Construit sur la recherche,
pas sur l'intuition.
Chaque module s'appuie sur un corpus académique documenté. Et surtout : on vous dit précisément quelle part tourne aujourd'hui, laquelle attend le pilote, et pourquoi — plutôt que de tout présenter comme une seule boîte magique.
Le modèle hybride
Deux couches en production, combinées — c'est cette combinaison, jamais l'une sans l'autre, qui produit l'impact sur vos ventes.
Faites glisser pour explorer le schéma.
Le détail des trois couches, une par une :
Le socle — règles explicables
Score d'attractivité, probabilité de vente, prix estimé après enchère et mise à prix cible sont calculés par un moteur de règles explicite, qui compare chaque véhicule à son marché immédiat au sein de la vente. Aucun tirage aléatoire, aucune donnée mockée, aucun paramètre appris sur des données qu'on n'a pas encore. C'est la seule source de vérité numérique du produit — rien de ce qui suit ne la modifie. Le détail des calculs reste réservé aux clients du pilote, consultable facteur par facteur depuis leur tableau de bord.
L'enrichissement — IA générative
Une couche optionnelle envoie les facteurs déjà calculés par les règles — et uniquement eux, jamais de donnée brute du client — à un modèle de langage, avec une consigne stricte : rédiger une analyse qualitative courte, ne jamais recalculer ni inventer un chiffre. Générée à la demande, mise en cache, jamais en masse. Elle explique et contextualise ; elle ne décide jamais.
La calibration — apprise sur données réelles
Une fois qu'un pilote a produit un historique réel (prix marteau effectivement obtenu, lot par lot), un modèle de régression ou de gradient boosting — pas un LLM — apprendra la correction entre ce que les règles prédisent et ce qui s'est réellement passé. Recalibrer la probabilité de vente devient utile dès 100 à 200 lots vendus ; corriger le prix estimé demande plutôt quelques centaines de lots. Le modèle resterait déterministe à l'inférence, hébergé sans GPU ni dépendance externe, et s'intégrerait comme une étape optionnelle sans changer le comportement actuel tant qu'aucun modèle n'est entraîné.
Ce qu'elle ne fera pas : remplacer les règles par une décision opaque. Une calibration corrige un écart mesuré au-dessus du socle — elle ne devient jamais elle-même le calcul du score. La décomposition facteur par facteur reste affichable après comme avant, et un écart corrigé est un écart qu'on peut montrer. Un modèle qui produirait directement le score serait plus simple à écrire et impossible à défendre devant un vendeur.
Voilà la grille de lecture, annoncée avant la mesure : dans chaque tranche de probabilité annoncée, la barre pleine est le taux de vente réellement observé. Calibré, les deux barres ont la même longueur tranche par tranche — c'est le cas ici parce que les 100 lots de cette figure sont construits calibrés, et c'est bien la seule raison. Un décalage dans le même sens partout signifie que le niveau est à recaler ; un croisement signifie que le moteur classe mal les lots, et les deux corrections sont opposées. La mesure, elle, se fera sur vos résultats saisis, dans votre tableau de bord.
Pourquoi l'explicabilité compte
Un opérateur d'enchères engage sa relation avec ses vendeurs sur la confiance dans le prix affiché. Un score qu'on ne peut pas justifier, aussi précis soit-il, ne passe pas cette barre. C'est pourquoi le socle de PACT reste un ensemble de règles qu'on peut dérouler facteur par facteur — la couche d'IA vient uniquement l'habiller de mots, et une future calibration ne fera que corriger un écart mesuré, jamais remplacer la logique de base par une décision opaque.
Les références
Une base théorique par module — vérifiable, pas une caution de façade.