Au-delà du wrapper LLM
Convertir le mouvement humain en actifs auditables via des réseaux de convolutions temporels. Veriprajna rejette le consensus selon lequel la finalité première de l'IA est la génération — nous sommes le contre-mouvement : l'IA physique.
Le marché de la santé numérique se noie dans les « Vibes » — des données auto-déclarées invérifiables. Nous passons à la « Physique » : une vérification mathématique rigoureuse du mouvement humain grâce aux TCN, pour rendre possible la preuve de travail physique.
Le paysage de l'IA du milieu des années 2020 est dominé par l'IA générative — des LLM produisant du texte plausible, des modèles de diffusion créant des images. Mais dans les environnements physiques à enjeux élevés, la plausibilité est un handicap.
Probabiliste, non déterministe. Conçue pour produire le token le plus probable qui suive, et non le véritable état physique. Précieuse pour les domaines créatifs/administratifs, mais fondamentalement limitée dès qu'il s'agit du monde physique.
Traitement du signal déterministe. Traite le mouvement humain comme des signaux périodiques à analyser — non des images à classer. Mesure la physique, non les vibes. Permet une preuve de travail physique auditable.
Malgré les milliards investis dans les applications fitness « intelligentes », le secteur repose sur un défaut fondamental : la fallace du « lecteur vidéo ».
Les applications diffusent des flux vidéo d'instructeurs. L'utilisateur regarde, l'application journalise « terminé ». Elle suppose que consommation = achèvement. L'utilisateur peut être sédentaire ou exécuter les mouvements avec une déviation biomécanique dangereuse.
« Plus un indicateur social quantitatif est utilisé pour la prise de décision, plus il sera sujet à la corruption. » Attacher de l'argent/du statut aux pas ? Les utilisateurs sanglent leur Fitbit à un ventilateur de plafond.
Classements, séries, badges — une gamification agressive. Mais : On ne peut pas gamifier ce qu'on ne peut pas vérifier. L'employé A fait 100 vraies pompes, l'employé B en journalise 200 fausses. Le système récompense la malhonnêteté.
« Ces données sont foncièrement “fondées sur les vibes”. Elles semblent justes à l'utilisateur, créant une boucle dopaminergique de sentiment d'accomplissement. Cependant, elles manquent de fidélité physique. Ce sont des données qui se dissolvent sous audit. »
— Livre blanc Veriprajna : « La physique de la vérification »
La vision par ordinateur traditionnelle traite l'exercice comme de la classification d'images. Une seule image ne dit rien de la qualité du mouvement. Veriprajna reformule la reconnaissance d'activité humaine comme un problème de traitement numérique du signal (DSP) .
Le corps humain exécutant un exercice répétitif fonctionne comme un oscillateur mécanique. Squats, jumping jacks, cycles de marche — tout produit des formes d'onde mesurables.
Basculez la visualisation pour voir comment un mouvement de squat se transforme de coordonnées de pose spatiales en analyse de signal temporel.
Les TCN adaptent l'architecture convolutionnelle qui a révolutionné la reconnaissance d'images et l'appliquent au domaine temporel. Mathématiquement supérieurs aux RNN/LSTM pour la reconnaissance d'activité humaine.
Les LSTM traitent pas à pas (propriété de Markov). Impossible de paralléliser. Pour calculer l'image 100, il faut calculer séquentiellement les images 1 à 99. Latence inacceptable sur les appareils mobiles edge.
Les LSTM peinent sur les longues séquences. Une séance de yoga de 5 minutes génère des milliers d'images, dépassant la fenêtre mémoire du LSTM. Le modèle « oublie » le début de la séance à la fin. La dérive s'accumule.
Le maintien d'états cachés complexes exige une bande passante mémoire massive. Les clients entreprise qui traitent des milliers de flux simultanés trouvent le coût des LSTM prohibitif à grande échelle.
La sortie à l'instant t n'est convoluée qu'avec les éléments de l'instant t et antérieurs. Aucune fuite depuis le futur— mathématiquement honnête pour une vérification en streaming temps réel.
Facteur de dilation d = 2^i pour la couche i. Champ récepteur exponentiel— la couche 10 voit un historique de 512 pas. Capture simultanément la physique instantanée ET les courbes de fatigue à long terme.
