLabels relie plutôt entre deux listes : chaque libellé source s'apparie avec sa seule meilleure cible, la même marge de confiance filtre le choix de la source, et par défaut une paire ne compte que comme une meilleure correspondance mutuelle - chaque côté choisit l'autre en premier - ce qui est précisément ce qui empêche deux lignes source d'entrer en collision sur la même cible. Tout ce qui ne franchit pas les filtres est rapporté comme non apparié avec son plus proche raté, jamais silencieusement écarté.
Pourquoi lui faire confiance (et à qui cela s'adresse)
- Pas une boîte noire. Chaque chiffre repose sur une méthode de manuel nommée (Holt, MAPE, z-score, IQR, OLS…) - la logique exacte par fonctionnalité est détaillée dans Méthodologie ci-dessus. Les mêmes primitives qu'utilise une bibliothèque de statistiques.
- Déterministe et testé. Les fonctionnalités statistiques donnent la même sortie pour la même entrée et sont couvertes par une suite de tests étendue ; tout ce qui est aléatoire (Monte Carlo) est déterminé par une graine.
- Les données restent dans le navigateur. Pas de serveur, pas d'envoi. Les backends de modèle distants sont strictement opt-in et documentés comme « les données quittent le client ».
- Aucun verrouillage. Aucun modèle n'est jamais embarqué ; les fonctionnalités basées sur un modèle sont opt-in et reviennent à une version statistique/basée sur des règles fonctionnelle si un modèle n'est pas disponible.
À qui cela s'adresse :
- Vous construisez un produit (analytique embarquée) ? Livrez à vos utilisateurs des graphiques qui prévoient et s'expliquent eux-mêmes - côté client, sans service Python à faire tourner.
- Vous êtes analyste de données / de marché ? Les méthodes que vous connaissez déjà (Holt-Winters, MAPE, z-score) - désormais exécutées à l'exécution dans l'application, pas seulement dans un notebook (voir par rapport à un flux pandas / notebook ci-dessous).
- Vous construisez avec des agents IA ? Vos graphiques deviennent des outils MCP qu'un agent peut lire et piloter.
Bien démarrer
npm i @michi-vz/insightsimport { mountLineChart } from "@michi-vz/core";
import { forecast } from "@michi-vz/insights/forecast";
const chart = mountLineChart(el, { dataSet: revenue, xAxisDataType: "date_annual" }, {
plugins: [forecast({ horizon: 4 })],
});C'est tout - le graphique prévoit désormais l'avenir. Tout ce qui suit est la référence.
Prévision
forecast({
method: "holt-winters", // or "linear" / lazy "arima"
horizon: 8,
level: 0.95,
zone: true, // shade the forecast region (toggleable)
scenarios: [{ name: "optimistic", growth: 0.15 }, { name: "pessimistic", growth: -0.1 }],
trendline: true,
threshold: { value: 0, label: "Break-even" }, // reference line + "fall point"
onThresholdBreach: (b) => alertOps(b), // fires when the forecast crosses it
});D'autres fonctions d'aide pures et déterministes dans @michi-vz/insights/forecast : forecastFan(), decompose() / detectPeriod() (saisonnalité STL), detectChangepoints(), monteCarloForecast(), requiredGrowth() / pacingToGoal() (recherche d'objectif et taux de croissance annualisé).
Narration : personnaliser, localiser (i18n), ou apporter un modèle
Voici la narration - un graphique à deux séries qui rédige sa propre phrase. Cliquez sur Explain ▸ pour la phrase instantanée basée sur des règles ; basculez sur Real model pour charger un petit modèle de langage exécuté dans le navigateur (sa taille est affichée avant tout téléchargement) et lisez sa prose à côté des règles, côte à côte :
Le narrate() par défaut est basé sur des règles (sans modèle). Personnalisez-le de trois façons :
import { narrate, explainChart, SLM_PRESETS } from "@michi-vz/insights/narrate";
// 1. i18n - translate the built-in phrases (the sentence logic stays):
narrate({ strings: {
topMover: (label, dir, pct) => `${label} a ${dir === "rose" ? "le plus augmenté" : "le plus baissé"}${pct}.`,
trendSplit: (up, down) => `${up} séries en hausse et ${down} en baisse.`,
}});
// 2. Fully custom narrator - any wording, any language:
narrate({ render: (ctx) => myTemplate(ctx) });Apporter un modèle
Essayez-le en direct dans la démo ci-dessus : basculez Real model, choisissez un petit modèle par sa taille, et comparez sa prose à la phrase basée sur des règles, côte à côte.
