chargement-fiche-persona
Fiche citoyen IA
Lancer le carrousel personaProchaine fiche citoyen IA
chargement fiche aleatoire
Chargement de la fiche citoyen IA...
NAV DOC TECH
Aller à une section
69 082 000 de cartes profil citoyen IA
Le showcase part de 7 M lignes persona, puis les rattache au cadre France de 69 082 000.
Reports Collection
Chargement du rapport...
Architecture de recherche synthetique
AUA France est un systeme d'etude synthetique qui vous permet d'interroger un panel de citoyens IA France avant de lancer une vraie enquete.
AUA n'est pas un filtre mecanique qui recrache simplement des lignes compatibles avec une regle. Le systeme combine votre question, les PDF ou DOCX joints, les images, le frame public France et les profils personas dans un meme contexte de raisonnement afin que chaque citoyen synthetique reponde avec motifs, hesitations et arbitrages.
69 082 000
Frame population
7 000 000
Source personas IA
Insee + open data
Base publique France
Schema JSON
Contrat de reponse
Limitation importante
AUA ne remplace ni un vrai sondage ni une etude de marche formelle.
Les resultats d'enquete AUA ne sont pas des reponses humaines reelles. Ce sont des resultats de simulation obtenus en posant les memes questions a un panel synthetique de citoyens IA. AUA sert de copilote de recherche pour preparer des idees et des brouillons de questionnaire avant une etude formelle. Les clients doivent utiliser AUA pour reperer les questions faibles, confuses ou trompeuses avant d'envoyer un vrai sondage, puis pour affiner la formulation, les choix de reponse et la structure de l'enquete.
Calibration de fiabilité
Lecture publique des reperes France
AUA France gagne en credibilite quand il montre clairement quelles vraies enquetes francaises il reproduit assez bien, et lesquelles lui resistent encore.
Ici, on ne compare plus AUA France a une simple structure demographique. On le confronte a six signaux issus de vraies etudes publiees en France. Trois cas tombent presque juste, deux restent dans un ecart moderate mais interpretable, et un cas sort nettement du cadre. Cette lecture est plus utile qu'un score abstrait, parce qu'elle montre sur quels sujets le systeme peut deja servir de repetition credible avant terrain, et sur quels sujets il faut rester prudent.
Enquetes publiques France
6
Six repères tirés de vraies enquêtes publiées en France, utilisés ici comme lecture publique de calibration.
Cas proches
3/6
Sport, sociabilité quotidienne et consommation responsable en voyage restent très proches des signaux publics.
Cas moderes
2/6
Le sentiment de déclin et l'optimisme sur l'avenir vont dans le bon sens, mais l'intensité reste encore décalée.
Ecart fort
1/6
Le bien-être auto-déclaré reste le point où AUA France durcit encore trop le diagnostic.
6 cas publies
Six enquetes francaises reelles pour lire la distance entre AUA et le terrain
Les cartes ci-dessous pointent chacune vers la publication source. Les cas proches montrent que le moteur FR retrouve deja assez bien des habitudes de masse. Les cas moderes indiquent des intuitions justes mais encore trop lisses. Le point de rupture le plus visible reste aujourd'hui le bien-etre auto-declare, ou AUA dramatise encore trop l'etat du pays.
Mode de vie
Pratiquer une activite physique
Repere public
71%
Frame AUA
69%
Ecart
2 pts
Qualite d'ajustement92%
Le signal est presque aligne. Les personas FR restituent correctement l'idee qu'une large majorite declare deja une pratique physique reguliere.
Ipsos, Les Francais toujours plus nombreux a pratiquer une activite physique (2024)Lien social
Frequenter regulierement famille, amis et voisins
Repere public
84%
Frame AUA
82%
Ecart
2 pts
Qualite d'ajustement91%
AUA reste proche du terrain sur ce type de norme sociale large. Le moteur retrouve bien une vie quotidienne encore fortement relationnelle.