Tous les pas de temps sont calculés en parallèle (quand l'entrée est bufferisée). Entraînement 3x plus rapide que les LSTM. Rétropropagation à travers un réseau de profondeur fixe (de type ResNet) — évite les gradients évanescents/explosifs. Robuste sur des jeux de données variés.
| Caractéristique | LSTM/GRU | TCN Veriprajna | Impact |
|---|---|---|---|
| Parallélisme | Série (lent) | Parallèle (rapide) | Vérification en temps réel sur les appareils edge |
| Champ récepteur | Limité par le flux de gradient | Exponentiel | Détecte la fatigue à long terme et la dégradation de la forme |
| Empreinte mémoire | Élevée (états de portes) | Faible (poids de filtres) | Moins cher à l'échelle entreprise |
| Stabilité du gradient | Évanescent/explosif | Stable (type ResNet) | Entraînement robuste sur des jeux de données variés |
| Résolution temporelle | Image par image | Hiérarchique | Capture la dynamique multi-échelle (micro et macro) |
| Précision de comptage | Modérée (dérive) | 99% (périodicité) | Comptage de répétitions agnostique à la classe via l'auto-similarité |
Veriprajna ne se contente pas de classifier l'activité — nous la déconstruisons en physique élémentaire. Le scoring de qualité transforme la « bonne forme » subjective en mesures cinématiques objectives.
La métrique « profondeur » : Isoler les trajectoires des articulations clés (hanche au squat, poitrine aux pompes). Appliquer la détection de pics min-max au signal filtré par le TCN.
Pas une opinion — une mesure du déplacement. Le squat doit aller de y_standing à y_knee.
La métrique « contrôle » : Le jerk est la dérivée tierce de la position (taux de variation de l'accélération). Un jerk élevé = tremblements, instabilité, triche par inertie.
Un score LDLJ élevé → lutte ou explosivité avec un contrôle médiocre. Prédicteur critique de risque de blessure.
La métrique « équilibre » : Comparer l'énergie et la phase du signal des extrémités gauche vs droite à partir de la structure squelettique bilatérale.
Identifie l'appui favorisé sur une jambe pendant le squat — précurseur de blessure ou de rééducation incomplète. Impossible à auto-déclarer.
Les applications traditionnelles ont besoin d'un classifieur spécifique pour chaque exercice (compteur de pompes, compteur de squats…). Veriprajna utilise des matrices d'auto-similarité temporelle (TSM) pour détecter la physique de la répétition elle-même.
Veriprajna peut vérifier tout mouvement périodique sans entraîner de classifieur spécifique :
Transformer le mouvement humain éphémère en classe d'actifs immuable et auditable pour l'économie de la santé numérique.
Dans la blockchain, la « preuve de travail » tire sa valeur de la dépense énergétique de calcul. La PoPW tire sa valeur de l'énergie métabolique humaine, vérifiée par une IA fondée sur la physique.
Ce paquet est immuable et auditable. C'est la monnaie de la future économie de la santé.
Nous ne streamons pas de vidéo vers le cloud. Une conception edge-first garantit la conformité RGPD/HIPAA dès la conception.
« Une séance d'entraînement passe d'un événement éphémère à un registre vérifiable. La barrière à l'entrée de la fraude devient l'effort physique lui-même. Pour truquer une pompe sur Veriprajna, il faut en pratique construire un robot ressemblant à un être humain — ou simplement faire la pompe. »
La transition des « Vibes » vers la « Physique » crée des modèles économiques durables dans l'assurance, le bien-être en entreprise et la santé numérique.
Les assureurs offrent des remises pour les abonnements à la salle de sport (cela vérifie le lieu, pas l'effort) ou les comptages de pas (cela vérifie le mouvement de l'appareil, pas l'effort fourni). Évaluation statique du risque fondée sur des tables agrégées.
Évaluation interactive du risque. Functional Movement Screen de 2 minutes (5 squats, 5 fentes, tenue en équilibre) via l'application de l'assureur. Le TCN note stabilité, amplitude articulaire, symétrie.
Les données sont corrélées au risque de chute (seniors) et à la santé métabolique. Ajustez dynamiquement les primes selon la capacité fonctionnelle vérifiée. Réduisez les versements de sinistres, attirez des clients à moindre risque.
Industrie de $60B avec un problème de fraude. Les employés secouent leur téléphone pour atteindre les objectifs de pas et réclamer les contributions HSA. L'employeur paie l'incitation mais n'obtient aucun gain de productivité.
Des incitations liées aux minutes d'activité vérifiées. La barrière à la fraude devient l'effort physique. Le ROI marketing devient tangible — les budgets bien-être ciblent de réelles améliorations de santé.
Éliminez le « dividende des tricheurs ». Les meilleurs ne sont plus pénalisés par ceux qui manipulent le système. Contrat social restauré. Programmes de bien-être durables aux résultats mesurables.
Les troubles MSK = premier facteur de coûts pour les employeurs. Les patients se voient prescrire des exercices à domicile. L'observance auto-déclarée est notoirement faible (<50%). Une mauvaise exécution retarde la récupération.
Kinésithérapeute IA. Le TCN surveille les angles articulaires précis prescrits (p. ex. « flexion du genou < 90° »). Le clinicien reçoit un tableau de bord de conformité vérifiée et de tendances de qualité.