explainChart(ctx, { backend, model }) améliore la prose avec un modèle et revient toujours au texte basé sur des règles. Aucun plugin nécessaire - appelez-le à la demande. Les petits modèles de langage exécutés dans le navigateur sont privilégiés (local d'abord, privé, sans serveur) :
// In-browser via Transformers.js (ONNX + WebGPU). Phi-3-mini (MIT) or Google Gemma 2 (2B):
await explainChart(chart.getContext(), { backend: "transformers", model: SLM_PRESETS.transformers.phi3 });
await explainChart(chart.getContext(), { backend: "transformers", model: SLM_PRESETS.transformers.gemma });
// In-browser via WebLLM (WebGPU):
await explainChart(chart.getContext(), { backend: "webllm", model: SLM_PRESETS.webllm.gemma });
// Or your own remote model (data leaves the client - opt-in):
await explainChart(chart.getContext(), { backend: "remote", caller: (prompt) => callClaude(prompt) });Vous faites déjà tourner une IA locale ? Connectez-la directement - aucun téléchargement, aucun Hugging Face, les prompts ne partent que vers le point de terminaison que vous nommez. Deux appelants prêts à l'emploi couvrent les serveurs locaux courants :
import { ollamaCaller, openaiCompatCaller } from "@michi-vz/insights/narrate";
// Ollama (native API, default http://localhost:11434):
await explainChart(ctx, {
backend: "remote",
caller: ollamaCaller({ model: "llama3.2" }),
});
// LM Studio, llama.cpp server, vLLM, LocalAI - anything OpenAI-compatible:
await explainChart(ctx, {
backend: "remote",
caller: openaiCompatCaller({ url: "http://localhost:1234", model: "qwen2.5" }),
});Les deux lèvent une exception en cas d'échec, donc la narration revient à la phrase déterministe basée sur des règles - le graphique ne se retrouve jamais vide parce qu'un serveur local était hors service.
SLM_PRESETS fournit des identifiants de modèle pour Phi-3-mini et Gemma 2 (2B). Le modèle est chargé de façon paresseuse uniquement lorsqu'il est appelé ; rien n'est embarqué, et s'il ne peut pas se charger, le texte basé sur des règles est renvoyé. Combinez avec strings / render pour que même le repli soit dans votre langue.
Un premier chargement de modèle télécharge des poids, montrez donc un indicateur de chargement avec onProgress (connecté à Transformers.js / WebLLM). Les démos ci-dessus utilisent un indicateur de « réflexion » calme, de style nordique, pendant l'exécution :
await explainChart(ctx, {
backend: "transformers",
model: SLM_PRESETS.transformers.gemma,
onProgress: (p) => setLoading(p.status, p.progress), // drive your own loading UI
});D'où viennent les modèles (et comment le changer)
Le téléchargement d'un modèle ne devrait jamais être une surprise. Voici exactement ce que chaque backend récupère, depuis où, par défaut :
| Backend | Télécharge ? | Source par défaut |
|---|---|---|
rules (par défaut) | Rien | Entièrement hors ligne, déterministe |
transformers | Poids du modèle, à la première utilisation | https://huggingface.co (mis en cache dans le navigateur après le premier chargement) |
webllm | Poids du modèle, à la première utilisation | Le registre pré-construit de WebLLM (hébergé sur Hugging Face), mis en cache dans le navigateur |
remote | Rien | Vos prompts partent vers votre point de terminaison (l'option caller) - par exemple un serveur Ollama/llama.cpp local ou votre API. Les données quittent la page ; c'est l'opt-in. |
Interrogez la bibliothèque elle-même avant de charger quoi que ce soit, et montrez-le à vos utilisateurs :
import { describeModelSource, SLM_PRESETS } from "@michi-vz/insights";
const src = describeModelSource("transformers", SLM_PRESETS.transformers.phi3);
// { host: "https://huggingface.co",
// url: "https://huggingface.co/Xenova/Phi-3-mini-4k-instruct/resolve/main/",
// downloads: true, note: "Transformers.js downloads the model files from ..." }Et redirigez-le avec modelSource (fonctionne sur explainChart et createEmbedder) :
// A mirror (e.g. hf-mirror.com, or your artifact proxy):
await explainChart(ctx, {
backend: "transformers",
modelSource: { remoteHost: "https://models.example.com" },
});
// Self-hosted, fully offline - serve the model directory from your own origin
// and FORBID any remote download (intranet/compliance):
await explainChart(ctx, {
backend: "transformers",
model: "my-fine-tuned-model",
modelSource: { localModelPath: "/models/", allowRemoteModels: false },
});
// WebLLM self-hosting: point its registry at your own weights:
await explainChart(ctx, {
backend: "webllm",
webllmAppConfig: { model_list: [{ model: "https://your.cdn/phi3/", model_id: "phi3", model_lib_url: "https://your.cdn/phi3/lib.wasm" }] },
});
// No download at all - your own API (local or remote):
await explainChart(ctx, { backend: "remote", caller: (prompt) => fetch("/api/llm", { method: "POST", body: prompt }).then(r => r.text()) });Agents & MCP
Le même registre alimente la démo ci-dessous - chaque bouton est un véritable appel d'outil sur le graphique (les outils identiques qu'un client MCP comme Claude Code invoquerait) :
Typo-tolerant - understands near-misses like "hilight east" and suggests a fix when unsure. A model can be confidently wrong and different models answer differently, so don't trust AI blindly - verify before you act.