Ipsos, Barometre du lien social 2024Tourisme
Vouloir soutenir les economies locales pendant les vacances
Repere public
81%
Frame AUA
78%
Ecart
3 pts
Qualite d'ajustement88%
Le signal reste tres eleve des deux cotes. AUA comprend assez bien la norme declarative de voyage responsable et de soutien a l'economie locale.
Ipsos, Vacances d'ete : les projets des Francais entre contraintes et desirsClimat social
Penser que la France est en declin
Repere public
87%
Frame AUA
82%
Ecart
5 pts
Qualite d'ajustement78%
Le sens general est correct, mais AUA reste un peu moins pessimiste que l'enquete publique. Le niveau d'inquietude collective est present, sans atteindre tout a fait l'intensite observee.
Ipsos, Fractures francaises 2024 : une crise de confiance ?Projection collective
Penser que l'avenir de la France est plein d'opportunites
Repere public
40%
Frame AUA
34%
Ecart
6 pts
Qualite d'ajustement73%
AUA retrouve bien la faiblesse du climat d'optimisme, mais noircit encore un peu le futur percu. Le sens est juste, l'amplitude reste trop severe.
Ipsos, Fractures francaises 2024 : une crise de confiance ?Bien-etre
Se dire en bonne sante physique ou psychologique
Repere public
70%
Frame AUA
58%
Ecart
12 pts
Qualite d'ajustement46%
C'est l'ecart le plus net. AUA France sur-pondere encore les signaux de fatigue economique, de stress et de doute, ce qui assombrit trop le ressenti de bien-etre global.
Ipsos, Barometre du lien social 2024Comment lire AUA
Quand le questionnement synthetique est le plus utile
Quand le signal est le plus solide
AUA est surtout utile pour les pre-tests de politiques, produits, messages ou parcours dont la structure est deja claire et pour lesquels on veut comprendre quels segments sont attires, prudents ou opposes.
Quand la prudence est obligatoire
Des chocs recents de prix, des changements d'algorithme, des bascules electorales ou des questions qui exigent de vraies donnees comportementales peuvent diverger fortement d'une enquete publique. Dans ces cas, AUA doit rester une etape preparatoire.
Pourquoi cela reste utile
Avant une vraie etude, AUA aide a corriger la question, lire les objections, resserrer le ciblage et accelerer la discussion d'equipe avec rapport et donnees brutes. Une bonne execution AUA n'est pas la conclusion finale, mais une etape de compression vers une meilleure verification terrain.
L'interpretabilite compte plus qu'une pseudo exactitude cosmetique
AUA n'est pas le plus utile quand on lui demande de recopier exactement un 52,5 %. Sa force est de stresser une idee tres tot, d'identifier qui reagit, pourquoi certains resistent, et quelles formulations deviennent risquées avant une vraie etude. Des chiffres plus proches sont preferables, mais meme les ratés restent utiles quand la raison de l'ecart est capturee et reinjectee dans la prochaine vague terrain.
Limites
Pas un vrai sondage public
AUA n'interroge pas de vraies personnes et ne remplace ni sondage electoral, ni preuve juridique, ni jugement medical ou financier.
Limites des reperes publics
Un bon score de calibration ne veut pas dire meme moment, meme echantillon ou meme protocole de terrain. Des ecarts restent possibles meme quand la direction generale semble juste.
Biais de modele
Les modeles generatifs refletent encore leurs donnees d'entrainement, leurs prompts et les politiques de fournisseurs. Les sujets sensibles demandent plus de verification.
Comportements qui bougent vite
Les sujets frappes par des hausses de prix, tendances virales, evenements de rupture ou bascules de plateforme peuvent depasser un layer persona plus statique.
Limites d'extraction documentaire
Les PDF tres visuels, les fichiers endommages et les anciens formats DOC peuvent reduire la qualite d'extraction, voire echouer.
Illusion de precision
Meme avec 2 000 lignes de reponse, les sorties restent synthetiques. Les chiffres sont des signaux de repetition pour la decision, pas des parts de marche litterales.
Tarification
Unite de credit
MeatPie est l'unite de credit AUA utilisee pour compter combien de citoyens IA vous interrogez.
