Je viens d'observer un ajustement clé dans le mécanisme de distribution de l'algorithme X : il brise l'« isolement linguistique » sur la timeline. X commence à traduire automatiquement le contenu étranger dans la langue que vous avez définie, le poussant directement sur la timeline. Auparavant, il fallait non seulement cliquer manuellement sur « traduire », mais l'algorithme de recommandation ne vous proposait généralement pas ce type de contenu « incompréhensible ». Je ne suis pas sûr depuis combien de temps cette fonctionnalité est en ligne, mais c'est la première fois que je la perçois clairement. Cela signifie que le contenu de qualité ne sera plus limité par la langue, les auteurs n'ayant qu'à créer dans leur langue maternelle, et il sera automatiquement traduit dans la langue maternelle des lecteurs pour être distribué. Cette étape de X abaisse le seuil de communication interlangue, et cela est principalement possible grâce aux grands modèles linguistiques, n'est-ce pas (Grok) ?

Cette année, pour mon bilan annuel, j'ai demandé l'aide d'un AI Agent pour faire un inventaire approfondi basé sur les données. Je partage ce processus car il ne nécessite aucune expérience en programmation, vous permettant de réaliser facilement une exploration de données de niveau professionnel. C'est même plus simple que le Vibe Coding, il suffit de : données complètes + Coding Agent. Pour valider les limites de ce processus, j'ai choisi de soumettre mes 10 années de dossiers de santé, qui sont les plus volumineux et les plus complexes de mes données personnelles, à un test de résistance. 1️⃣ Échelle des données et seuil de traitement Finalement, ce que j'ai exporté depuis l'application Apple Health est un fichier de données brutes liées à la santé de 3,5 Go provenant de l'Apple Watch. Ce fichier contient des centaines de milliers d'enregistrements de fréquence cardiaque, ainsi que divers indicateurs physiologiques avec un niveau de détail très fin. Avant l'intervention de l'IA, pour traiter des données de cette ampleur, j'aurais besoin d'investir plusieurs jours à étudier les bibliothèques Python et à dépenser beaucoup d'énergie à analyser la structure complexe des données XML. C'est souvent le plus grand obstacle auquel beaucoup de gens font face lorsqu'ils abordent le « quantifying self ». 2️⃣ Flux de travail habilité par l'Agent Lorsque nous introduisons un Coding Agent (comme OpenAI Codex ou Claude Code), tout le processus est complètement transformé. Vous n'avez plus besoin de vous soucier de l'implémentation du code, il vous suffit de définir l'« objectif d'analyse ». L'Agent exécutera automatiquement une boucle récursive : recherche autonome de la structure des données → écriture de scripts de traitement Python → rencontre de structures anormales → recherche et correction du code. Il peut accomplir de manière autonome l'ensemble du processus, de la purification à l'analyse, m'aidant à réaliser de nombreuses idées que j'avais mises de côté en raison de coûts techniques trop élevés. Si vous ne savez pas par où commencer, vous pouvez d'abord lui donner le contexte de la tâche et le fichier correspondant, pour qu'il puisse faire quelques explorations, par exemple : > C'est un ensemble de données brutes exportées depuis Apple Health, peux-tu voir quels types de données de santé il contient ? Quelle est la période couverte ? > Sur la base de ces données de santé, aide-moi à trouver 10 insights. > En fonction des différentes catégories de données de santé, peux-tu m'aider à voir s'il y a des corrélations entre les différentes catégories de données ? > Peux-tu confirmer que ta recherche est correcte, vérifie et donne-moi plus de données intermédiaires, je vais confirmer. Tout cela peut être réalisé très facilement, et vous pouvez même mener des recherches plus complexes et spécifiques. ⚠️ Attention : en raison de la taille des données brutes de santé, il n'est pas possible de les introduire directement dans des applications comme ChatGPT, il est donc nécessaire d'utiliser la version cli du Coding Agent pour mener des recherches (Cursor et d'autres IDE peuvent également fonctionner). Vous pouvez demander à l'IA : > Comment installer Codex CLI / Claude Code CLI. 3️⃣ Aperçu de l'échantillon Cette analyse couvre la période complète du 18 mai 2015 au 25 décembre 2025, soit un total de 3875 jours. Au cours de cette période, j'ai porté 5 modèles d'Apple Watch, avec un total de jours de port effectif atteignant 3503 jours, soit un taux de port supérieur à 90 %. Le record de port continu le plus long est de 399 jours, et le record d'interruption le plus long est de 33 jours. 