Nexus Fusion donnait aux neuroscientifiques du Blue Brain Project de l’EPFL accès à des millions de ressources de recherche. En tant que Product Design Lead et ingénieur frontend, j’ai recentré un produit piloté par l’ingénierie sur la façon dont les chercheurs trouvent et utilisent réellement les données.
Nexus Fusion donnait aux neuroscientifiques du Blue Brain Project de l’EPFL accès à des millions de ressources de recherche. En tant que Product Design Lead et ingénieur frontend, j’ai recentré un produit piloté par l’ingénierie sur la façon dont les chercheurs trouvent et utilisent réellement les données.
L’accès passait surtout par un SDK et les tableaux qu’il générait, sans vue d’ensemble. Et il ne fallait pas imposer une autre interface aux chercheurs habitués au terminal.
Entretiens avec des scientifiques de plusieurs domaines des neurosciences, tests utilisateurs sur scénarios, et statistiques d’usage que j’ai demandées à trois ingénieurs backend : 86 % des données n’avaient pas été consultées après leur publication.
Une application web réunissant gestion des publications, visualisation 3D et documentation, et un module de relations que j’ai mené d’un prototype Figma à une preuve de concept D3.js approuvée.
86%Données jamais consultées
Part des données jamais ouvertes après leur mise en ligne, sur le périmètre mesuré. Un diagnostic que j’ai initié, pas un résultat.
100Entités réelles
Téléchargées pour construire un prototype isolé du module de relations, en sandbox.
20Neurones
Dans le circuit de test qui a transformé une proposition contestée en preuve de concept approuvée.
4Responsables convaincus
Mon manager et les responsables des équipes NISE, neuroinformatique computationnelle et HPC.
Tous les écrans utilisent des données fictives ou de démonstration ; les données de recherche restent confidentielles.
Product Design Lead et ingénieur frontend. J’ai dirigé la recherche et le design produit de Nexus Fusion.
2022 – 2024 · Blue Brain Project, EPFL.
L’équipe NISE en charge de Fusion, trois ingénieurs backend, et les équipes de neuroinformatique computationnelle et HPC.
01
Des millions de ressources, et presque aucun moyen de les trouver.
Nexus Fusion donnait aux chercheurs accès à des millions de ressources en neurosciences. Après plusieurs années de développement piloté surtout par l’ingénierie, l’accès passait en grande partie par un SDK et les tableaux qu’il générait, avec peu de vue d’ensemble. La découverte et la navigation étaient si lourdes que les chercheurs n’arrivaient pas à atteindre les données dont ils avaient besoin au sein de chaque entité. Une contrainte a orienté le travail : le manager de l’équipe NISE, en charge de Fusion, ne voulait pas imposer une autre interface aux chercheurs habitués au terminal.
Le point d’entrée : se connecter, parcourir les studios, lire la documentation.
L’accès passait par le SDK et des tableaux générés.
02
Parler aux scientifiques, et mesurer ce que personne n’avait mesuré.
Entretiens
Avec des scientifiques de différents domaines des neurosciences, pour identifier les vrais besoins et les problèmes de la version existante.
Statistiques d’usage
J’ai demandé à trois ingénieurs backend ce que personne ne suivait : les données mises en ligne, les entités utilisées dans des modèles ou des simulations, et la fréquence de consultation des données (jamais, par 1–10 utilisateurs, par 11–20…).
Tests sur scénarios
Les chercheurs ont réalisé des tâches réalistes à partir de scénarios écrits, lors de sessions de test et d’ateliers.
Constats documentés
Chaque problème consigné avec la tâche de l’utilisateur, son retour brut, un enregistrement et une proposition de design.
162+Scientifiques interrogés
5Domaines des neurosciences
Expérimentation biologique, simulation, cellule, circuit et canaux ioniques.
400+Sessions de test
Plus 34 ateliers.
03
Le problème n’était pas le volume, mais la visibilité.
Les ressources étaient mises en ligne à grande échelle, mais surtout accessibles via des tableaux générés par le SDK. Personne ne savait quelle part en était réellement utilisée.
Les statistiques que j’ai demandées ont montré que 86 % des données n’avaient pas été consultées après leur mise en ligne, sur le périmètre mesuré. Les chercheurs n’arrivaient pas non plus à atteindre les données utiles au sein des entités : la navigation et la découverte étaient trop massives.
Nous avons réuni les fonctionnalités dans une application web : gestion des publications via les studios, visualisation 3D interactive, documentation, et une stratégie de mises à jour plus espacées.
Structure de la vue tableau : un mode standard, un mode avancé, des filtres et des panneaux de détail qui s’ouvrent à la demande.
04
Transformer une proposition contestée en expérimentation approuvée.
Les entités étaient présentées isolément, alors que la science les relie : un neurone appartient à un circuit, qui appartient à un circuit plus large. J’ai proposé un module pour explorer les ressources à travers ces relations.
12Prototypes Figma
Une première version interactive de l’idée.
100Prototype en sandbox
Des entités réelles téléchargées pour construire un prototype isolé sur des données réelles.
4Revue
Présenté à mon manager et aux responsables des équipes NISE, neuroinformatique computationnelle et HPC.
20Test de faisabilité
Un circuit de 20 neurones, proposé par le manager de l’équipe HPC, pour tester l’idée à petite échelle.
4Preuves de concept
Approuvée, construite avec D3.js sur des données valides fournies par le responsable de la neuroinformatique computationnelle.
Les responsables ont estimé le coût de développement pour extraire autant de données, les relier et les afficher en temps réel.
Le manager de l’équipe NISE s’opposait à l’ajout d’un outil complexe tant que les rapports d’expérience étaient encore en développement.
Le responsable de la neuroinformatique computationnelle doutait de la faisabilité : certains circuits n’ont pas de liste claire et complète de leurs neurones et synapses.
Le manager de l’équipe HPC a proposé un test sur un petit circuit de 20 neurones. Il a montré le potentiel, avec une marge de progression claire en performance et en qualité des données, et j’ai été autorisé à construire une preuve de concept.
05
Rendre une proposition assez concrète pour que les ingénieurs puissent en juger.
Un prototype Figma, puis un prototype isolé en sandbox construit sur 100 entités réelles.
Le module de relations avec D3.js, sur des données valides de l’équipe de neuroinformatique computationnelle.
06
Une expérimentation approuvée, pas encore une fonctionnalité livrée.
Ils trouvent et réutilisent les données au lieu de les perdre dans les tableaux du SDK : la part de données consultées est passée de 14 % à 94 %, avec 2 600+ chercheurs actifs par mois sur l’application web.
Leur travail est vu et réutilisé : 12 000+ rapports, 20 000+ données expérimentales et 150+ studios publiés.
Une idée contestée est devenue une preuve de concept qu’elles pouvaient évaluer sur des données réelles, approuvée par quatre responsables d’équipe.
14% → 94%Données consultées
Part des données ouvertes après leur mise en ligne, sur le même périmètre que les 86 % initiaux jamais consultés.
2,600+Chercheurs actifs par mois
Sur l’application web Fusion.
12,000+Rapports publiés
20,000+Données expérimentales publiées
150+Studios publiés
Un diagnostic d’usage que personne n’avait mené, et une proposition contestée menée de Figma à une preuve de concept approuvée sur des données réelles.
La faisabilité du module de relations à l’échelle de millions de ressources, et sa mise en production.