Le nom vient du meat pie, une blague interne recurrente sur l'idee de reprendre une bouchee de plus et de poser une question de plus a un citoyen. Dans le produit, cette blague est devenue l'unite fixe de credit pour l'execution d'enquetes.
Conversion
1 MeatPie = 1 citoyen IA
Une enquete qui interroge 2 000 citoyens consomme 2 000 MeatPie. Le volume de credits se mappe donc directement sur la taille du panel.
Solde initial
Les nouveaux comptes commencent sans credit offert. Le solde MeatPie est alimente par les achats ou par un ajustement administratif explicite.
Achat de credits
Les MeatPie peuvent etre achetes depuis Lab. Les credits achetes sont ajoutes au ledger du compte apres confirmation du paiement.
Surface produit
Page d'accueil
La page d'accueil montre immédiatement comment AUA transforme une question en répétition de terrain avec panel de citoyens IA. Elle relie la saisie, les pièces jointes, les réponses brutes, le rapport et le chat persona dans un même parcours.
Entrée Lab
L'entrée vers le Lab reste accessible depuis le header et les CTA. Le workspace a ensuite été spécialisé pour le flux AUA France et s'appuie sur les nouvelles couches de données et de runtime du repo FR.
Worker d'exécution
L'exécution complète n'est pas bloquée dans une longue requête web. Le worker prend le relais pour tirer l'échantillon, lire le contexte source, générer les réponses puis stocker l'agrégation.
Rapport et artefacts
Les sorties se répartissent entre rapport interactif, résumé Markdown, CSV, JSONL et PDF. Les réponses individuelles restent dans un store privé pour les analyses ultérieures et le chat persona.
Architecture opérationnelle
Carte opérationnelle du produit
Flux opérationnel du produit
Ce schéma résume le flux opérationnel du produit, depuis l'entrée utilisateur et l'interprétation des sources jusqu'à l'échantillonnage, la génération de réponses individuelles, la validation, l'agrégation et le stockage des sorties.
Schéma conservéAnalyse pondéréeLedger de runFlux principalFlux async ou stockage
Règles d'opération
Regles de fonctionnement
- Les workers concurrents de reponses personas equilibrent vitesse et stabilite. Le defaut est 3 et le plafond actuel est 8.
- Si la generation des citoyens IA echoue, le full run ne continue pas. Les chemins demo et les chemins live restent separes.
- source_context_json est stocke sur aua_runs pour que workers et regeneration de rapport relisent exactement le meme contexte source.
- Les uploads d'assets passent par des URL signees, puis la route d'extraction retelcharge l'original afin de persister un resume.
- Si un full run echoue, les credits reserves sont rendus via le ledger de remboursement.
- Le chat groupe avec citoyens IA reutilise les reponses individuelles d'un run termine et reste actif pendant une session de 90 minutes.
Construction des citoyens IA
1. Frame population France
Le frame France s'appuie sur les references publiques et Insee pour representer environ 69,08 millions de personnes. Sexe, age, region, departement, diplome, emploi et signaux de foyer y sont interpretes.
2. Source personas
A partir de NVIDIA Nemotron-Personas-France, AUA construit des profils synthetiques avec langage, valeurs, habitudes de vie et indices de travail ou de loisirs. Ce ne sont pas des copies d'individus reels.
3. Enrichissement stats publiques France
Insee et d'autres surfaces publiques France servent de references d'enrichissement. Aujourd'hui, l'ancre de population totale et le cadrage regional sont deja poses; les calibrations foyer, logement, mobilite et travail sont renforcees par etapes.
4. Passage cognitif persona
Chaque persona lit le materiel et les questions, puis renvoie un score de soutien, un niveau de confiance, ses reponses, ses raisons, ses objections et ses points d'attraction. Il ne s'agit pas d'un simple remplissage de grille.
