AI Video Comment Analyzer

The ML pipeline processes comments through several stages:

• Extraction - yt-dlp fetches comments with metadata (likes, replies, timestamps)
• Sentiment Analysis - BERT model classifies each comment with confidence scores
• Topic Modeling - BERTopic clusters similar comments into themes
• Summarization - Ollama generates actionable summaries per sentiment category

Le pipeline ML traite les commentaires en plusieurs étapes :

• Extraction - yt-dlp récupère les commentaires avec leurs métadonnées (likes, réponses, horodatages)
• Analyse de Sentiments - Le modèle BERT classifie chaque commentaire avec des scores de confiance
• Modélisation de Sujets - BERTopic regroupe les commentaires similaires par thèmes
• Synthèse - Ollama génère des résumés exploitables par catégorie de sentiment

Overview

• At-a-glance sentiment breakdown with net tone indicator
• Evidence strip showing top comments by engagement
• Structured summary cards with themes, evidence, and actions

Charts

• Sentiment distribution pie chart
• Engagement by sentiment bar chart
• Topic bubble visualization
• ML confidence histogram

Topics

• Topic list grouped by sentiment with comment counts
• Detail panel with keywords and related comments
• Sentiment filter bar for focused exploration

Comments

• Full comment list with topic pills
• Sort by likes, confidence, or recency
• Sentiment word highlighting

Vue d'ensemble

• Répartition des sentiments en un coup d'œil avec indicateur de tonalité globale
• Bandeau de preuves affichant les commentaires les plus engageants
• Cartes de résumé structurées avec thèmes, preuves et actions

Graphiques

• Diagramme circulaire de répartition des sentiments
• Graphique en barres de l'engagement par sentiment
• Visualisation en bulles des sujets
• Histogramme de confiance ML

Sujets

• Liste des sujets groupés par sentiment avec nombre de commentaires
• Panneau de détails avec mots-clés et commentaires associés
• Barre de filtre par sentiment pour une exploration ciblée

Commentaires

• Liste complète des commentaires avec badges de sujets
• Tri par likes, confiance ou récence
• Mise en surbrillance des mots liés au sentiment

Frontend

• Next.js 15 - React 19 with App Router
• TypeScript - Type-safe development
• Tailwind CSS v4 - Utility-first styling with custom design system
• shadcn/ui - Accessible UI components
• Recharts - Data visualization

Backend

• FastAPI - High-performance Python API
• SQLAlchemy - ORM with SQLite database
• yt-dlp - YouTube comment extraction
• Transformers - BERT sentiment model
• BERTopic - Topic modeling with UMAP + HDBSCAN
• Ollama - Local LLM inference

ML Models

Model	Purpose
nlptown/bert-base-multilingual-uncased-sentiment	Sentiment classification
all-MiniLM-L6-v2	Sentence embeddings for BERTopic
llama3.2:3b	AI summary generation

DevOps

• GitHub Actions - CI/CD with lint, format, and test checks
• Ruff - Python linting and formatting
• pytest - Backend testing with 65% coverage threshold
• ESLint - Frontend code quality

Frontend

• Next.js 15 - React 19 avec App Router
• TypeScript - Développement type-safe
• Tailwind CSS v4 - Styling utility-first avec design system personnalisé
• shadcn/ui - Composants UI accessibles
• Recharts - Visualisation de données

Backend

• FastAPI - API Python haute performance
• SQLAlchemy - ORM avec base de données SQLite
• yt-dlp - Extraction de commentaires YouTube
• Transformers - Modèle BERT pour l'analyse de sentiments
• BERTopic - Modélisation de sujets avec UMAP + HDBSCAN
• Ollama - Inférence LLM locale

Modèles ML

Modèle	Fonction
nlptown/bert-base-multilingual-uncased-sentiment	Classification de sentiments
all-MiniLM-L6-v2	Embeddings de phrases pour BERTopic
llama3.2:3b	Génération de résumés IA

DevOps

• GitHub Actions - CI/CD avec vérifications de lint, formatage et tests
• Ruff - Linting et formatage Python
• pytest - Tests backend avec seuil de couverture de 65%
• ESLint - Qualité du code frontend