import { createAgentRegistry, chartHandle } from "@michi-vz/insights/agent";
import { createMcpServer, stdioTransport } from "@michi-vz/insights/mcp";
const registry = createAgentRegistry();
registry.register(chartHandle("revenue", chart, props));
createMcpServer(registry, stdioTransport(), { name: "michi-vz" });Outils : list_charts, get_chart_context, summarize_chart, list_series, set_filter, highlight, set_disabled, set_data - plus un outil par plugin de graphique, nommé dans son propre espace de noms (un graphique enregistré sous revenue avec le plugin forecast expose revenue.forecast). Le contexte de chaque graphique est aussi une ressource lisible michivz://chart/<name>. Un messagePortTransport fait le pont avec les graphiques d'une application web en cours d'exécution.
Référence
Sous-chemins
Chaque capacité est son propre import tree-shakeable :
| Import | Ce que vous obtenez | API |
|---|---|---|
@michi-vz/insights/forecast | Plugin forecast() (prédiction en pointillés + bande + précision validée par backtesting), scénarios, ligne de tendance, seuil + « point d'atteinte », forecastFan() | forecast |
@michi-vz/insights/forecast (extras) | decompose() / detectPeriod() (saisonnalité), detectChangepoints(), monteCarloForecast(), requiredGrowth() / pacingToGoal() (recherche d'objectif) | forecast extras |
@michi-vz/insights/anomaly | anomaly() / detectAnomalies() - valeurs aberrantes par z-score / IQR / bande de prévision | anomaly |
@michi-vz/insights/validate | validate() - avertissements plus riches sur la qualité des données | validate |
@michi-vz/insights/narrate | narrate() / explainChart() - base de règles, SLM/distant en option | narrate |
@michi-vz/insights/embeddings | reconcileLabels() / matchLabels() / findSimilar() / createEmbedder() - repli par hachage, BERT/MiniLM en option | embeddings |
@michi-vz/insights/sql | aggregate() - group-by/mesures (DuckDB-Wasm en option) | aggregate |
@michi-vz/insights/sonify | sonify() - entendre une série sous forme de hauteur de son | sonify |
@michi-vz/insights/agent | createAgent() + registre d'outils | agent & MCP |
@michi-vz/insights/mcp | createMcpServer() - Claude Code / Codex / Cursor | agent & MCP |
Comment ça marche (la logique, en termes simples)
- Forecast. Ajuster un modèle (Holt-Winters suit le niveau + la tendance ; la régression linéaire ajuste une ligne au mieux) → projeter en avant. La bande provient de la dispersion des erreurs passées propres au modèle (s'élargissant avec la distance). Un backtest masque les derniers points réels et mesure l'erreur → le chiffre de précision.
- Anomaly. Calculer la moyenne et la dispersion, puis signaler les points qui sont trop éloignés - par z-score (le nombre d'écarts-types séparant un point de la moyenne ; signalé au-delà d'environ 3) ou par IQR (si un point sort de la plage médiane habituelle des données).
