nombre de produits 1332
nombre de liste aleatoire 300
Au temps 0, au temps 1 et au temps 2(*)
Nombre de produits total: 17320
Nombre de produits par liste moyenne: 58
Plus petit nombre de produits: 34
Plus grand nombre de produits: 80
Nombre de produits differents: 1310 98.3% des produits(1332)
Moyenne des IBE: 76
Plus petit IBE: 75
Plus GRAND IBE: 79
Resultats au temps 3(apres l’optimisation des 300 listes
Nombre de produits total: 17690 (+370 ou 2% par rapport a Temps 0, Temps 1 et Temps 2)
Nombre de produits par liste moyenne: 59
Plus petit nombre de produits: 38
Plus grand nombre de produits: 82
Nombre de produits differents: 1306 98.0% des produits (1332)
Moyenne des IBE: 87
Plus petit IBE: 76(***)
Plus GRAND IBE: 93
Nombre de listes avec IBE superieur a 90%: 47 listes (16 % des listes optimisees)
Commentaire sur les resultats ci-avant:
La moyenne des IBE est passee de 76% a 87%…une amelioration de 11 points. Par rapport a la periode precedente cette hausse de 11 points signifie une augmentation de 14%.(**).Autre remarque: Le plus petit IBE des listes optimisees est 1% superieur au plus haut IBE des listes non optimisees.
Un petit scoop? Ca vous dit?Les donnees seront mises a jour plus tard… En pratique, comme ce sont des listes d’achats mensuels, je dispose donc de 47 listes d’achats mensuelles differentes mais dont la conformite aux standards de Sante Canada est>=90% sans toutefois atteindre 100%. Ce serait interessant d’utiliser cet outil d’optimisation pour les listes d’achats mensuels des consommateurs en general…
(***) Il arrive parfois que certaines listes, certaines combinaisons de produits soient telles que l’optimisation n’ajoute pas grand chose a l’IBE de cette liste. La liste 229 avait un IBE de 76% avant l’optimisation et 76% apres. Je me suis dit alors que je devrais retirer tous les produits et en rajouter d’autres… mais pour l’exercice ce n’est pas tres important parce que 76% c’est probablement mieux que celle du commun des mortels. Et, c’est la seule liste dont l’IBE est inferieur a 80%.
Une liste sur 300 qui est ‘sous-efficace’ c’est un succes retentissant: Un taux de reussite de 99.6667%.
Un exercice serait interessant:
Distribution d’une liste quelconque(par ex. generee au hasard) a des participants experts(avec ou sans influence) et a Black Box. Les participants etant libres d’ajouter/retirer des produits a leur guise… avec contrainte de temps imposee. A la fin de la periode d’evaluation, les juges compareraient les listes obtenues par les experts et celles fournies par les options d’optimisation… Cette methode, cette approche d’evaluation des technologies numeriques est largement employee en Chine.
Je parie tout de suite que les experts quebecois vont tous refuser !!!
(**) Cette augmentation de 14% est attribuable a l’amelioration de l’efficacite des programmes(permettant l’optimisation) et par les decisions de l’utilisateur qui choisit quel produit ajoute parmi les recommandations du logiciel, et quel produit il souhaite voir retire parmi les recommandations des produits a retirer qui ameliorerait son IBE, Lorsqu’il n’y a plus de recommandations d’ajout ou de retrait on peut declarer la liste comme etant optimisee, Cela etant, les utilisateurs restent maitres de leurs listes d’achats et il peut ajouter ou retirer n’importe quel produit tout en sachant que cela influencera les resultats du IBE. Apres l’ajout ou le retrait de produits, l’utilisera pourra faire recalculer son nouveau IBE et a ce moment, il pourra aussi proceder a l’optimisation de sa ‘nouvelle liste d’achat’. Il peut aussi creer une liste d’achats uniquement a partir de ces choix et il pourra evaluer si cette liste est ou peu etre optimisee. C’est cette possibilite d’optimiser une liste d’achat qui manquait a l’origine de mes listes d’achats anticipes.
(*)
Temps 0: Apres la creation des listes aleatoires
Temps 1: Apres le transfert des listes aleatoires dans les listes
d’achats
Temps 2: Apres le recalcul des Indicateurs IBE des listes.
Temps 3: Apres les mesures d’optimisation (Ajout-retrait des produits) A venir. Cette etape prendra plusieurs jours, voire des semaines. Par exemple, aujourd’hui, j’ai pu optimiser 300 listes(sur un total de 300). Cependant je crois sincerement que cela en vaut la peine. Par exemple, une liste a obtenu un score de 93% apres optimisation. Je crois sincerement que je n’y serais pas arrive sans ces outils logiciels.
