Votre application de fitness ne sait pas si vous mentez — et c'est un problème à un milliard de dollars

En novembre dernier, j'ai assisté à une démonstration qui a fait déraper quelque chose dans mon cerveau.

Un fournisseur de bien-être en entreprise présentait sa « plateforme de fitness pilotée par l'IA » à une salle remplie de dirigeants d'assurance. La démo était léchée — un utilisateur à l'écran faisant des squats, l'application comptant les répétitions, attribuant des points, tout le package ludifié. Les dirigeants hochaient la tête avec approbation. Puis j'ai posé une question qui a fait taire la salle : « Que se passe-t-il si l'utilisateur se contente de faire des petits mouvements de haut en bas de sept centimètres au lieu de vraiment faire des squats ? »

Le fournisseur a souri. « Eh bien, nous faisons confiance à nos utilisateurs pour— »

« Vous leur faites confiance, » ai-je dit. « Mais vous demandez à cet assureur de tarifer un risque sur la base de cette confiance. »

C'est à ce moment-là que j'ai su que nous construisions la bonne chose chez Veriprajna. Pas un énième chatbot. Pas un énième wrapper autour de GPT. Quelque chose dont le secteur avait désespérément besoin mais qu'il n'avait pas su formuler : une IA qui ne génère pas de réponses — elle vérifie la réalité physique.

L'industrie du fitness et de la santé numérique cache un sale secret. Le marché du bien-être en entreprise, qui pèse 60 milliards de dollars, les programmes de rabais d'assurance, les projets crypto « bouge-pour-gagner » — tout cela repose sur des données qui se désintègrent dès qu'on les audite. Et personne ne veut en parler parce que les tableaux de bord ont fière allure.

Moi, je vais en parler.

Pourquoi votre application de fitness ne peut-elle pas savoir si vous vous êtes réellement entraîné ?

Voici l'architecture de presque toutes les applications de fitness du marché : c'est un lecteur vidéo avec un moteur de recommandation greffé par-dessus. Vous appuyez sur lecture, un instructeur fait des pompes, vous êtes censé suivre le mouvement, et quand la vidéo se termine, l'application enregistre la séance comme « terminée ». Elle estime votre dépense calorique à partir de tableaux génériques. Elle vous décerne un badge.

À aucun moment l'application n'a vérifié que vous avez bougé.

L'application suppose que la consommation équivaut à l'accomplissement. Elle demande : « Avez-vous fait le travail ? » et accepte sans réserve « Oui » comme réponse.

Ce n'est pas une plainte de niche. C'est l'architecture fondatrice d'une industrie qui pèse des milliards de dollars. Et elle échoue pour une raison que n'importe quel économiste comportemental aurait pu prédire.

Il existe un principe appelé la loi de Campbell — le sociologue Donald Campbell a observé que plus on utilise une mesure pour prendre des décisions, plus les gens corrompent cette mesure. Attachez de l'argent au nombre de pas, et les gens accrochent leurs Fitbit à des ventilateurs de plafond. Attachez des rabais d'assurance à « l'achèvement de la séance », et les gens laissent les vidéos défiler pendant qu'ils dînent.

Ce n'est pas hypothétique. Vous souvenez-vous de STEPN, le projet crypto « bouge-pour-gagner » ? Il s'est effondré en partie à cause de la course aux armements entre la capacité du protocole à détecter un mouvement valide et la capacité des utilisateurs à le simuler par usurpation GPS et secoueurs mécaniques. Quand la vérification est faible, la fraude devient rationnelle. Les participants honnêtes sont pénalisés. Le pourvoyeur d'incitations fait faillite.

Je revenais sans cesse à une phrase que j'ai fini par prononcer à chaque réunion de présentation : On ne peut pas ludifier ce qu'on ne peut pas vérifier.

La nuit où nous avons compris que l'estimation de pose n'est pas de l'intelligence

Nous n'avons pas commencé avec cette intuition. Nous sommes tombés dessus par hasard.