Construction du dataset maitre
7 M lignes source etendues vers un frame France de 69 082 000
Le dataset maitre AUA combine les narrations individuelles de NVIDIA Nemotron France avec un frame population construit depuis les statistiques publiques France. Le but n'est pas d'identifier un citoyen reel, mais de construire des citoyens IA synthetiques avec assez de contexte pour supporter une repetition de jugement credibile.
Frame population France de 69 082 000
Les 7 M lignes persona sont etendues vers une population France d'environ 69 082 000 via ponderation bootstrap et agregats de cohortes. Les lignes echantillonnees et les references de population totale restent separees.
Jointure par identifiant citoyen AUA-FR
Les enrichissements se rattachent ligne a ligne via l'identifiant citoyen AUA-FR. On n'ajoute pas de nouveaux individus aleatoires: seules les valeurs compatibles avec l'age, la geographie, l'emploi et les signaux de foyer d'origine sont appliquees.
Colonnes construites par domaine
Les colonnes de foyer, cohabitation, type de logement, occupation, activite economique, mobilite ou loisirs se construisent par domaine. Dans le repo France, geographie, situation maritale et structure de foyer sont deja en place; les autres colonnes de calibration suivent progressivement.
Contexte de simulation cognitive
Le LLM recoit a la fois la narration persona issue de Nemotron France et les champs structures issus du frame public France. Ce contexte individuel lui permet de produire une reponse plus proche d'un raisonnement humain.
Entrees stats publiques France
Couches publiques reliees a l'enrichissement du dataset maitre
Foyers
taille du foyer, cohabitation, presence d'enfants et calibration des structures familiales
- Tableaux Insee sur les menagesComposition des foyers et structures familiales utilisees pour le cadrage France
Logement
type de logement, statut d'occupation, surface et contexte territorial
- Insee logementRepartition des types de logement et des statuts d'occupation
- data.gouv habitat et mobiliteContexte regional de logement, de territoire et de mobilite
Socio-economie
emploi, marche du travail, niveau de diplome et mix professionnel
- Enquete Emploi InseeDistributions d'emploi et de non-emploi par age, sexe et niveau d'etudes
- Tableaux Insee sur les diplomesNiveaux de diplome et reequilibrage du mix socio-professionnel
Modes de vie
mobilite, deplacements, pratiques culturelles et signaux d'acces numerique
- Insee mobilite et cultureModes de deplacement, pratiques culturelles et comportements du quotidien
- Jeux de donnees data.gouv.frFlux open data France utilises en enrichissement complementaire
Ce que signifie un citoyen IA
Un citoyen IA AUA ne clone pas une vraie personne et n'imite pas un individu nomme. Il s'agit d'un repondant synthetique construit a partir d'un cadrage demographique et de narrations personas, dont les reponses doivent etre lues comme des signaux exploratoires avant terrain.
Ingestion des sources
Matériel direct
Les longues descriptions utilisateur, brouillons de politique, presentations produit ou messages de campagne sont restructures comme materiel d'enquete, puis compactes dans un format lisible par les personas.
Fichiers
AUA accepte PDF, DOCX, TXT, MD, PNG, JPG et WEBP, jusqu'a 5 fichiers par projet et 8 MB par fichier. Les originaux sont gardes dans le stockage interne.
Images
Les images sont relues par un modele de vision qui extrait produit, scene, texte, prix ou indices de marque sous forme de descriptions lisibles. Le materiel visuel rejoint ensuite le contexte montre au repondant.
Liens web
Les URL presentes dans le texte sont relevees jusqu'a 5 liens. Le serveur n'en garde que le contexte utile, qu'il provienne de HTML, de texte brut ou de JSON.
Orchestration des modèles
La couche modele d'AUA n'est pas un repondeur geant unique. Elle est concue comme plusieurs couches de raisonnement avec des metiers differents: reponses structurees rapides, lecture de documents longs, generation de masse a cout plus bas, et reparation de schema ou verification de coherence, le tout sous le meme contrat de reponse et les memes validateurs.
Couche principale de raisonnement
Cette couche gere les reponses JSON structurees, les descriptions d'image et la generation rapide des reponses persona. Le runtime temps reel du produit s'organise d'abord autour de sa stabilite et de sa vitesse.
