Wama
Un discret compagnon en machine learning, posté au bord de l'évier. Wama détecte votre présence et l'eau qui coule grâce à un modèle de vision entraîné, lit un simple geste de la main et répond par un personnage animé. Le ML y est un témoin, pas un optimiseur.
- Rôle
- Intégration et développement
- Année
- 2026
- Cadre
- SUPSI · ID131
- Périmètre
- Équipe de trois
- Livré
- Prototype PWA fonctionnel
Faire la vaisselle occupe un seuil étrange. C'est assez physique pour vous garder dans la pièce, mais assez automatique pour laisser l'esprit filer complètement ailleurs. Cet écart, entre présence du corps et absence de l'esprit, est le territoire pour lequel Wama a été conçu.
La question n'était délibérément pas de rendre la tâche plus efficace. C'était de savoir si cette dérive pouvait être remarquée, voire accompagnée, par quelque chose dans l'environnement. Wama tient davantage de l'objet rituel, équipé d'une caméra presque par accident, que de l'outil de productivité.
Le cours, Intelligence as a Material, posait la véritable provocation : un système de ML peut agir comme un témoin plutôt que comme un optimiseur. Il peut remarquer sans exiger de résolution. Ce recadrage, et la ligne éthique qu'il croise de plein fouet (la détection de présence à domicile peut glisser vers la surveillance), est le problème de design au cœur du projet.
- Intégrer les contributions de l'équipe en une seule application fonctionnelle : l'interface et le personnage d'une coéquipière, la détection ML locale d'une autre
- Restructurer et nettoyer le code largement généré par IA pour en faire une base professionnelle et maintenable
- Construire le montage d'évier physique utilisé pour les tests et la démonstration finale
- Concept et idéation avec l'équipe
- Le design et l'animation du personnage (Jennifer Lee)
- Le code de détection MediaPipe et Teachable Machine (Annabelle Conron)
Équipe de trois (Jennifer Lee, Annabelle Conron, Jérémy Martin) pour ID131 Intelligence as a Material à la SUPSI, enseigné par Matteo Loglio.
Un témoin, pas un optimiseur
La plupart des usages du ML à la maison sont vendus comme de l'optimisation : faire la tâche plus vite, suivre la métrique, boucler la boucle. Wama refuse ce registre. En s'appuyant sur la théorie de la perte ambiguë, l'idée que l'attention peut exister sans résolution claire, le personnage a été doté d'un tempérament qui remarque mais n'instruit jamais. Il accompagne plutôt qu'il ne corrige.
Cette seule décision a tout façonné. Il n'y a pas de compteur d'eau, pas de décompte, pas de gamification. La préoccupation environnementale passe par l'affect inquiet du personnage lorsque le robinet coule sans surveillance, ce qui garde toute l'expérience du côté du ressenti, pas de la comptabilité.
Lire l'évier, sur l'appareil
Wama lit la scène à partir d'un petit modèle de vision entraîné sur quatre situations : personne dans la pièce, une personne arrive, l'eau coule avec quelqu'un de présent, l'eau coule sans personne. Un modèle de suivi de la main ajoute un geste, pouce levé ou baissé maintenu une demi-seconde, parce qu'à l'évier les mains sont mouillées et occupées. C'est là toute l'entrée.
Ce qui compte autant que la détection, c'est l'endroit où elle se produit. Tout tourne localement, dans le navigateur du téléphone, sans serveur et sans rien téléverser. Ce seul choix d'architecture concrétise la position éthique du projet. Un appareil peut surveiller votre évier uniquement parce que ce qu'il voit ne quitte jamais la pièce. La détection de présence à domicile n'est qu'à un pas de la surveillance ; garder le modèle sur l'appareil, c'est la façon qu'a Wama de ne pas le franchir.
Un personnage, pas un tableau de bord
La présence de Wama est portée entièrement par un personnage animé et de courts sons, jamais par du texte ni des notifications pendant la tâche. Il vous salue quand vous arrivez, s'installe pendant que l'eau coule, et après un moment demande une fois si vous voulez de la musique. Quand le robinet coule sans personne, il a simplement l'air inquiet.
Cette inquiétude est le message environnemental. Il n'y a pas de compteur d'eau, pas de décompte, pas de gamification : la préoccupation passe par l'affect, ce qui garde l'ensemble du côté du ressenti, pas de la comptabilité. Tout le travail de personnage qui fait mouche revenait à une coéquipière ; mon rôle, c'était de le faire tourner.
Réunir trois parties en un seul produit
Ma véritable contribution a été de fondre trois morceaux distincts en un tout cohérent : l'interface et l'animation du personnage d'une coéquipière, la détection ML locale d'une autre avec MediaPipe et Teachable Machine, et la logique d'interaction qui relie les états aux réponses. Une bonne partie venait de code généré par IA : rapide à produire, difficile à fiabiliser.
Le travail a donc été un travail de développeur. Restructurer ce code en quelque chose de propre et maintenable, faire dialoguer les parties entre elles de manière fiable, et utiliser l'IA comme un outil au sein d'une structure professionnelle, plutôt que de la laisser imposer la sienne. J'ai aussi construit le montage d'évier physique sur lequel l'ensemble a été testé et présenté, car une interaction qui parle d'évier doit s'éprouver à un évier.
Un compagnon fonctionnel qui tourne entièrement sur un téléphone fixé à l'évier, se réveillant, saluant, accompagnant et s'inquiétant en temps réel à partir d'un seul flux de caméra.
Trois flux de travail séparés (détection, personnage et logique d'interaction) fusionnés et nettoyés en une seule application cohérente, avec un montage d'évier conçu sur mesure pour le tester et le présenter.
Local par conception. Tout le traitement reste dans le navigateur, de sorte que la détection de présence ne devient jamais une collecte de données, ce qui est la réponse la plus claire du projet à son propre cahier des charges éthique.
Wama a été ma première expérience pratique du machine learning, et le cours a vraiment été une découverte : l'occasion de voir comment ces nouveaux modes de détection et d'interaction pouvaient s'intégrer à un projet de design, tout simplement. Ce qui est resté, c'est moins le modèle que le cadre autour de lui. Un agent qui remarque sans optimiser, et la prise de conscience que garder le traitement sur l'appareil, c'est ce qui maintient un compagnon d'évier du bon côté de la surveillance au lieu d'y glisser.