Au début, mon équipe était enthousiasmée par l'estimation de pose — des bibliothèques comme BlazePose et MoveNet qui extraient les coordonnées des articulations du squelette à partir d'une vidéo. Nous nous sommes dit, génial, nous allons les utiliser pour bâtir un système de vérification du fitness. Nous avons passé des semaines à intégrer MoveNet, à obtenir des données de squelette propres diffusées depuis la caméra d'un téléphone, puis nous nous sommes assis pour réellement utiliser les données à des fins de vérification.

C'est là que les disputes ont commencé.

L'un de mes ingénieurs, convaincu que nous avions presque terminé, a affiché une seule image de données de squelette — une personne aux coudes fléchis et au torse abaissé. « Tu vois ? Une pompe, » a-t-il dit.

« Vraiment ? » ai-je demandé. « Descend-elle ou remonte-t-elle ? Tient-elle cette position depuis trente secondes ou trente millisecondes ? Tremble-t-elle de fatigue ou est-elle parfaitement maîtrisée ? »

Une seule image ne vous apprend rien. Une coordonnée de squelette à un instant donné est sémantiquement vide. C'est comme tendre à quelqu'un une lecture brute de tension d'un ECG et lui demander un diagnostic cardiaque. Le capteur fournit des données. L'intelligence interprète le signal.

Nous avions construit un très bon capteur. Nous avions construit zéro intelligence.

Ce fut une semaine difficile. Nous avions été si concentrés sur la partie vision par ordinateur — obtenir des coordonnées d'articulations propres — que nous avions confondu le prérequis avec la solution. Et tous les concurrents du secteur commettaient la même erreur, commercialisant l'estimation de pose comme du « fitness piloté par l'IA » alors qu'il ne s'agissait en réalité que d'une règle sophistiquée.

J'ai écrit sur ce changement de paradigme — de la vision au traitement du signal — plus en détail dans la version interactive de nos recherches. Mais la prise de conscience centrale était simple et elle a changé tout ce que nous avons construit par la suite.

Et si le corps humain était un signal radio ?

Voici le recadrage qui a débloqué toute notre approche.

Quand une personne fait des squats, la position verticale de son articulation de la hanche trace une onde au fil du temps. Pas au sens métaphorique — littéralement. C'est un signal sinusoïdal. Les jumping jacks produisent une forme d'onde périodique dans la vitesse angulaire de l'épaule. La marche génère des signaux complexes multi-harmoniques à travers le bas du corps.

Le corps humain, effectuant un exercice répétitif, est un oscillateur mécanique.

Une fois qu'on le voit ainsi, on cesse de penser à la vision par ordinateur et on commence à penser au traitement du signal. Soudain, on a accès à une boîte à outils mathématique complètement différente :

• L'amplitude vous indique la profondeur du squat
• La fréquence vous indique la cadence
• La phase vous indique si les côtés gauche et droit sont coordonnés
• La pureté spectrale vous indique si le mouvement est maîtrisé ou tremblotant

Nous ne demandons plus à une IA de « deviner » quel exercice est en cours. Nous mesurons la physique d'une forme d'onde. La question passe de « À quoi cela ressemble-t-il ? » à « Que cela mesure-t-il ? »

Nous avons recadré la reconnaissance de l'activité humaine non pas comme un problème de classification d'images, mais comme un problème de traitement numérique du signal. Cette seule décision a rendu la vérification possible.

Mais le traitement du signal brut — les transformées de Fourier et consorts — est fragile lorsqu'il est appliqué au mouvement humain réel. Les gens changent de vitesse. Les angles de caméra se décalent. Les bras occultent les jambes. Il faut de l'apprentissage profond pour gérer le bruit. La question était : quelle architecture ?