- Narrate / Explain - d'où viennent les mots. Par défaut, il n'y a aucun modèle d'IA du tout :
narrate()lit leChartContextstructuré (tendance, plus gros mouvement, variation en %, totaux) et remplit des modèles de phrases. C'est un assemblage de chaînes pur et déterministe - instantané et hors ligne.explainChart()peut optionnellement monter en gamme vers un véritable modèle de langage génératif :backend: "transformers"charge un petit modèle de génération de texte (par défaut Phi-3-mini) dans le navigateur via Transformers.js,backend: "webllm"exécute Llama/Phi sur WebGPU, oubackend: "remote"appelle un modèle de votre choix (par exemple une API Claude). Chacun d'eux reçoit leChartContextcomme prompt et revient aux règles si indisponible.Pas BERT. BERT (dans
@michi-vz/insights/embeddings) transforme le texte en vecteurs pour la similarité / recherche, pas pour rédiger des phrases. La narration est basée sur des règles par défaut, ou sur un petit LLM génératif en option - deux métiers différents.
Glossaire
Significations en langage clair des termes utilisés par ces graphiques :
- Point d'atteinte (fall point) - l'endroit où la ligne projetée est censée atteindre une cible qui vous importe (un seuil de rentabilité, un objectif), qu'elle y monte ou qu'elle y descende ; il répond à « quand y arriverons-nous ? ».
- Bande de confiance (intervalle de prédiction) - la zone ombrée autour de la ligne de prévision montrant la fourchette dans laquelle la valeur future devrait atterrir ; étroite signifie plutôt sûr, large signifie une estimation approximative, et elle s'élargit à mesure qu'elle s'étend plus loin dans le futur.
- Horizon de prévision - le nombre de périodes futures que couvre la prévision ; un horizon court est plus fiable, un horizon long plus spéculatif.
- MAPE / backtest - une note pour la précision de la prévision : les années réelles les plus récentes sont masquées, prédites à partir des précédentes, et l'écart moyen est rapporté en pourcentage (plus bas est meilleur).
- Holt-Winters - la méthode de prévision par défaut ; elle apprend le niveau actuel et la direction de la tendance et prolonge cet élan, en pondérant davantage les années récentes que les anciennes.
- z-score - à quel point une valeur est inhabituelle, compté comme le nombre d'écarts-types qui la séparent de la moyenne ; au-delà d'environ trois, elle est signalée comme une valeur aberrante.
- IQR (bornes de Tukey) - un test alternatif de valeur aberrante construit à partir de la moitié médiane des données, si bien qu'une seule valeur extrême ne peut pas le fausser ; robuste pour les séries irrégulières ou asymétriques.
- Anomalie - un point signalé comme se démarquant du reste de la série (un pic, un effondrement, une possible erreur de données), marqué d'un point.
- Meilleur mouvement (top mover) - sur un graphique multi-courbes, la série qui a le plus bougé entre le début et la fin ; le résumé en langage clair la nomme, si bien que le résultat principal est fourni au lieu d'être à chercher.
- Seuil / ligne de référence - une ligne horizontale à une valeur qui compte (un objectif, un budget, un seuil de rentabilité) ; chaque autre valeur est lue par rapport à elle, et c'est la ligne que la prévision surveille pour trouver le point d'atteinte.
Et les unités et abréviations que les graphiques d'exemple utilisent :
- IPC (indice des prix à la consommation) - la mesure standard de l'inflation : le prix moyen d'un panier de biens du quotidien, donc un IPC en hausse signifie que le coût de la vie augmente.
- k$ / M$ - milliers / millions de dollars (donc « 120 M$ » signifie 120 millions).
- Indice (base 100) - une série remise à l'échelle pour que sa première année vaille 100, donc « en baisse à 92 » se lit d'un coup d'œil comme « 8% en dessous de son point de départ », quelles que soient les unités d'origine.
- Gigawatt (GW) - une unité de puissance électrique ; une grande centrale électrique représente environ un GW.
- Taux de croissance annualisé (run-rate) - le rythme auquel un chiffre croît en ce moment, extrapolé (par exemple « 1,2 M$ par semaine »).
- MRR (revenu récurrent mensuel) - le revenu prévisible d'abonnement qu'une entreprise SaaS enregistre chaque mois, le chiffre phare sur lequel ces entreprises sont évaluées.
