Documentation
Technique
Spécifications du Système v1.0
03.
Stratégie IA
1 Athlète = 1 Agent
Chaque athlète dispose de son propre agent dédié avec une Vector DB isolée. Cela garantit une personnalisation extrême et une confidentialité totale des données.
- Contextualisation historique complète
- Simulation des séances futures
- Adaptation dynamique au profil
Agent Configuration
class AthleteAgent:
def __init__(self, athlete_id):
self.memory = VectorDB(athlete_id)
self.model = load_model("llama-3")
def simulate_session(self, params):
# Projection de charge
return self.model.predict(params)
self.memory = VectorDB(athlete_id)
self.model = load_model("llama-3")
def simulate_session(self, params):
# Projection de charge
return self.model.predict(params)
04.
Stack Technique
Core
Backend
[Golang]
Performance critique pour les webhooks et la normalisation des données.
Intelligence
IA
[Python + LLM]
Llama 3 / Mistral Fine-Tuné. Indépendance et souveraineté.
Data
Database
[Multi-Model]
- PostgreSQL
- TimescaleDB
- Qdrant
Assets
Stockage
[S3 Compatible]
Stockage objet scalable pour les fichiers bruts (.FIT).
05.
Facteur Critique
Vital
Boucle de Feedback Humain (RLHF)
L'IA ne peut pas deviner la fatigue ressentie. La saisie du RPE (Rate of Perceived Exertion) et des sensations est obligatoire pour calibrer les prédictions.
Input Requis
RPE
1-10
SENSATIONS
Qualitatif
→
Calibration Modèle