Pourquoi nous avons abandonné les LSTM

Si vous avez suivi un cours d'apprentissage automatique au cours de la dernière décennie, vous avez appris que les données séquentielles impliquent des réseaux de neurones récurrents. Les LSTM — les réseaux à mémoire long et court terme — étaient la référence absolue. Texte, audio, séries temporelles — tout passait par un LSTM.

Nous avons essayé. Ça n'a pas marché. Pas de la façon dont nous en avions besoin.

Les problèmes étaient fondamentaux, impossibles à corriger par un réglage d'hyperparamètres. Les LSTM traitent les données de manière séquentielle — pour calculer ce qui se passe à l'image 100, il faut d'abord traiter les images 1 à 99. Sur un téléphone mobile fonctionnant en temps réel, ce goulot d'étranglement en série crée une latence qui tue l'expérience utilisateur. On ne peut pas dire à quelqu'un « descends plus bas » deux secondes après qu'il soit déjà remonté.

Pire, les LSTM oublient. Leur « mémoire » se dégrade sur les longues séquences. Une séance de yoga de cinq minutes ou un défi de cinquante pompes génère des milliers d'images, et à la fin, le modèle a perdu le contexte du début. Nous avons observé cela sous forme de dérive — la confiance du modèle dans son propre comptage s'érodait au fil du temps, comme une personne qui perd le compte dans sa tête.

Il y a eu une réunion d'équipe où nous avons exposé les chiffres. La latence était inacceptable. La mémoire n'était pas fiable. Le coût de calcul de l'exécution des LSTM sur des milliers de flux d'entreprise simultanés était prohibitif. Quelqu'un a dit : « Peut-être devons-nous repenser toute l'architecture. »

Quelqu'un d'autre a dit : « Peut-être avons-nous besoin de convolutions. »

Cette personne avait raison.

Comment fonctionne réellement un réseau de convolution temporel ?

Les réseaux de convolution temporels — les TCN — reprennent l'architecture convolutive qui a révolutionné la reconnaissance d'images et l'appliquent au domaine temporel. Au lieu de faire glisser un filtre sur les pixels d'une image, on le fait glisser sur les pas de temps d'un signal. Mais deux choix de conception rendent les TCN radicalement différents de tout ce qui a précédé.

Premièrement : les convolutions causales. Le réseau à l'instant t ne regarde que les données de l'instant t et antérieurs. Il ne jette jamais un œil dans le futur. Cela paraît évident, mais c'est une garantie mathématique qui compte énormément pour la vérification en temps réel. Nous ne décidons pas rétroactivement si une répétition était valide une fois la série terminée — nous la vérifions à mesure qu'elle se produit.

Deuxièmement, et c'est la partie qui m'enthousiasme encore : les convolutions dilatées. Au lieu de regarder des pas de temps adjacents, le réseau introduit un espacement entre les points qu'il examine. Et cet espacement croît exponentiellement à chaque couche. La couche 1 voit les images adjacentes. La couche 2 en saute une. La couche 3 en saute trois. À la couche 10, un seul filtre capture une fenêtre de 512 images.

Cela signifie que le réseau peut simultanément prêter attention à ce qui se passe en ce moment même — le genou s'effondre-t-il vers l'intérieur sur cette image précise ? — et à ce qui s'est passé au cours des trois dernières minutes — la périodicité du mouvement se dégrade-t-elle d'une manière qui suggère la fatigue ?

Un TCN à convolutions dilatées voit à la fois la physique instantanée d'une seule image et le contexte temporel à long terme d'une séance d'entraînement entière. Aucune autre architecture ne vous offre les deux à la fois.

Et parce que les convolutions sont des opérations parallèles, et non séquentielles, l'ensemble s'exécute assez vite pour une inférence mobile en temps réel. L'entraînement est plus rapide aussi — pas de gradients qui explosent, pas de gradients qui s'évanouissent, juste une rétropropagation stable à travers un réseau de profondeur fixe.