Méthodes et formules
Chaque chiffre de ces démos est calculé à partir des données, jamais approximatif - et aucun d'eux ne nécessite un diplôme de statistiques. Voici ce que fait chaque méthode en termes simples, la formule qui la sous-tend pour les curieux, et une source gratuite et lisible. Les références à Hyndman renvoient à Forecasting: Principles and Practice, un manuel en ligne gratuit.
| Ce que ça fait | Méthode | Formule (pour les curieux) | En savoir plus |
|---|---|---|---|
| Projeter une tendance en avant - prolonge le niveau et la pente récents ; suit une saison répétitive si elle existe. | Holt-Winters | ŷₜ₊ₕ = ℓₜ + h·bₜ (niveau + tendance mis à jour à chaque étape) | Lissage exponentiel (Hyndman, ch. 8) |
| Ajuster une ligne droite - la ligne la mieux ajustée à travers les points. | Régression linéaire (OLS) | ŷ = a + b·x (moindres carrés) | Régression de séries temporelles (Hyndman, ch. 7) |
| Prévoir avec de l'élan - apprend comment chaque point dépend du passé récent. | ARIMA / SARIMA (chargé à la demande) | autorégressif + moyenne mobile | Modèles ARIMA (Hyndman, ch. 9) · bibliothèque arima |
| Montrer à quel point la prévision est sûre - transforme les erreurs passées propres au modèle en bandes à 50/80/95% ; plus larges plus loin. | Intervalle de prédiction | ŷ ± z·σ·√h (z = 1,96 pour 95%) | Intervalles de prédiction (Hyndman, §5.5) |
| Noter la précision - masque les points récents, les re-prédit, et rapporte l'écart. | Backtest à origine glissante | MAPE = moyenne(|y−ŷ|/|y|)·100 · RMSE = √moyenne((y−ŷ)²) | Précision de la prévision (Hyndman, §5.8) |
| Séparer la saison de la tendance - scinde une série en tendance + saison répétitive + bruit résiduel. | Décomposition STL | tendance + saisonnier + résidu (Loess) | Décomposition STL (Hyndman, §3.6) |
| Simuler de nombreux futurs - rejoue des milliers de trajectoires plausibles pour une fourchette meilleur/pire cas. | Monte Carlo | rééchantillonnage des résidus sur N trajectoires → dispersion du résultat | Bootstrap et simulation (Hyndman, §5.5) |
| Signaler une valeur aberrante (simple) - marque les points éloignés de la moyenne. | z-score | z = (x−μ)/σ, signalé si |z| > 3 | Détection de valeurs aberrantes (manuel NIST) |
| Signaler une valeur aberrante (robuste) - marque les points en dehors de la plage médiane habituelle ; insensible aux extrêmes. | IQR / bornes de Tukey | x < Q1−1,5·IQR ou x > Q3+1,5·IQR | Boîtes à moustaches et bornes (manuel NIST) |
| Mesurer une relation - à quel point deux variables évoluent ensemble, de −1 à +1. | r de Pearson | r = cov(x,y)/(σₓ·σᵧ) | Corrélation (Hyndman, ch. 7) |
| Faire correspondre du texte par le sens - transforme les mots en vecteurs pour que les sens similaires obtiennent un score élevé. | Similarité cosinus | cos = (a·b)/(‖a‖·‖b‖) | Embeddings de phrases (Transformers.js) |
Par rapport à un flux pandas / notebook
Pas un remplacement pour l'exploration - continuez à utiliser pandas / R / un notebook pour cela. La différence est où l'insight s'exécute :
| pandas / notebook | @michi-vz/insights | |
|---|---|---|
| S'exécute où | votre machine, hors ligne, une fois | l'application, le navigateur de l'utilisateur |
| Sortie | un chiffre statique / une image à partager | le graphique rendu se met à jour lui-même |
| Public | l'analyste | les utilisateurs de votre produit |
| Backend | un runtime Python | aucun - zéro serveur, les données restent locales |
| Prêt pour l'IA | le prompt est écrit à la main | le graphique est la surface d'outils (MCP) |
pandas est la façon dont un insight est découvert ; ceci est la façon dont il est livré aux utilisateurs et transformé en un graphique qu'un agent IA peut piloter - les mêmes méthodes dignes de confiance, livrées à l'exécution.
Pour aller plus loin
- Forecasting: Principles and Practice (Hyndman & Athanasopoulos) : https://otexts.com/fpp3/
- Model Context Protocol : https://modelcontextprotocol.io · annonce d'Anthropic
- Transformers.js (BERT/embeddings dans le navigateur) : https://huggingface.co/docs/transformers.js
- NIST/SEMATECH e-Handbook of Statistical Methods : https://www.itl.nist.gov/div898/handbook/
Principes
- Opt-in et tree-shakeable - les capacités inutilisées n'ajoutent aucun octet.
- Dégradation gracieuse - les chemins statistiques/basés sur des règles ne nécessitent aucun modèle ; les chemins basés sur un modèle ont un repli.
- Confidentialité par défaut - les données restent dans le navigateur ; les backends distants sont opt-in.
- OSS permissif uniquement - aucun modèle n'est jamais embarqué.