Un instrument, trois moteurs, une colonne vertébrale de fichiers auditable.
Vous décrivez une idée (avec vos données, en option). Une population simulée réagit, puis est calibrée face à la réalité. La plateforme renvoie une orientation, un classement et des hypothèses à tester - jamais de pourcentages inventés. Chaque nombre porte un échelon de fiabilité : SIM-RANK · REAL · CALIBRATED.
Conception des scénarios, narrateur en direct, conseiller, et le second oracle de l'ensemble.
Simule la propension d'une population à réagir - une distribution, pas une moyenne.
sklearn / lightgbm : F1 / AUC et la calibration sim→réel.
Le système entier, de haut en bas
Huit étapes, du fichier brut aux indices de fiabilité
Les données de référence ancrent S4 (cadre) et S6 (calibration). Les artefacts sont le contrat - les modules les lisent de façon défensive, si bien qu'un changement de forme donne un « - » honnête, jamais un plantage.
L'échelon est toujours explicite
Chaque exécution renvoyée est accompagnée de cette étiquette. Le volant d'inertie - les résultats A/B réels retournés par les utilisateurs, et à terme par les agents - est ce qui gravit l'échelle pour l'exécution suivante.
Une sortie épistémique typée - un nombre nu ne peut exister
{
"rank": 1, "variant": "…", "tier": "strong", "value": null,
"evidence": {
"rung": "SIM-RANK", "calibration": "NONE", "scope": "directional",
"ranking_stability": { "n": 277, "N": 300, "confidence": "HIGH" },
"scenario_robustness": "N/A", "backtest_rho": 1.0
},
"claim_allowed": ["ranking", "direction", "hypotheses"],
"claim_forbidden": ["absolute_percentage", "guarantee"]
}
Appelant non fiable, sûr par construction : une fois en ligne, la sortie est signée sur manifest.hash ; le texte en entrée est une donnée, pas des instructions ; identité + budget par agent ; seuls les classements agrégés quittent les lieux, jamais les personas individuels. Le modèle externe ne reçoit que des agrégats.
Les règles que la plateforme ne peut enfreindre
Un nouveau cas est une nouvelle config JSON - zéro logique spécifique au cas. La config est l'abstraction de la plateforme : jeu de données, décision, conditions, personas, méthodologie.