Pour le décryptage technique complet — y compris les données de performance comparatives face aux LSTM et les mathématiques de notre analyse de signal — consultez notre article de recherche.

Compter les répétitions sans savoir ce qu'est une répétition

L'une de nos premières décisions de conception était controversée, même au sein de l'équipe.

La plupart des applications de fitness qui tentent de compter les répétitions entraînent un modèle spécifique pour chaque exercice. Un « compteur de pompes ». Un « compteur de squats ». Un « compteur de curls biceps ». Cela signifie que chaque nouvel exercice nécessite de nouvelles données d'entraînement, un nouvel étiquetage, un nouveau déploiement. C'est fragile et ça ne passe pas à l'échelle.

Nous avons pris une autre direction. Nous avons construit un système de comptage indépendant de la classe fondé sur l'auto-similarité temporelle. L'idée : si un mouvement est répétitif, le signal sera semblable à lui-même à intervalles réguliers. Vous n'avez pas besoin de savoir quel est l'exercice. Vous avez seulement besoin de détecter que le signal se répète.

Le TCN transforme la séquence de poses du squelette en une représentation compressée, puis nous calculons la similarité entre chaque paire de pas de temps. L'action répétitive apparaît sous forme d'un motif visuel distinct — des lignes parallèles de forte similarité. La distance entre ces lignes correspond à la durée d'une répétition. L'intensité des lignes vous indique à quel point les répétitions sont régulières.

Cela fonctionne pour les squats, les swings avec kettlebell, le rameur, les jumping jacks, ou n'importe quel mouvement de rééducation qu'un kinésithérapeute inventera mardi prochain. Nous détectons la physique de la répétition elle-même, et non l'identité de l'exercice.

Je l'avoue, il y a eu un moment de doute. Un investisseur m'a dit : « Utilisez simplement GPT-4 avec entrée vidéo. Il sait compter les pompes. » Je lui ai demandé d'essayer avec quelqu'un faisant des quarts de répétitions à vitesse variable pendant qu'un tout-petit traversait le cadre. Il a arrêté d'en parler.

Que se passe-t-il quand on mesure la forme, et pas seulement le nombre ?

Compter est nécessaire mais loin d'être suffisant. Quelqu'un peut faire cinquante « pompes » avec une amplitude de mouvement de deux centimètres. Le compteur augmente. La physique dit qu'il ne s'est rien passé.

Nous avons construit trois métriques qui transforment un décompte de répétitions en évaluation de qualité.

La profondeur. Nous suivons la trajectoire des articulations clés — la hanche pendant un squat, la poitrine pendant une pompe — et appliquons une détection de pics au signal filtré par le TCN. Une répétition n'est valide que si le déplacement dépasse un seuil biomécanique. Ce n'est pas une opinion. C'est une mesure de la distance réellement parcourue par l'articulation.

Le contrôle. En traitement du signal, le « jerk » est la dérivée troisième de la position — le taux de variation de l'accélération. Un jerk élevé signifie des tremblements, de l'instabilité, ou l'utilisation de l'élan pour tricher sur le mouvement. Nous calculons une version normalisée appelée jerk logarithmique sans dimension (Log Dimensionless Jerk). Un score élevé signifie que la personne peine ou se projette à travers la répétition. En rééducation et en bien-être en entreprise, c'est un indicateur avancé du risque de blessure.

La symétrie. Nous comparons l'énergie et la phase du signal entre les côtés gauche et droit. Un indice d'asymétrie révèle quand quelqu'un favorise une jambe pendant un squat — souvent un signe précurseur de blessure ou le signe d'une rééducation incomplète. Cette métrique est impossible à autodéclarer. On ne peut pas ressentir une asymétrie de 12 %. Mais le signal, lui, peut la mesurer.