Optimisation-Avancement: 300 listes optimisees soit 100%.
Commentaire: Les 300 listes aleatoires utilisent correctement l’ensemble des 1332 produits disponibles(98%)
Voyage au-dela de l’enfer.
Ici, c’est l’aboutissement d’un long voyage (‘journey’) dans la recherche d’un instrument de mesure de la ‘saine alimentation’ depuis 1996-1997 a ce matin. Tout d’abord, la saine alimentation etait definie comme la proximite d’une repartition des depenses alimentaires en fonction de categories alimentaires specifiques. Puis, l’acces a l’Internet m’a permis d’etablir un nouvel indicateur qui consistait a la mesure des portions alimentaires reelles en comparaison avec les portions alimentaires recommandees (premiere mesure de Sante Canada). Par la suite l’arrivee des calculs nutritionnels mettant en relation les nutriments consommes et les standards VQ de Sante Canada… et enfin, l’ajustement de ceux-ci qui devraient etre en vigueur en 2026. Et, ayant en tete le souci de pouvoir agir proactivement (i.e. pour pouvoir planifier) l’utilisation des listes aleatoires d’achats sous la contrainte d’un niveau de precision (IBE=75%) et de 300 listes aleatoires(nombre satisfaisant pour des etudes statistiques pour la population du Quebec. Enfin, les listes aleatoires furent revisees par l’utilisation d’algorythmes d’optimisation qui ont pour fonction de recommander l’ajout ou le rejet de produits dans une liste donnee. Il y a ici 2 regles pour l’ajout et le retrait de produits:
Ajout de produits: On ajoute un produit si le IBE resultant apres l’ajout est “superieur ou egal” a la situation avant l’ajout. Ajouter un nouveau produit, favorise la diversite des produits alimentaires.
Retrait de produits: On retire un produit si le IBE resultant du retrait est “obligatoirement superieur”
a l’IBE de celui anterieur au retrait. (Ici, cela est motive par le fait qu’a priori, retirer un produit induirait une baisse des couts, ce qui n’est pas le but de l’optimisation).
L’arret du processus d’optimisation se produit lorsque l’on ne peut plus ajouter de produits ni ne peut en retirer. Recommandations pour ajouter des produits = 0, Recommandations pour retirer un produit=0.
Toute cette demarche d’optimisation repose en premier lieu sur la production de listes d’achats aleatoires qui est objective et qui depend a la fois du nombre de produits enregistres dans la base de donnees, du degre de precision souhaitee(ici, 75%), de la puissance de calcul.
Ici, compte tenu de la quasi infinite de combinaisons de produits, on ne peut pas parler de maximisation mais on peut parler d’une pluralite de sommets…
Cependant, la demarche d’optimisation pourrait s’appliquer sur toutes listes d’achats… pourvu que les produits utilises soient inscrits dans la base de donnees des produits.
Pour plus de details techniques sur la production des listes aleatoires de produits voir l’article suivant:
Verification des nutriments
et je cite:
“Le prochain essai c’etait aujourd’hui.
Comme mentionne precedemment, j’ai procede a la production de 100 listes d’achats aleatoires qui doivent satisfaire essentiellement 2 criteres:
1-Le poids des nutriments de la liste doit etre <= a 101% du poids des nutriments selon Sante Canada.
2-L’indicateur IBE de la liste doit avoir une valeur de 75%.
C’est une procedure tres longue et exige que vous consacrez un ordinateur a cette seule tache et pour de tres nombreuses heures.
Cependant, l’avantage d’avoir 3 ordis sur lesquels je pouvais lancer Black Box Logiciels DMSB cela m’a permis d’accelerer la production des listes.
Resultats: 100 listes d’achats aleatoires satisfaisant aux criteres ci-avant mentionnes.
Temps Total requis: 397min 30 soit environ 133 minute/ordinateur
Nombre de listes valides: 100(environ 1 liste sur 1000 est valide)
Nombre de listes rejetees: 81016
Nombre aleatoires generees: 4356388
Nombre de produits: 1323
Les listes contiennent 5842 produits (faisant partie des 1323 ci-haut)
Apres fusion des listes dans une seule et meme table, j’ai effectue un tri alphanumerique sur la valeur de l’IBE de la liste. Il ressort que toutes les listes ont un IBE superieur a 75% et que 20 ont un score superieur ou egal a 77%. Deux d’entre elles atteignent un score de 79%.(C’est quand meme ce que l’on souhaitait etre aussi pres que possible de 80%.)