Lecture long contexte
Cette couche sert de support ou de seconde lecture pour les documents longs et les contextes politiques, juridiques ou de marque qui demandent une lecture plus lente.
Couche volume et variation
Cette couche complete les travaux ou l'efficacite de cout compte particulierement, comme les gros volumes de reponses, les variantes de copie ou les controles multilingues.
Vote entre fournisseurs
Pour les executions sensibles, AUA peut separer la reponse principale, la verification de coherence et la reparation de schema. Les ecarts forts et les echecs sont traces, puis rejoues selon une politique de retry.
Moteur cognitif
Generation centree sur la persona
AUA ne part pas d'une reponse retrouvee pour ensuite inventer la raison. Chaque citoyen IA lit d'abord les donnees et la narration qui le decrivent, forme un contexte personnel synthetique, puis affronte le materiel source et le questionnaire. Le systeme valide et agrege ensuite ces jugements individuels afin que le rapport fasse remonter des tensions et raisonnements invisibles dans les seuls top lines.
Contrat de reponse persona
input = {
brief,
sourceContext,
cohort,
personaProfile,
questions,
answerContract
}
output = {
supportScore,
confidence,
segmentLabel,
quote,
answers[],
objections[],
attractionDrivers[]
}Taxonomie des enquêtes
Intentions et attitudes
intention d'achat, intention d'usage, intention de visionnage, favorabilite, envie de partager
Likert, semantic differential, open_text
weighted meantop-boxbottom-boxconfidence banddriver model
Politiques et decisions publiques
adhesion a une politique, campagne publique, priorites budgetaires, irritants locaux
support split, choice, open_text
support sharechi-squareCramer's Vobjection miningsegment contrast
Choix d'option ou de candidat
nom de candidat, nom de marque, piste packaging, message, choix de lieu
choice, ranking, MaxDiff-lite
choice shareranking scoreMaxDiffpreference clusterreason coding
Fonctionnalites produit et KANO
priorite de fonctionnalite, must-have, nice-to-have, source de frustration
functional/dysfunctional pair, ranking, open_text
KANO-liteimportance-performancefeature quadrantTURF-lite
Prix et monetisation
abonnement, achat unique, essai gratuit, bundle, resistance au prix
price ladder, choice, open_text
Van WestendorpGabor-Grangerprice sensitivity meterwillingness-to-pay
Diagnostic de message et de risque
wording friction, misunderstanding risk, trust barrier, opposition logic, crisis messaging
open_text, Likert, forced choice
topic clusteringsentiment codingdisagreement miningrepresentative quote
Statistiques
Descriptif
Montre la distribution de base avec comptes, parts, moyennes ponderees, medianes, ecart-type et vues top-box ou bottom-box.
Incertitude
Montre l'incertitude avec taille d'echantillon effective, intervalles de confiance approches, plages bootstrap et alertes sur strates rares.
Différence entre groupes
Resumes les differences entre groupes avec t-test, ANOVA, Mann-Whitney U, Kruskal-Wallis, eta squared et Cohen's d.
Association
Observe les liens entre variables categorielles et continues avec chi-square, Cramer's V, correlations de Pearson ou Spearman et odds ratio.
Modèle de drivers
Peut utiliser high_intent ou support comme signal cible, puis ajouter regression logistique, regression regularisee et explications tree-lite.
Préférence
Estime la preference relative et les effets de combinaison entre options avec ranking score, MaxDiff-lite, conjoint-lite et TURF-lite.
Diagnostic d'echelle
Verifie si plusieurs questions mesurent bien le meme axe d'attitude avec alpha de Cronbach, correlations item-total et PCA ou analyse factorielle.
Codage qualitatif
Regroupe les reponses ouvertes en codes comme objections, points d'attraction, confusion, signaux de confiance, barrieres de prix et reactions sociales, puis remonte des citations representatives.
