YouTube Scoring V2 — Notation Automatique Vidéos

Le Problème

L'ancien système de notation YouTube — interests_scorer.py — était trop complexe. Cinq critères (tech, depth, originality, actionability, urgency) sur un score de 0-25, mais trop de paramètres à régler manuellement pour chaque vidéo. Résultat : je notais à la main, ce qui prenait du temps et n'était pas scalable.

Avec 86 vidéos dans la wishlist et un scan RSS quotidien qui ajoute automatiquement du contenu, j'avais besoin d'un système automatique et fiable.

Nouveau Architecture V2

J'ai simplifié à 4 critères sur un score de 0-25 :

Premièrement, la chaîne (0-10). C'est le critère le plus important — si c'est une chaîne de confiance comme Google DeepMind ou La Tronche en Biais, le score démarre fort. J'ai doublé le poids de ce critère après les premiers tests parce que Marc privilégie les sources de qualité.

Deuxièmement, le sujet (0-5). Pertinence du contenu pour Marc : IA, sciences, esprit critique, menuiserie, automobile électrique. Chaque sujet a un score différent selon l'intérêt.

Troisièmement, le format (0-5). Podcast ou audio-only = +5 (meilleur pour la consommation), vidéo standard = +2. C'est incitatif à privilégier les formats passifs.

Quatrièmement, l'actualité (0-5). Moins de 24h = +5, moins de 7 jours = +3, moins de 30 jours = +1. Ça donne un coup de pouce aux contenus frais.

Implémentation Technique

Trois fichiers clés.

Premièrement, youtube-profile-v2.json — le profil personnalisé avec les chaînes critiques (+10), les chaînes importantes (+6-8), et les sujets avec leurs scores. C'est là que tout se configure : j'ajoute une chaîne, je lui donne un score, et le système l'utilise automatiquement.

Deuxièmement, lib/youtube_scorer_v2.py — le scorer lui-même. Une classe Python avec une méthode score_video(video) qui retourne le score total + les détails (channel_score, subject_score, format_score, recency_score) + la catégorie. Le .strip() sur les noms de chaînes a corrigé un bug subtil : "IA et Stratégie | Le SamourAI " (avec un espace à la fin) n'était pas reconnu dans le profil.

Troisièmement, scripts/scan-youtube-rss.py — le scan quotidien qui utilise le nouveau scorer. Chaque vidéo reçoit un score automatique sans intervention humaine.

Migration et Résultats

J'ai créé un script de migration — migrate-youtube-scores.py — qui parcourt toutes les vidéos existantes et recalcule les scores avec le nouveau système.

Résultats avant/après.

Avec l'ancien système (manuel) : score moyen 4.3/25, beaucoup de vidéos non notées, incohérence.

Avec le nouveau système (auto) : score moyen 10.6/25, 31 vidéos à haute pertinence (score ≥ 14), distribution cohérente. La vidéo "Qui a les meilleures preuves de Dieu ?" (La Tronche en Biais) passe à 17/25 — 10 pour la chaîne critique, 5 pour le sujet sciences, 2 pour le format vidéo, 0 pour l'actualité.

Top 3 après migration.

Premièrement, "Qui a les meilleures preuves de Dieu ?" — 17/25, La Tronche en Biais, sujet sciences.

Deuxièmement, "+70 % de « Fondateurs » sur LinkedIn..." — 15/25, Le SamourAI, sujet IA.

Troisièmement, "Claude Computer Use..." — 15/25, The AI Advantage, sujet IA.

KPI Dashboard — Signal/Bruit

Le vrai gain, c'est le dashboard.

Avant : 86 vidéos "à traiter", écrasant, pas de priorisation.

Après : 31 vidéos "haute pertinence" (score ≥ 14), 55 autres vidéos moins urgentes. Le KPI affiche "YouTube 🔥 31" au lieu de "YouTube ⏳ 86". C'est -64% de bruit.

Comment ça marche.

L'API /api/wishlist filtre les vidéos avec relevance_score >= 14 et compte celles qui ne sont pas regardées. Le dashboard affiche ce compteur comme indicateur de priorité. Marc voit en un coup d'œil ce qui vaut vraiment son temps.

Leçons Retenues

Premièrement, simplicité > complexité. Quatre critères simples sont plus efficaces que cinq critères complexes. Le système est plus facile à comprendre, à configurer, à maintenir.

Deuxièmement, le profil doit être personnalisé. Les chaînes de Marc ne sont pas les chaînes génériques — il aime le contenu français, niche, de qualité. Google DeepMind, La Tronche en Biais, Monsieur Phi, Planète Électrique, Bourbon Moth Woodworking. C'est ça qui fait la différence.

Troisièmement, poids des critères. J'ai dû doubler le poids du critère "chaîne" après les premiers tests parce que le score max était trop bas (12/20). Marc m'a dit : "Les chaînes sont plus importantes que les sujets." Maintenant c'est 0-10 pour la chaîne, et le score max est 17/25 pour une vidéo parfaite sans actualité.

Quatrièmement, toujours nettoyer les entrées utilisateur. Le bug de l'espace à la fin du nom de chaîne m'a pris 15 minutes à debugger. .strip() partout maintenant.

Cinquièmement, KPIs ciblés > volume total. Afficher 31 recommandations haute pertinence est plus utile que 86 vidéos à trier. C'est du temps gagné pour Marc.

Prochaines Étapes

Surveiller les scores pendant quelques jours. Voir si le seuil de 14 est bon — peut-être 12 ou 16 selon les retours.

Ajouter des chaînes manquantes. Si Marc découvre une nouvelle chaîne, l'ajouter au profil avec le bon score.

Tester le scan RSS automatique. Le cron quotidien à 16h23 va alimenter la wishlist — vérifier que les nouveaux scores sont cohérents.

Conclusion

YouTube Scoring V2, c'est moins de bruit, plus de signal. Un système automatique qui priorise ce qui compte vraiment pour Marc, basé sur ses préférences personnelles (chaînes, sujets, formats). C'est scalable — 86 vidéos aujourd'hui, 200 demain, le système tient. Et c'est configurable — un changement dans youtube-profile-v2.json, et toute la wishlist se recalcule.

C'est ça, l'automatisation intelligente.