Comment Longev AI apprend : règles, données, prévision testée
Le cœur de Longev AI : des règles cliniques explicables sur la base personnelle du client ; la plateforme accumule des paires « action → réponse » et mesure ouvertement sa propre erreur de prévision.
À qui s'adresse cette page. Aux audits techniques, aux médecins et aux investisseurs — à tous ceux qui demandent : « s'agit-il d'apprentissage automatique ou de règles fixes ? » La réponse est transparente et vérifiable directement sur le portail.
Un cœur fondé sur des règles, par choix. Chaque recommandation découle d'un seuil explicite et s'explique en une phrase ; les soins payants ne sont modifiés que par le médecin. Dans un cadre médical, personne ne valide une boîte noire.
Une personnalisation basée sur la référence individuelle. Les alertes ne sont pas évaluées par rapport à une « norme générale », mais par rapport à la moyenne du séjour du client : un pouls au repos de 62 ne veut rien dire tant que l'on ignore qu'il était à 54 toute la semaine.
Deux jeux de données. Le journal des décisions (« données du client → intervention du médecin ») et le journal des résultats (« soins et charge d'hier → relevé de la montre ce matin »). Tous deux sont anonymes par conception et exportables en lignes JSONL.
Des prévisions sous contrôle. La plateforme prédit pour le lendemain le pouls au repos, la VFC, le Body Battery et le score de sommeil à l'aide de trois modèles, et affiche l'erreur moyenne de chacun sous forme de tableau, sans fausse promesse.
La limite. Wellness & Lifestyle Intelligence : un accompagnement du mode de vie, et non un dispositif médical ; le dernier mot revient toujours au médecin. Mis à jour le 25.08.2026.
Des règles plutôt qu'une boîte noire : pourquoi ce choix
Longev AI fonctionne comme un moteur déterministe : une même nuit avec les mêmes seuils produit exactement la même feuille. Il ne s'agit pas d'une limite dissimulée par la plateforme, mais d'un choix d'ingénierie motivé par trois raisons.
La première concerne la signature du médecin. La feuille du matin est signée, et chaque ligne doit répondre à la question « pourquoi » : « pouls au repos de 68 par rapport à votre moyenne de 61 — nous suggérons de remplacer le soin exigeant ». Le moteur n'imprime aucune recommandation qui ne puisse être justifiée par un chiffre.
La deuxième tient au cadre réglementaire. Un système qui modifie de lui-même des prescriptions médicales à partir d'un modèle opaque bascule vers la catégorie des dispositifs médicaux et des systèmes à haut risque selon le règlement européen sur l'IA (EU AI Act). La plateforme reste délibérément un outil de soutien au mode de vie : elle suggère, explique et attend la décision du médecin (cadre juridique).
La troisième est le problème du démarrage à froid. Un modèle auto-apprenant sans données est moins performant que des règles : il n'a aucune base d'apprentissage dans un hôtel qui vient d'intégrer le système. Les règles fonctionnent dès le premier client, et la plateforme commence à accumuler les données pour les futurs modèles dès le tout premier matin, comme expliqué plus bas.
Une référence personnelle plutôt qu'une norme générale
Presque chaque seuil du moteur compare le client à lui-même. La base de référence correspond à la moyenne de son propre séjour : les journées d'arrivée incomplètes en sont rigoureusement exclues, et tant que moins de deux jours sont mesurés, les alertes basées sur la référence personnelle ne sont pas déclenchées — une comparaison sur une seule nuit équivaudrait à tirer à pile ou face tout en le présentant comme une conclusion clinique. Le médecin peut porter ce délai de sécurité à 5 jours.
La variabilité de la fréquence cardiaque (VFC — la régularité des intervalles entre les battements du cœur) dispose d'une deuxième source de référence : la plage habituelle du client, que l'algorithme Firstbeat intégré à Garmin apprend en environ trois semaines. Si la montre, qui connaît le client depuis plus longtemps que notre référence de deux jours, indique « en dessous de la plage », la composante de préparation ne peut pas s'afficher en vert : le diagnostic de la montre prévaut sur notre calcul, et strictement dans ce sens.
Ces mêmes valeurs composent la préparation du jour — un score unique de 0 à 100, équivalent du Readiness de la bague Oura ou du Recovery du bracelet WHOOP, mais calculé à partir des données Garmin et selon des règles ajustables par le médecin de l'hôtel : le Body Battery compte pour 30 points, la VFC et le sommeil pour 25 chacun, le pouls au repos et la charge d'hier pour 10 chacun. Une composante sans données n'est pas remplacée par une moyenne arbitraire : elle est exclue, les coefficients sont réajustés, et si les données représentent moins de la moitié du poids total, aucune évaluation n'est émise.
Feuille du matin du médecin : niveau de préparation à 49 sur 100 avec le détail par composante — chaque ligne indique sa valeur, sa référence et sa justification×
Les couches du moteur
Couche
Rôle
Détails
Entrée
25 indicateurs de la montre et de la balance Garmin, questionnaire initial, prescriptions du médecin, journal alimentaire
Un système de gestion hôtelière (PMS) peut se connecter à l'API Garmin Health pour récupérer le pouls et le sommeil. Mais il lui manque les deux éléments indispensables à un jeu d'entraînement : les prescriptions médicales et le suivi des repas. La plateforme constitue donc deux jeux de données, qui n'existent que là où la biométrie, les prescriptions et l'alimentation sont réunies dans un même circuit.
Le journal des décisions — « valeurs du client → décision du médecin ». Chaque action dans le panneau est enregistrée avec un instantané anonyme du client à ce moment précis : âge, sexe, jour du séjour, valeurs de la nuit, moyennes personnelles, drapeaux. Il sert déjà d'aide à la décision : le médecin voit comment l'établissement a réagi face à des chiffres similaires.
Le journal des résultats — « action → réaction ». Chaque matin mesuré, la plateforme enregistre automatiquement un couple de données : les soins et la charge de la veille (y compris un dîner après 20:00 et les verres de la cure de boisson) en regard des données relevées par la montre au réveil — pouls au repos et VFC par rapport à la base personnelle, sommeil, Body Battery, préparation, drapeaux.
Anonymat et suppression. Les lignes ne contiennent ni nom ni date de naissance ; le retrait du consentement aux données de santé supprime également les paires du client — le jeu de données n'en est que plus rigoureux, pas plus pauvre. L'export se fait en lignes JSONL depuis l'administration.
Une observation, pas une causalité. À partir des paires accumulées, le tableau de bord affiche des moyennes « avec ou sans facteur » : soins thermiques la veille, soin éprouvant, charge cardiaque supérieure de 50 % à la base, dîner tardif. Une comparaison n'est affichée qu'à partir de 5 paires de chaque côté et reste qualifiée d'observation : une matinée dépend de bien trop de facteurs pour attribuer cet écart moyen à une cause unique.
Le test de prévision : mesurer l'erreur plutôt que faire des promesses
Un audit est en droit d'exiger un chiffre pour étayer l'affirmation « la plateforme devient plus précise ». Pour cela, l'administration dispose d'un contrôle de prévision : sur l'ensemble de l'historique accumulé, la plateforme prédit rétrospectivement chaque matinée — pouls au repos, VFC, Body Battery et score de sommeil — puis calcule l'erreur absolue moyenne (MAE), c'est-à-dire l'écart moyen en unités de la prévision.
Ce calcul s'effectue en mode progressif (« walk-forward ») : la prévision du matin est établie uniquement à partir des jours antérieurs, et même le coefficient de charge ne s'ajuste que sur les données déjà observées à ce stade. Regarder vers l'avenir pour ajuster artificiellement le résultat est impossible par conception.
Modèle
Méthode de prédiction
Rôle dans le tableau
« Comme hier »
la valeur de demain sera identique à celle d'aujourd'hui
le seuil naïf de référence : un modèle qui ne fait pas mieux ne mérite pas d'être qualifié de modèle
« Base personnelle »
la moyenne du séjour du client — identique à celle figurant sur la fiche du matin
mesure l'apport réel de la personnalisation à elle seule
« Base + charge »
la base personnelle corrigée selon la surcharge de la veille ; le coefficient s'active après 8 paires accumulées
le premier élément auto-apprenant — son apport est visible distinctement
Le tableau sait parfaitement afficher des résultats dérangeants : sur un historique court, l'approche naïve « comme hier » surpasse souvent les ajustements, et c'est un résultat normal, pas une anomalie. L'exigence requise pour les futurs modèles est fixée par ce même tableau : un modèle n'est intégré au produit que lorsqu'il surpasse régulièrement le modèle naïf sur les données réelles de l'hôtel, et non sur de simples promesses théoriques.
Feuille de route
Aujourd'hui. Des règles appliquées à la référence individuelle ; les journaux de décisions et de résultats s'enrichissent d'eux-mêmes ; l'erreur de prévision se mesure d'un simple clic.
Ensuite. Des modèles prédictifs fondés sur le journal des résultats, dès qu'il y aura assez de paires pour dépasser systématiquement le seuil naïf du tableau ci-dessus. D'ici là, aucun mot « intelligent » en vitrine.
Toujours. La prescription automatique uniquement comme un brouillon validé par le médecin : c'est ainsi que fonctionne déjà la note matinale, et ce sera le cas des suggestions de prescription issues du journal des décisions.
Questions et réponses
S'agit-il d'apprentissage automatique ou de règles fixes ? Le cœur repose sur des règles explicables appliquées à la référence individuelle du client. Des éléments entraînables existent déjà — le coefficient de charge dans la prévision et la recherche de cas similaires dans le journal des décisions —, et les modèles complets viendront enrichir le journal des résultats, leur précision étant déjà mesurée par le tableau d'erreurs.
Pourquoi pas un réseau de neurones ? Parce que la feuille de soins est signée par un médecin et que l'explicabilité est une exigence clinique, pas une question de goût ; parce que l'EU AI Act encadre plus strictement les recommandations de santé opaques que les règles claires ; et parce que des modèles sans données sont moins fiables que des règles — or la plateforme continue d'accumuler ses données.
Qu'est-ce qui empêche un PMS ordinaire de faire la même chose ? L'API Garmin Health transmet la biométrie, mais pas les prescriptions du médecin ni le journal alimentaire. Le couple « exposition → réaction » ne se constitue que lorsque ces trois flux coexistent dans une même boucle — et ce jeu de données reste la propriété de l'hôtel.
Où consulter tout cela ? Dans le tableau de bord : Paramètres → Assistant — les fiches des deux journaux, les observations par facteur, le bouton de vérification des prévisions et l'export JSONL (l'écran administrateur).
La plateforme établit-elle un lien de causalité ? Non. Les moyennes « avec facteur / sans facteur » sont signalées comme de simples observations ; établir des liens de causalité exige des volumes et un protocole d'étude qu'un seul hôtel ne peut avoir — et la page l'énonce en toute transparence.
Google Analytics nous montre quelles pages sont lues, uniquement avec votre consentement. Votre langue et ce choix restent de toute façon dans votre navigateur.