Ces 100 listes sont et seront toujours valables en soi. C’est a moi, a identifier quelles sont les meilleures listes qui me rapprocheront le plus de ces resultats.”
Je suis particulierement heureux de cette experience qui m’a entraine des noirceurs de l’Incertitude aux portes de la clarete et l’illumination de l’IA.
Voici un exemple de ce que pourrait permettre l’optimisation.
D’abord l’IBE de la liste d’achats aleatoires no. 8 avec un IBE-liste de 91%
Puis, on evalue ce qui se passerait pendant les 12 prochains mois si je n’utilisais que cette liste no.8, Il faut prendre conscience que la liste no.8 doit composer avec 12 mois et un IBE plutot moyen de 72%-73%
Conclusion: Il faut poursuivre cette demarche d’optimisation. Malgre les periodes de canicule… a date, cela doit etre pres des temperatures record a cette periode de l’annee,
Demo De l’optimisation…
La liste d’achats 130
La liste d’achat 130 comportait 48 produits et avait un IBE de 76% avant l’optimisation.
Suite a l’optimisation (decrit dans le video), la liste comptait 52 produits(4 produits supplementaires) et avait a la fin de cette etape, un IBE de 90%, soit une nette amelioration de 14 points. La hausse de 14 points, en pourcentage d’augmentation est equivalente a 18%.
APRES:
Une fois l’optimisation terminee, j’ai voulu savoir quel serait l’impact d’acheter les produits des 12 meilleures listes d’achats optimisees dont les IBE individuels de ces listes se situent entre 93% ET 91%.
Voila les resultats: Un IBE a la fin de 79% quasi 80% sur une periode de 2 ans.
Les listes choisies pour l’etablissement des prospectives nutritionnelles etaient les suivantes: Ces listes sont les 12 listes avec le IBE le plus eleve(variant entre 91 et 93). C’est la methode 1.
Periode: 1 Numero liste: 024(93%)/Anticipes 000024 Resultats: 72
Periode: 2 Numero liste: 112(93%)/Anticipes 000112 Resultats: 74
Periode: 3 Numero liste: 110(92%)/Anticipes 000110 Resultats: 75
Periode: 4 Numero liste: 185(92%)/Anticipes 000185 Resultats: 75
Periode: 5 Numero liste: 195(92%)/Anticipes 000195 Resultats: 76
Periode: 6 Numero liste: 208(92%)/Anticipes 000208 Resultats: 76
Periode: 7 Numero liste: 261(92%)/Anticipes 000261 Resultats: 76
Periode: 8 Numero liste: 290(92%)/Anticipes 000290 Resultats: 77
Periode: 9 Numero liste: 008(91%)/Anticipes 000008 Resultats: 78
Periode: 10 Numero liste: 051(91%)/Anticipes 000051 Resultats: 78
Periode: 11 Numero liste: 062(91%)/Anticipes 000062 Resultats: 78
Periode: 12 Numero liste: 116(91%)/Anticipes 000116 Resultats: 79
Total: 721 produits
Voici la Methode 2(Le choix des listes a ete effectue par le programme Preparation et Calculs).
Avec historique Produit par l’option Preparation et calculs
Periode: 1 Numero liste: 269(82%)/Anticipes 000269 Resultats: 72
Periode: 2 Numero liste: 296(85%)/Anticipes 000296 Resultats: 73
Periode: 3 Numero liste: 261(92%)/Anticipes 000261 Resultats: 74
Periode: 4 Numero liste: 268(86%)/Anticipes 000268 Resultats: 75
Periode: 5 Numero liste: 300(87%)/Anticipes 000300 Resultats: 75
Periode: 6 Numero liste: 217(80%)/Anticipes 000217 Resultats: 76
Periode: 7 Numero liste: 300(87%)/Anticipes 000300 Resultats: 76
Periode: 8 Numero liste: 217(80%)/Anticipes 000217 Resultats: 77
Periode: 9 Numero liste: 300(87%)/Anticipes 000300 Resultats: 77
Periode: 10 Numero liste: 300(87%)/Anticipes 000300 Resultats: 77
Periode: 11 Numero liste: 300(87%)/Anticipes 000300 Resultats: 77
Periode: 12 Numero liste: 255(88%)/Anticipes 000255 Resultats: 78
A ce stade, tous les calculs (en Mode: 2 ont ete effectues)
Total: 642 produits
En conclusion, les resultats apres 12 periodes sont tres proches, quasi equivalents, a l’exception ici, que la liste 300 (IBE de 87% inferieur a l’IBE 91. Ici, les IBE des listes varient de 80% a 92%. Considerant que dans la methode 1, les listes portent sur l’achat de 721 produits superieurs de 12% a la methode 2 dont les listes portent sur 642 produits. Il y a probablement une plus grande diversite de produits dans la methode 1 que dans la methode 2(La liste 300 est retenue 5 fois et la liste 217, 2 fois). Il aurait lieu aussi de verifier l’impact des prix des produits sur ces resultats.
