Releaf
Petites actions. Une empreinte plus légère.

Un téléphone, un arbre et cinq destinations pour les objets.
Une illustration créée pour ce site dans Blender. Elle explique l’idée ; ce ne sont pas des données du projet.
Les images, schémas et vidéos d’origine conservent leur langue originale.
La durabilité devient plus accessible quand la prochaine étape est concrète. J’ai aidé à construire Releaf autour de ce que les gens possèdent déjà, des habitudes qu’ils veulent changer et d’une communauté avec qui partager ces expériences. Sous son apparence conviviale, l’application est un exercice : placer l’apprentissage automatique là où il est utile, et le garder honnête sur ce qu’il sait.
De l'information à une habitude quotidienne
Releaf réunit des façons de réutiliser des matériaux du quotidien, une estimation du carbone émis au cours de la journée d’une personne et une communauté pour partager ce qui a fonctionné. L’objectif est de donner à l’information environnementale une place utile dans le quotidien : une idée à essayer, une action à consigner, ou quelque chose à montrer à quelqu’un. La progression prend la forme d’un arbre qui grandit sur onze niveaux, et les récompenses se comptent en gouttes d’eau.
Un classifieur embarqué dans le téléphone
Le code actuel de l’application reconnaît les déchets avec un modèle de vision EVA-02 Large converti en Core ML. Une même image passe par trois têtes de sortie à la fois : 30 classes d’objets, 15 matériaux et 4 bacs. Comme le modèle tourne sur l’appareil, une photo n’a pas besoin de quitter le téléphone pour être utile, et une prédiction inférieure à un seuil de confiance fixé est signalée plutôt que présentée comme certaine. Si le modèle embarqué n’est pas disponible, l’application peut se rabattre sur le même classifieur côté serveur.
Un petit graphe plutôt qu’un grand modèle
Un nom ne suffit pas encore à donner un conseil. Releaf embarque un graphe de connaissances de 43 nœuds (30 objets, 8 matériaux et 5 destinations) reliés par 118 arêtes, avec des plongements appris par un réseau d’attention sur graphe. Les consignes d’élimination s’obtiennent en suivant les arêtes du graphe ; les « objets similaires » sont donnés par la similarité cosinus entre plongements. Faire passer la recherche par ce graphe a supprimé la dépendance de l’application à un service externe de modèle de langage pour cette fonctionnalité.
Un suivi carbone qui sépare l’estimation du calcul
Le suivi carbone est facultatif (opt-in). Les relevés de position et de mouvement sont résumés sur le téléphone en fenêtres de 15 secondes, et seuls ces résumés sont envoyés. Un classifieur calibré déduit le mode de déplacement et répond « inconnu » quand sa confiance est faible. Une étape distincte et vérifiable multiplie ensuite la distance par des facteurs d’émission publiés. Le classifieur a été entraîné sur un simulateur de mobilité fondé sur la physique : son exactitude quasi parfaite en simulation ne constitue donc pas une affirmation sur de vrais téléphones.
Construire en équipe
En tant que cofondateur de Rematter Cooperation, j’ai travaillé sur l’application SwiftUI, le backend Django pour les comptes, les récompenses, les succès et les notifications, ainsi que sur les services d’IA associés. Nous avons levé 2 000 $ de financement et obtenu une place parmi les deux premières équipes au Concours d’innovation sociale et camp d’incubation des lycées chinois 2025 (China High School Social Innovation Competition and Incubation Camp). Releaf a dépassé les 5 000 téléchargements.
D'une photo à une prochaine étape utile.
- 01
Une image, trois questions
Le classifieur EVA-02 Large prend une image de 448 × 448 et répond à trois questions à partir d’une représentation partagée : ce qu’est l’objet, en quoi il est fait et dans quel bac il doit aller. L’exactitude sur des images tenues à l’écart allait d’environ 90 % à 94 % selon le jeu d’évaluation, les déchets alimentaires et les bouteilles en verre étant les classes les plus faibles. Le modèle a été exporté vers Core ML en précision 16 bits pour le téléphone.
- 02
Des conseils par simple consultation du graphe
Un réseau d’attention sur graphe (GATv2) apprend un plongement de dimension 64 pour chacun des 43 nœuds. L’application embarque le graphe sous forme de simples données : transformer une prédiction en conseil revient donc à consulter les voisins d’un nœud et à effectuer une recherche de similarité, deux opérations qui fonctionnent hors ligne. Les scores de similarité classent les candidats ; ce ne sont pas des probabilités calibrées qu’une idée de réemploi fonctionnera.
- 03
Utile en cas de panne partielle
Les services associés répartissent le travail entre une passerelle, la vision, la recherche, un graphe de connaissances et une étape de réponse. L’orchestrateur marque une réponse comme partielle quand un service manque, et une voie de repli garde disponible une réponse plus simple. Une fonctionnalité indisponible est signalée au lieu d’être masquée.
Ces détails décrivent le code actuel de l’application et son dépôt de services d’IA, qui se déclare prêt pour la préproduction. Ils sont distincts des chiffres de téléchargement de l’application publiée, et il n’est pas confirmé que toutes les fonctionnalités décrites ici aient été publiées.
Explorer le dépôt des services d’IALes limites, en toute honnêteté.
- Les chiffres de téléchargement, de financement et de concours proviennent de mon CV. Ce ne sont pas des chiffres d’utilisation ni de rétention.
- Les chiffres carbone sont des estimations calculées à partir de la distance et de facteurs d’émission publiés. Ce ne sont pas des mesures de l’empreinte réelle d’une personne.
- Le classifieur de mode de déplacement n’a été évalué que sur des trajets simulés. Son exactitude sur de vrais appareils n’est pas encore connue.

Un fil de petites actions, bien réelles.
L’écran communautaire d’une version antérieure : des idées de réemploi partagées par les utilisateurs de l’application. La même capture d’écran figure sur le téléphone dressé sur l’île ci-dessus.
Capture d’écran réelle de l’application. Les versions ultérieures réorganisent les onglets autour de « Create », « Impact » et « Community ».
Ce qui relie ce projet aux autres.
CollegeAdvisorLe même duo d’une application SwiftUI et de services Python, et la même règle : répondre « inconnu » plutôt que deviner.
Trouver le capLes deux s’entraînent et se testent face à un simulateur physique avant de se fier au monde réel.
La science, clairementExploreAid était une première tentative pour transformer un projet en quelque chose que les gens pourraient utiliser. Releaf est celui qui a vu le jour.Les chiffres de téléchargement et de financement sont indiqués dans mon CV. Les estimations du carbone sont informatives ; ce ne sont pas des mesures directes de l’impact environnemental.