🏠Démarrage rapide

Étapes

1. 1

   La barre de navigation latérale (à gauche) regroupe toutes les fonctions disponibles, organisées par étape du workflow : Collecter → Préparer → Analyser → Classifier. Cliquez sur une rubrique pour l'ouvrir.

2. 2

   La barre supérieure (en haut) affiche le nom de l'application, le bouton Documentation (accès à cette aide), votre adresse e-mail et le bouton Déconnexion.

3. 3

   La zone centrale est le contenu de la page en cours. Les pages principales utilisent des onglets (par exemple le Dashboard affiche : Importations, Analyses, Exports, Prompts LLM, Quotas API).

4. 4

   La plupart des actions nécessitent de sélectionner en cascade : d'abord le client, puis le projet, puis l'importation. Ces trois niveaux sont toujours présents dans les formulaires de sélection.

Étapes

1. 1

   Étape 1 — Créer une importation : une importation est un ensemble de données "brutes", défini par des paramètres de collecte (plateforme, mots-clés, utilisateurs...). L'importation génère un `importation_id` qui est la clé de toutes les opérations suivantes.

2. 2

   Étape 2 — Collecter des données : lancez un scrapper sur la plateforme cible (X, LinkedIn, TikTok, etc.). Les données collectées sont stockées et liées à votre importation. Les données sont alors stucturées en base, entre des posts (métadonnées d'émission de contenu), des comptes (auteurs, mentions...) et des documents (texte, image, vidéo...) qui pourront être analysés par la suite.

3. 3

   Étape 3 — Préparer les documents (optionnel) : enrichissez les données brutes avec des traitements NLP légers — détection de langue, traduction, extraction d'entités nommées (NER), réseaux d'interactions.

4. 4

   Étape 4 — Analyser : Créez une analyse à partir de l'importation pour appliquer des traitements plus poussés — chunking, vectorisation, lemmatisation, sentiment, topic mining, etc. une analyse est une "sélection" des données issues d'une ou plusieurs importations. On peut créer différents analyse_id de manière à constituer des corpus qui auront des finalités analytiques distinctes (ex : un analyse_id pour réaliser un topic modeling sur l'ensemble des posts, un analyse_id sur les posts publiés à une certaine période pour réaliser une analyse de coordination, etc.). s

5. 5

   Étape 5 — Pipelines : Utilisez un pipeline "all-in-one" permettant de réaliser en une seule fois une série de traitements sur les données d'une importation (ex : détection de langue + traduction + NER + réseaux d'interactions). Un pipeline nécessite lui aussi un analyse_id.

6. 6

   Étape 6 — Classifier par LLM : créez un prompt et lancez une classification automatisée des comptes ou des posts par un LLM.

Schéma

Étapes

1. 1

   Créer une analyse : une analyse est une sélection de données issues d'une ou plusieurs importations. Elle génère un `analyse_id` utilisé par tous les traitements suivants.

2. 2

   Chunking : Cette étape est un pré-requis à la majorité des traitements (vectorisation, sentiment, lemmatisation...). Elle vise à préparer / formater / nettoyer les documents avant d'appliquer un traitement avancé. Une option permet de découpe les documents en segments exploitables. A noter que pour les traitements sur le texte, il est souvent recommandé d'appliquer d'abord une traduction.

3. 3

   Vectorisation : encode les chunks en vecteurs. Nécessaire pour le clustering, la détection de coordination et le narrative filtering.

4. 4

   Clustering → Annotation : regroupe les vecteurs similaires en thèmes, puis permet d'annoter les clusters.

5. 5

   Coordination → Réseaux de coordination : détecte les comportements coordonnés entre comptes et génère les réseaux associés.

6. 6

   Chunking → Posts (LLM) : les chunks peuvent aussi alimenter la classification par LLM sur les posts.

Schéma