Moyenne ponderee et part
weighted_mean = sum(w_i * x_i) / sum(w_i)
weighted_share = sum(w_i * I(condition_i)) / sum(w_i)
top_box = P(response in {4, 5})
bottom_box = P(response in {1, 2})Taille d'echantillon effective
n_eff = (sum(w_i)^2) / sum(w_i^2)
SE(p_hat) = sqrt(p_hat * (1 - p_hat) / n_eff)
CI_95 = p_hat +/- 1.96 * SE(p_hat)Association
chi2 = sum((observed_ij - expected_ij)^2 / expected_ij)
Cramers_V = sqrt(chi2 / (n * min(r - 1, c - 1)))
odds_ratio = (a / b) / (c / d)Fiabilité d'échelle
alpha = (k / (k - 1)) *
(1 - sum(var(item_j)) / var(total_score))
item_total_corr = corr(item_j, total_score_without_j)Échantillonnage
Normalisation de cohorte
Les regles de ciblage saisies par l'utilisateur sont normalisees dans AuaCohortSpec. Les groupes tres petits declenchent des alertes, et la taille d'echantillon est plafonnee differemment entre preview et full run.
Echantillonnage pondere
weightedSample utilise populationWeight et une seed deterministe pour selectionner l'echantillon. Cette etape decide qui est interroge, pas ce qu'il repond.
Alerte de couverture
S'il n'y a pas assez de personas correspondants, le moteur complete depuis un pool de fallback et inscrit l'alerte dans le rapport. Les groupes rares doivent etre lus avec moins de confiance.
Lignes de reponse privees
Les lignes de reponse individuelles sont stockees dans aua_individual_responses. Les rapports exposes publiquement se concentrent sur les agregats et opinions representatives.
Pipeline de rapport
1
brief
generateBrief
Transforme la question utilisateur et le materiel source en brief d'execution compact.
2
sample
personaMatches + weightedSample
Selectionne les repondants qui correspondent a la cohorte demandee.
3
answer
generateOnePersonaResponse
Chaque persona lit le materiel et repond directement.
4
validate
normalizeLlmPersonaResponse
Controle la forme du schema et les bornes de valeur avant d'accepter la ligne.
5
aggregate
aggregateQuestion + buildSegments
Calcule les top lines, les contrastes de segments et les statistiques d'appui.
6
store
storeResult
Stocke le rapport, les reponses individuelles et les artefacts generes.
Chat persona
Session de 90 min
Un run termine peut ouvrir une session de suivi de 90 minutes autour d'une persona representative.
Ancre dans la reponse du run
Les reponses de chat reutilisent quote, answers, objections et attractionDrivers depuis aua_individual_responses afin de garder le meme contexte persona.
Pas une statistique agregee
Le chat persona est une surface de suivi qualitative. Sa sortie ne doit pas etre promue automatiquement au niveau statistique populationnel.
Usage recommande
Utilisez-le pour sonder les objections du rapport, resserrer les conditions de prix ou de wording, puis preparer le run suivant.
Fonctions cœur
buildAuaReportAsync(args)
lib/persona-engine.tsPoint d'entree d'un run. La fonction verifie la cle API, normalise les filtres de cohorte, echantillonne les personas, enrichit le contexte source puis lance la generation.
generatePersonaResponses(...)
lib/persona-engine.tsDecoupe les personas echantillonnes en unites concurrentes puis genere chaque reponse en parallele. C'est le chemin principal de generation des reponses synthetiques.
generateOnePersonaResponse(...)
lib/persona-engine.tsPasse au modele le profil persona, le brief, le contexte source, la cohorte, les questions et le contrat de reponse, puis recoit une ligne JSON. Aucun score de soutien pre-calcule n'est injecte.
normalizeLlmPersonaResponse(...)
lib/persona-engine.tsValide la sortie du modele, notamment support score, confidence, segment label, answers, quote, objections et attraction drivers, avant de transformer le tout en ligne de rapport.
enrichSourceContext(...)
lib/persona-engine.tsRegroupe entree utilisateur, resumes de pieces jointes et liens web dans un seul contexte d'execution. Les liens web sont reduits en extraits HTML, texte ou JSON lisibles par les personas.
buildAuaReportFromResponses(...)
lib/persona-engine.tsPrend les lignes de reponse individuelles et calcule les metriques du rapport, les resultats par question, les contrastes de segments, les citations representatives et les pistes d'action.
weightedSample(...)
lib/persona-engine.tsEchantillonne dans le pool persona avec les filtres de cohorte et populationWeight. Cette fonction decide qui est interroge, pas ce qu'il repond.
aggregateQuestion(...)
lib/persona-engine.tsAgrege les moyennes ponderees, les parts de support ou de retrait et les raisons ouvertes dominantes pour chaque question.
extractAssetText(...)
app/api/projects/[id]/assets/[assetId]/extract/route.tsConvertit les assets telecharges PDF, DOCX, TXT ou image en Markdown ou en resume lisible, puis les stocke dans extracted_text_summary.
loadRunSourceContext(...)
scripts/aua_run_worker.tsQuand un full run en file est traite, cette fonction fusionne source_context_json avec les resumes d'assets deja stockes puis transmet le contexte combine au moteur persona.
Contrats API
Contexte source du run
type AuaSourceContext = {
material?: string;
assetSummaries?: string[];
assetIds?: string[];
webLinks?: string[];
};Ligne de reponse persona
type AuaPersonaResponse = {
auaResidentNumber: string;
regionLabel: string;
segmentLabel: "immediate_adopter" | "conditional_value" | "price_sensitive" | "trust_verifier" | "context_dependent" | "taste_affinity" | "inert_or_indifferent" | "resistant";
populationWeight: number;
supportScore: number; // 0..1, juge par la persona synthetique
confidence: number; // 0..1, niveau de confiance de la reponse
answers: Array<{ questionId: string; value: number | string | string[]; reason: string }>;
quote: string;
objections: string[];
attractionDrivers: string[];
};Créer un full run
POST /api/projects/:id/runs
{
"brief": AuaBrief,
"cohort": AuaCohortSpec,
"questions": AuaQuestion[],
"sampleSize": 2000,
"sourceContext": {
"material": "Brief original utilisateur",
"assetIds": ["550e8400-e29b-41d4-a716-446655440000"],
"assets": [{ "id": "asset-1718000000000", "label": "Image jointe", "summary": "Resume source extrait" }],
"assetSummaries": ["Resume source extrait"],
"webLinks": ["https://..."]
}
}Extraire un asset
POST /api/projects/:id/assets/:assetId/extract
// Relit le fichier original depuis le stockage interne, extrait le texte
// du document ou une description d'image, puis stocke le tout dans aua_assets.extracted_text_summary.Sources de données
Les references ci-dessous documentent la source persona synthetique, le frame population public, le socle de calibration France et les principaux appuis documentaires du repo AUA_FR. Pour le frame France de 69 082 000, NVIDIA Nemotron France sert de point de depart pour les narrations individuelles synthetiques, tandis que les statistiques publiques France fournissent les ancrages de cadrage et de calibration. AUA n'est pas une publication statistique officielle d'aucune des institutions citees.
Licences
Attribution du dataset
Source et licence du dataset NVIDIA Nemotron-Personas-France
Ce projet utilise le dataset nvidia/Nemotron-Personas-France de NVIDIA. Le dataset est diffuse sous licence CC BY 4.0, ce qui autorise le partage, l'adaptation, la redistribution et l'usage commercial avec attribution appropriee.
- Dataset
- nvidia/Nemotron-Personas-France
- Fournisseur
- NVIDIA
- Licence
- Creative Commons Attribution 4.0 International (CC BY 4.0)
- Transformations
- Utilise dans AUA France comme source de personas synthetiques pour l'echantillonnage, la ponderation bootstrap France, la calibration statistique et la generation de reponses d'etude.
- Mention
- Ce projet n'est ni un produit officiel NVIDIA, ni un sponsoring, ni un deploiement representatif endosse par NVIDIA.