A l’aide de l’IA j’ai revisite la question:
Il y a quelques temps, nous nous interrogions sur le nombre de listes aleatoires que l’on pourrait obtenir avec un ensemble de 1332 produits. Si on considere qu’une liste aleatoire contiendrait 58 produits, alors on obtiendrait listes aleatoires… quasi incalculables.
J’ai pose la question a Gemini(Google) et j’ai obtenu un rapport detaille:
Il y aurait, dans une combinaison C(1332, 58) = 32 505 671 120 300 998 637 651 034 440 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 000 ou approximativement 3.2506 x 10^106 listes aleatoires. Allez savoir quelle est la meilleure liste aleatoire qui nous permettait d’obtenir l’IBE maximum.
Voir le rapport:
https://g.co/gemini/share/8453353ff21b
Dans cet univers quasi incalculable, nous avons genere 300 listes aleatoires de 58 produits en moyenne. La question auquel je suis confronte ici, c’est combien de groupe de 12 listes aleatoires differentes je pourrais obtenir dans cet univers restreint de 300 listes(‘petit monde’
selon Mme Tordjman, Paris XIII).
Gemini.Google:
Pour répondre à cette question, nous devons déterminer le nombre de façons de choisir 12 listes parmi un ensemble de 300 listes disponibles. L’ordre dans lequel les listes sont choisies n’a pas d’importance, il s’agit donc d’une combinaison.
La formule pour les combinaisons est donnée par:
$C(n, k) = n! / (k! * (n-k)!)$
où:
- $n$ est le nombre total d’éléments à choisir (ici, 300 listes).
- $k$ est le nombre d’éléments à choisir (ici, 12 listes).
- $!$ représente la factorielle.
Appliquons cette formule:
$C(300, 12) = 300! / (12! * (300-12)!)$
$C(300, 12) = 300! / (12! * 288!)$
Le calcul de ces factorielles est très grand. Heureusement, il existe des calculateurs de combinaisons en ligne qui peuvent gérer ces grands nombres.
Utilisons un calculateur pour obtenir la valeur numérique.
Le nombre de combinaisons différentes de 12 listes parmi un ensemble de 300 listes disponibles est de 32 795 720 021 600(32 billions de combinaisons differentes).
Maintenant vous connaissez la difficulte reelle de trouver la meilleure combinaison de 12 listes de produits aleatoires qui nous fournirait l’indice IBE le plus eleve.
Dans les faits ces valeurs obtenues, nous placent un peu comme si on se trouvait devant le ciel etoile et ses incalculables galaxies et que l’on se posait la question combien y-a-t-il de planetes habitables parmi toutes ses galaxies?
Devant l’immensite de la profondeur de l’Univers et des univers restreints nous sommes ‘bouches bees’.
A venir: Examen: des informations relatives au cout des produits que j’obtiendrai de ma banque des transactions (pres de 15000 transactions).
Achats reels
Postulat pour les prix: Le prix d un produit est le dernier montant paye pour ce produit
Nombre de produits differents: 772 Nombre d utilisation: 5061
Total: 21910$ Montant/periode: 228$ Montant/annee: 2739$
Methode 1
Nombre de produits differents: 538 Nombre d utilisation: 721
Montant annuel: 2057$ Nombre produits sans prix: 232 Pourcent: 43%
Methode 2
Nombre de produits differents: 308 Nombre d utilisation: 642
Montant annuel: 1586$ Nombre produits sans prix: 124 Pourcent: 40%
Attention:
Ici, pour les achats reels, les prix ont ete surevalues a la derniere valeur du produit.
En ce qui concerne les listes previsionnelles, il faut preciser que plusieurs produits inscrits dans ces listes n’ont pas fait l’objet de transactions reelles, et par consequent, je n’ai pas pu etablir de prix pour ces produits, ce qui abaisse le montant annuel total.
