Application mobile · démonstration technique
NutriLift
Une chaîne IA multimodale publiée sur les stores, avec ses garde-fous et ses limites
Découvrir NutriLift (ouvre un nouvel onglet)Le problème à résoudre
Faire fonctionner une saisie par texte, par voix et par photo sur un usage quotidien, où l’utilisateur abandonne à la première réponse absurde et où une sortie de modèle non contrainte casse le calcul en aval.
Décisions de produit
- Sortie du modèle contrainte à un format structuré, validée avant tout calcul
- Reconnaissance d’image renvoyant des candidats et des portions estimées, jamais une valeur unique présentée comme certaine
- Correction manuelle possible à chaque étape : l’utilisateur reste l’arbitre de ce qui est enregistré
- Calcul des apports et des objectifs réalisé par des règles déterministes, hors du modèle
- Repli sur la saisie manuelle en cas d’échec, d’indisponibilité ou de résultat rejeté
- Fournisseur de modèle isolé derrière une interface interne remplaçable
- Journalisation des échecs de reconnaissance pour identifier les cas limites réels
Ce qui a été livré
- Applications mobiles publiées sur iOS et Android
- Saisie des repas et des activités par texte, par voix ou par photo
- Parcours de suivi des calories et des macronutriments
- Bilans quotidiens et suggestions personnalisées
- Synchronisation du poids et des activités avec Apple Santé
- Site de présentation et parcours de support
Changement vérifiable
La chaîne est en service dans une application publique : un utilisateur peut décrire un repas de trois façons différentes, corriger ce que le modèle a compris, et obtenir un bilan calculé par des règles vérifiables. Ce que le modèle produit n’entre jamais directement dans un total.