Académique · Équipe de 4Étude de cas 03 / 05

TrendRadar

Détection précoce de tendances virales

Un système de machine learning qui prédit quels mots-clés deviendront viraux, dès leurs toutes premières minutes d’activité.

Contexte: Projet d’équipe · 4 personnes
Année: 2026
Modèles: XGBoost · River ARF
Apprentissage: Hors ligne + en ligne

ROC-AUC: 0,921; Capacité du modèle à classer les mots-clés devenus viraux au-dessus des autres. 0,5 correspond au hasard ; 1,0 à la perfection.
Signal précoce: 15 min; Tout ce que voit le modèle : les 15 premières minutes d’activité d’un mot-clé.
Horizon de prédiction: 12 h; Ce qu’il prédit : la viralité du mot-clé sur les 12 heures suivantes.
Tweets: ~179 k; Tweets sur lesquels le modèle XGBoost a été entraîné.

01 Contexte

Un projet d’équipe du cursus IA & Data Science, centré sur la modélisation prédictive et l’apprentissage en ligne. TrendRadar observe les premières minutes d’activité d’un mot-clé sur les réseaux sociaux et estime à quel point il deviendra viral.

02 Problème

Quand une tendance est manifestement virale, il est trop tard pour agir. Et les comportements sur les réseaux sociaux évoluent sans cesse : un modèle entraîné une seule fois devient peu à peu obsolète.

03 Architecture

01Sources
Connecteurs sociaux
Bluesky · Mastodon
02Fenêtre
15 premières minutes
Signal d’activité précoce
03Variables
Extraction + normalisation
04Modèle
XGBoost
Optimisé avec Optuna
ROC-AUC 0,921
05Sortie
Viralité à 12 h
06En ligne
River Adaptive Random Forest
06Dérive
Détection de dérive conceptuelle

Des premières minutes d’activité à une prédiction qui continue d’apprendre.

04 Équipe

Projet d’équipe (4 personnes) consacré à la détection précoce de tendances virales à partir de signaux des réseaux sociaux, combinant XGBoost, ingénierie des variables, optimisation des hyperparamètres et apprentissage en ligne avec détection de dérive.

05 Choix techniques

01
Prédire dès le premier signal
Les prédictions s’appuient sur les premières minutes d’activité : elles arrivent quand la tendance est encore assez précoce pour agir.
02
Des arbres boostés, optimisés avec Optuna
XGBoost assure la prédiction hors ligne ; Optuna explore les hyperparamètres et les configurations de variables.
03
Continuer d’apprendre des nouvelles données
Un River Adaptive Random Forest apprend en ligne à partir des nouvelles données et détecte la dérive conceptuelle quand les schémas changent.
04
Des connecteurs de données modulaires
Les connecteurs Bluesky et Mastodon reposent sur un connecteur de base commun, ce qui sépare la collecte de données des modèles.

06 Résultats

Viralité prédite dès les premières minutes d’un mot-clé, quand la tendance est encore naissante
Un modèle en ligne qui s’adapte à l’évolution des comportements sur les réseaux sociaux
Une application Streamlit au-dessus des modèles