ProjetsB3
Nuboria
Ce lever ou ce coucher de soleil vaut-il le déplacement, quand, et depuis où ?
- Rôle
- Créateur et responsable produit — développement assisté par IA
- Depuis
- août 2026
- État
- En développement. Pas encore public.
RésuméVue aérienne
Nuboria est un produit météorologique et géospatial qui aide à décider si un lever ou un coucher de soleil vaut la peine, à quelle heure et depuis quel endroit. Le projet a commencé en août 2026 avec un périmètre clair : l'Espagne d'abord.
- Date
- 7 septembre 2026
- Périmètre
- Lieux OpenStreetMap, release es-geofabrik-20260907-v1.
- Source
- OpenStreetMap
© Contributeurs OpenStreetMap. Données météo : Open-Meteo.
Ce coucher de soleil vaut-il la peine ?
Simulation illustrativeDonnées synthétiquesDéplacez les curseurs. La recommandation s'explique d'elle-même et le score ne se fait jamais passer pour une probabilité.
Cette démo nécessite JavaScript. Le cas ci-dessous se lit de la même façon sans.
CasÀ pied
Problème
Une prévision météo seule ne répond pas à la question. L'intérêt du ciel dépend aussi de la trajectoire du soleil, de l'horizon, du relief et de l'endroit exact où l'on se tient.
Décisions
Un score déterministe avant tout modèle
MétierChaque recommandation s'explique règle par règle. Si le produit dit d'y aller, il dit aussi pourquoi.
TechniqueLes couches Solar, Terrain et Visibility alimentent un score déterministe. Il repose sur des règles : il n'y a pas de modèle entraîné.
La confiance est un chiffre à part
MétierL'intérêt apparent du ciel et la fiabilité des données sont deux questions différentes, qui reçoivent donc deux réponses différentes.
TechniqueLa confiance est calculée séparément du score de l'événement, sur des données météo versionnées d'Open-Meteo.
Préparer les preuves avant l'apprentissage
MétierLe produit est conçu pour recueillir d'abord des retours. Tout apprentissage futur devra reposer sur des observations réelles, pas sur l'heuristique qui se noterait elle-même.
TechniqueLes contrats de feedback et de dataset sont définis dans Supabase avec PostGIS. La couche d'apprentissage reste sur la feuille de route.
Comment je l’ai vérifié
Un test contrôlé avec des données Open-Meteo a donné des résultats satisfaisants.
Ce que j’ai appris
Une heuristique honnête est plus utile qu'un chiffre qui ressemble à une probabilité. Séparer score et confiance m'a obligé à dire ce que le produit sait et ce qu'il suppose seulement.
Rôle
Problème, périmètre, décisions de produit et d'architecture, règles de score, priorités et limites de ce que le produit peut affirmer. Implémentation avec Codex, interface avec Lovable et appui de ChatGPT.
PreuvesSous la surface
Architecture
- Données
- Service
- Personne
Le même flux, étape par étape
- Les lieux OpenStreetMap et les prévisions Open-Meteo entrent sous forme de données versionnées.
- Les couches Solar, Terrain et Visibility décrivent la scène pour un lieu et une heure.
- Des règles déterministes transforment la scène en score de l'événement.
- La confiance des données est calculée séparément.
- La recommandation affiche les deux, avec les raisons.
Planches du produit
Planche 1 sur 5La décision atmosphériqueComposition éditorialeDonnées synthétiques Planche 2 sur 5Soleil et horizonComposition éditorialeDonnées synthétiques Planche 3 sur 5La recommandationComposition éditorialeDonnées synthétiques Planche 4 sur 5L'indice, expliquéComposition éditorialeDonnées synthétiques Planche 5 sur 5Des preuves pour un apprentissage futurComposition éditorialeDonnées synthétiques
Les chiffres et leur origine
- Date
- 7 septembre 2026
- Périmètre
- Lieux OpenStreetMap, release es-geofabrik-20260907-v1.
- Source
- OpenStreetMap
© Contributeurs OpenStreetMap. Données météo : Open-Meteo.
Stack
Fiche révisée: