Pace Planner rend un plan d’allure explicable et vérifiable.

Une projection simple suppose souvent que chaque kilomètre se ressemble. Le terrain, le profil, la météo, la fatigue attendue et la qualité des références modifient pourtant ce qui est raisonnable. Une recommandation unique peut donner une fausse impression de précision lorsque les données d’entrée sont incomplètes.

Pace Planner traite donc le plan comme un objet auditable. Il enregistre les hypothèses, découpe le parcours en segments, expose la qualité des entrées et permet de comparer des scénarios. L’utilisateur peut comprendre ce qui influence une projection au lieu de recevoir seulement un chiffre final.

L’interface Next.js guide la création et la consultation des plans. Le backend FastAPI gère les projets et expose les calculs. Un moteur Python séparé transforme les entrées en segments et projections, tandis que SQLite conserve l’état local et l’historique utile à l’audit.

Le studio peut intégrer un parcours, des références de performance, des informations de terrain et des données météo. Open-Meteo fournit une API de prévision documentée ; lorsqu’une donnée externe n’est pas disponible ou suffisamment fiable, le produit doit l’indiquer plutôt que masquer l’incertitude.

Le prototype distingue ce qui a été fourni, calculé, estimé ou reste à connecter. Cette discipline est importante dans tout outil décisionnel. Un score de qualité ou un avertissement ne doit pas seulement décorer l’écran : il doit empêcher l’utilisateur de confondre une hypothèse avec une donnée observée.

Les limites actuelles sont donc affichées. Le produit reste une version de recherche, certaines intégrations sont prévues mais non finalisées, et aucune promesse de performance sportive n’est formulée. Cette honnêteté fait partie de la conception.

Le workflow fonctionne localement : créer un plan, l’ouvrir, consulter ses entrées, examiner sa projection et accéder aux contrôles d’audit. La capture de cette page provient de cette application réelle.

Le projet démontre ma capacité à modéliser un domaine, isoler un moteur de calcul, concevoir une interface qui montre la qualité des données et faire cohabiter exploration et traçabilité. Il ne démontre pas encore une efficacité mesurée auprès d’athlètes ou de clients, et je ne présente aucun chiffre de résultat.

Un devis, un score de priorité, une prévision de stock ou une recommandation commerciale possède aussi des hypothèses. Si l’outil ne montre pas leur origine, l’utilisateur ne sait pas quand faire confiance au résultat ni quand reprendre la main.

Pace Planner illustre une approche transférable aux applications métier et aux agents IA : provenance, limites, seuils de confiance, historique et capacité à s’abstenir lorsque le contexte ne suffit pas.