Une « répétition vérifiée par Veriprajna » n'est pas une case à cocher. C'est un paquet de données contenant un horodatage, un hachage des points clés du squelette, un score de confiance du TCN et de la télémétrie cinématique — profondeur, vitesse, jerk, symétrie. C'est auditable. C'est immuable. C'est la différence entre une affirmation et une preuve.

L'architecture de confidentialité qui a fait dire oui aux clients entreprises

Je dois aborder quelque chose que les gens me demandent toujours : « Vous analysez des personnes faisant de l'exercice devant une caméra. Comment cela ne serait-il pas un cauchemar pour la vie privée ? »

Ce le serait, si nous diffusions la vidéo vers le cloud. Nous ne le faisons pas.

Le téléphone exécute un estimateur de pose léger sur son unité de traitement neuronal (NPU). Cela extrait les coordonnées du squelette — juste des nombres représentant les positions des articulations. Quelques kilooctets de données. Les images vidéo sont immédiatement supprimées. Aucune donnée de pixel ne quitte jamais l'appareil. Ce qui est transmis à notre moteur cloud (ou traité sur l'appareil pour les téléphones haut de gamme) sont des données cinématiques anonymes. Des nombres. Pas des visages.

C'est la conformité au RGPD et à l'HIPAA par l'architecture, et non par la politique. Les données biométriques — la vidéo du visage et du corps de quelqu'un — ne sont jamais stockées, jamais transmises, jamais à risque. Ce n'était pas une réflexion après coup. Nous avons conçu tout le système autour de cette contrainte parce que nous savions que les clients entreprises ne toucheraient à rien d'autre.

Qui paie pour la physique ?

L'économie du mouvement vérifié est stupéfiante une fois qu'on la perçoit.

L'assurance. Les assureurs offrent actuellement des rabais pour les abonnements en salle de sport, qui vérifient la présence, pas l'effort. Avec des données de mouvement fonctionnel vérifiées — cinq squats, cinq fentes, un maintien en équilibre — un assureur peut évaluer la stabilité, l'amplitude de mouvement et la symétrie. Celles-ci sont fortement corrélées au risque de chute chez les seniors et à la santé métabolique générale. Une tarification dynamique fondée sur la capacité fonctionnelle vérifiée, et non sur des tables actuarielles statiques. L'assureur qui comprendra cela le premier remportera le marché.

Le bien-être en entreprise. Une industrie de 60 milliards de dollars où les entreprises paient pour des résultats qu'elles ne peuvent pas mesurer. Les employés secouent leurs téléphones pour atteindre leurs objectifs de pas et réclament des contributions à leur compte d'épargne santé. Avec des minutes actives vérifiées, la barrière à la fraude devient l'effort physique. Pour simuler une pompe sur notre système, il vous faudrait essentiellement construire un robot humanoïde — ou simplement faire la pompe.

La télé-rééducation. Les troubles musculo-squelettiques sont l'un des principaux postes de coûts pour les employeurs. L'observance des exercices à domicile est notoirement inférieure à 50 %, et lorsque les patients font de l'exercice, ils utilisent souvent une mauvaise forme qui retarde la récupération. Un TCN surveillant les angles articulaires prescrits offre aux cliniciens un tableau de bord des tendances vérifiées d'observance et de qualité. La surveillance thérapeutique à distance (Remote Therapeutic Monitoring) est désormais un code CPT remboursable aux États-Unis — ce n'est pas spéculatif. C'est une source de revenus.

Le « bouge-pour-gagner », bien fait. Les projets de fitness Web3 ont échoué parce que le GPS est trivialement usurpable. Nous fournissons l'oracle de l'effort physique. Une frappe de jetons conditionnée par la vérification du TCN crée une économie où l'offre est plafonnée par la capacité physique de la base d'utilisateurs, et non par la créativité des tricheurs.

« Mais les LLM ne finiront-ils pas par le faire ? »

J'entends cela constamment. L'hypothèse selon laquelle, parce que les grands modèles de langage ne cessent de s'améliorer, ils finiront par tout résoudre, y compris la vérification physique.

Ils ne le feront pas. Et la raison est architecturale, ce n'est pas une question d'échelle.

Les LLM sont conçus pour produire le jeton suivant le plus probable. Ils sont probabilistes. Ils génèrent une sortie plausible. Dans les domaines créatifs et administratifs, c'est incroyablement utile. Mais en vérification physique, la plausibilité est l'ennemie. Un diagnostic médical, un protocole de rééducation, un ajustement de prime d'assurance — ceux-ci ne peuvent pas reposer sur ce qui se passe probablement. Ils doivent être ancrés dans ce qui se passe réellement.

Aucune montée en échelle ne change la fonction objectif fondamentale. Un LLM doté d'un billion de paramètres optimise toujours la vraisemblance, pas la vérité. Notre TCN optimise la physique d'une forme d'onde — amplitude, fréquence, phase, pureté spectrale. Ce sont des mesures, pas des prédictions.

L'autre question qu'on me pose : « Ne pouvez-vous pas simplement affiner un modèle vision-langage sur des vidéos d'exercice ? » Vous le pouvez. Il vous dira « ça ressemble à une pompe ». Il ne vous dira pas que l'épaule gauche supporte 15 % de charge de plus que la droite, que le profil de jerk indique une apparition précoce de la fatigue, ou que la profondeur des répétitions s'est dégradée de 8 % au cours des deux dernières minutes. Il vous donnera une étiquette. Nous, nous vous donnons une analyse de signal.

L'industrie de l'IA est obsédée par la génération. Nous sommes obsédés par la vérification. Ce ne sont pas les mêmes disciplines, et les confondre, c'est ainsi qu'on finit par tarifer des primes d'assurance sur des hallucinations.

La frontière entre le ressenti et la physique

J'y pense beaucoup : toute l'industrie de la santé numérique se tient d'un côté d'une frontière, et la majeure partie ne réalise pas que cette frontière existe.

D'un côté se trouve ce que j'appelle l'économie du ressenti. Des données autodéclarées. Des nombres de pas provenant d'appareils que l'on peut secouer. Des séances marquées comme terminées à partir de vidéos que l'on peut ignorer. Des tableaux de bord qui semblent encourageants. Des données qui donnent l'impression d'être correctes. Cela fonctionne jusqu'à ce que quelqu'un les audite, et alors elles s'évaporent.

De l'autre côté se trouve ce que nous construisons : l'économie de la physique. Un mouvement vérifié. Un déplacement mesuré. Un contrôle quantifié. Des actifs auditables. Des données qui résistent à l'examen parce qu'elles n'ont jamais reposé sur la confiance en premier lieu.

La transition entre ces deux économies n'est pas incrémentale. On ne parcourt pas 60 % du chemin vers la physique en ajoutant un compteur de pas à son lecteur vidéo. Soit vous mesurez la forme d'onde, soit vous ne le faites pas. Soit vous vérifiez la répétition, soit vous croyez l'utilisateur sur parole.

Chaque entreprise à qui nous parlons — chaque assureur, chaque acheteur de bien-être en entreprise, chaque plateforme de télé-rééducation — arrive finalement à la même prise de conscience. Ils payaient pour du ressenti en l'appelant des données. Dès l'instant où ils voient à quoi ressemblent réellement des données de mouvement vérifiées, ils ne peuvent plus revenir en arrière.

J'ai lancé Veriprajna parce que je croyais que le problème d'IA le plus important de cette décennie n'est pas de générer du meilleur texte. C'est de vérifier la réalité physique. Chaque mois qui passe, chaque nouveau wrapper de LLM qui se lance, chaque application de fitness qui livre un énième lecteur vidéo avec un système de badges — je deviens plus certain.

L'avenir de l'IA en santé, ce ne sont pas des chatbots plus intelligents. C'est une mesure honnête. Et la physique n'hallucine pas.