4️⃣ Insights clés : étude de la corrélation de la fréquence cardiaque au repos Sur la base de l'ensemble de données valides nettoyées, l'Agent a découvert certaines régularités intéressantes qui n'avaient pas été identifiées auparavant. Les conclusions suivantes ont été calculées par Codex (note : actuellement, seules les corrélations sont présentées, pas de causalité) : 🔊 Pression instantanée du bruit ambiant (taille de l'échantillon : 1802 jours) : Un bruit ambiant plus élevé → La probabilité d'une fréquence cardiaque au repos élevée le jour même augmente d'environ 5,2 fois. 🪑 Effet retardé de la sédentarité (taille de l'échantillon : 2546 jours) : Moins de temps debout → La probabilité d'une fréquence cardiaque au repos élevée le lendemain augmente d'environ 1,75 fois. 🪜 Bénéfices à long terme de l'escalade (taille de l'échantillon : 1909 jours) : Moins de hauteur d'escalade → La probabilité d'une fréquence cardiaque au repos élevée le lendemain augmente d'environ 1,91 fois. Donc, du moins pour moi, un environnement plus calme, se lever plus souvent au travail chaque jour et monter plus d'escaliers peuvent apporter des bénéfices pour la santé à long terme. 5️⃣ Pratiques et recommandations d'action L'analyse actuelle se concentre uniquement sur la fréquence cardiaque au repos, et les détails algorithmiques ainsi que d'autres analyses croisées seront organisés dans un article détaillé ultérieurement. Si vous prévoyez également d'utiliser l'IA pour ce type d'analyse, veuillez noter qu'il est impératif d'établir un mécanisme de validation. L'Agent peut avoir des « hallucinations » lorsqu'il traite des logiques complexes, il est donc conseillé de lui demander de produire des données statistiques intermédiaires ou de procéder à un échantillonnage manuel de petits échantillons pour garantir l'exactitude des conclusions finales. Ou d'utiliser plusieurs Agents pour une validation croisée. 6️⃣ Conclusion Ceci n'est qu'un examen numérique de mon propre corps, les conclusions ne sont pas nécessairement rigoureuses, elles sont à titre de référence. Partager ce processus vise à montrer comment le Coding Agent a comblé le fossé technologique : l'exploration des actifs de données ne nécessite plus de savoir coder, il suffit de savoir poser des questions. Puisque la barrière technique a disparu, pourquoi ne pas sortir ces données qui prennent la poussière et voir ce que l'IA peut vous aider à découvrir comme détails inattendus.

Un jalon vient d'être atteint, ce mois-ci, les impressions mensuelles ont enfin dépassé 10 millions. Que signifie ce chiffre ? C'est plus du double de mes impressions cumulées au cours des 12 derniers mois. (Bien sûr, cela montre que mes données ont toujours été très faibles.) Si quelqu'un doute encore de l'authenticité de ce chiffre, prenons un autre ensemble de données de Bookmark. Ce mois-ci, j'ai été Bookmarké près de 10 000 fois, ce qui équivaut presque à la somme des 24 derniers mois. Récemment, quelques-uns d'entre nous ont eu de nouvelles compréhensions sur l'algorithme de recommandation de X, certaines sont mystiques, d'autres incluent des facteurs aléatoires. Mais on peut essentiellement confirmer que : > AI + Vibe Coding + expérience personnelle réelle + structure d'article adaptée à la lecture sur les réseaux sociaux sont les facteurs que ce nouvel algorithme privilégiera. Bien sûr, le trafic n'est qu'un aspect. Plus important encore, la portée des sujets AI et Vibe Coding est particulièrement vaste, presque tous les types de produits peuvent être explorés. Au cours des deux derniers mois, j'ai également lancé de nombreux produits/sites, le DAU total a dépassé 1000, mais c'est encore très peu. Je n'ai pas encore trouvé de modèle de rentabilité, peut-être que je devrai essayer quelques autres pour avoir une chance. Mais je pense que ces produits ont déjà apporté une réelle valeur aux utilisateurs, sinon ils ne rouvriraient pas une page web tous les jours. Peut-être que c'est là le charme du Vibe Coding : vous n'écrivez plus du code juste pour écrire du code, mais pour capturer cette idée fugace et la transformer en un produit accessible à tous. Quant à la manière de monétiser, laissons cette question pour la prochaine itération.