Intervenir quand les données montrent une difficulté, plutôt que d'attendre le prochain rendez-vous. Surveillance thérapeutique à distance (RTM) = code CPT remboursable aux États-Unis. Source de revenus directe pour les prestataires.
Le problème : Les projets Web3 tentant de tokeniser le fitness (comme STEPN) ont échoué parce qu'ils reposaient sur le GPS, trivialement falsifiable. La course aux armements entre détection et simulation a ruiné le modèle.
La solution Veriprajna : Nous fournissons l'oracle de l'effort physique. Le mint de tokens est conditionné par la vérification TCN. Cela crée une économie durable où l'offre de tokens est plafonnée par la capacité physique de la base d'utilisateurs.
Pour tromper la vérification Veriprajna, il faut accomplir le véritable travail physique. Le système aligne les incitations numériques sur les résultats physiques — le seul modèle durable pour la tokenisation du fitness.
Modélisez l'impact économique des données de fitness vérifiées pour votre organisation
Moyenne du secteur : 20-40%
Programmes à base de pas : 30-50% de tricherie estimée
| Caractéristique | Wrappers LLM | Vision par ordinateur (OpenPose) | IA héritée (LSTM) | Veriprajna (TCN) |
|---|---|---|---|---|
| Fonction principale | Génération de texte / chat | Détection articulaire (perception) | Prédiction séquentielle | Vérification physique |
| Méthode de vérification | Aucune (fait confiance à l'entrée) | Aucune (coordonnées brutes) | État dépendant de l'historique | Analyse de signal causale |
| Capacité temps réel | Faible (latence cloud) | Élevée | Faible (traitement série) | Élevée (parallèle) |
| Précision de comptage | N/A | Heuristique (seuils) | Modérée (dérive) | 99% (moteur de périodicité) |
| Résistance à la fraude | Zéro | Faible (facile à tromper) | Modérée | Élevée (biométrique/physique) |
| Utilité économique | Diffusion de contenu | Collecte de données | Suivi basique | Création d'actifs auditables |
Les TCN surpassent les LSTM dans trois domaines critiques : le parallélisme (tous les pas de temps calculés simultanément vs traitement série pas à pas), le champ récepteur (croissance exponentielle via les convolutions dilatées — la couche 10 voit un historique de 512 pas contre ~100 images de mémoire effective pour le LSTM) et la stabilité du gradient (rétropropagation type ResNet à profondeur fixe vs gradients évanescents/explosifs). Les TCN s'entraînent 3x plus vite, atteignent 99% de précision de comptage grâce à l'analyse de périodicité contre une précision modérée avec dérive pour le LSTM, et nécessitent nettement moins de mémoire pour des flux simultanés à l'échelle entreprise.
Veriprajna utilise des matrices d'auto-similarité temporelle (TSM) pour détecter la physique de la répétition elle-même. Le TCN projette les séquences de poses squelettiques dans un espace latent de dimension inférieure, puis calcule la similarité entre les embeddings de toutes les paires d'images. Les actions répétitives génèrent des textures distinctes — des lignes de forte similarité parallèles à la diagonale. Le TCN prédit la longueur de période et la probabilité de périodicité, puis intègre dans le temps pour un comptage précis. Ainsi, tout mouvement périodique (swings kettlebell, aviron, exercices de rééducation inédits) peut être vérifié sans entraîner de classifieur spécifique.
La preuve de travail physique (PoPW) convertit le mouvement humain éphémère en un actif immuable et auditable contenant horodatage, géolocalisation, hachage des points clés squelettiques, score de confiance TCN et télémétrie cinématique (profondeur, vitesse, jerk). Pour l'assurance, elle permet une souscription dynamique fondée sur la capacité fonctionnelle vérifiée plutôt que sur la simple fréquentation d'une salle. Pour le bien-être en entreprise (marché de $60B), elle élimine le « dividende des tricheurs », où les employés manipulent les incitations à base de pas. Pour la kinésithérapie numérique, elle offre aux cliniciens des tableaux de bord d'observance vérifiée et permet la facturation de la surveillance thérapeutique à distance.
Veriprajna représente la correction nécessaire dans la trajectoire de l'IA. Dans le domaine de la santé physique, nous remplaçons les auto-déclarations subjectives par une vérification mathématique rigoureuse.
Rejoignez les entreprises avant-gardistes qui bâtissent l'économie de la « Physique ». Arrêtez de gamifier les vibes. Commencez à vérifier le travail.
Manifeste d'ingénierie complet : architecture TCN, convolutions dilatées causales, mathématiques du traitement du signal, comptage de répétitions agnostique à la classe, cas d'usage entreprise, bibliographie exhaustive.