Le contexte
GigaBack est un produit interne, conçu et financé par Wisepear techlab. Il sert deux objectifs : occuper un terrain que nos missions clientes ne couvrent pas — l’application grand public, vendue directement sur les magasins d’applications — et nous confronter à des contraintes que le logiciel métier ignore.
Le principe tient en une phrase : on trie sa photothèque en balayant l’écran, mois par mois, à gauche pour jeter, à droite pour garder.
L’enjeu
La catégorie a mauvaise réputation, et pour de bonnes raisons : abonnements subis, prix trompeurs, et des applications qui envoient la photothèque vers un serveur. Le produit ne pouvait donc pas se contenter d’être correct, il devait être vérifiablement honnête.
La promesse devait être tenable au mot près. « Vos photos ne quittent jamais votre téléphone » : c’est une contrainte d’architecture, pas une phrase de politique de confidentialité. Tout le traitement d’images — analyse, miniatures, empreintes, détection de doublons — se fait sur l’appareil. En contrepartie, ce qui utilise le réseau est nommé explicitement plutôt que dissimulé : l’achat, la publicité qui finance la version gratuite, et le profil qui porte le quota.
Les performances décident de tout. Une photothèque de cinquante mille clichés interdit la comparaison de tout avec tout. Sans une stratégie d’indexation sérieuse, l’application se fige au premier lancement — et ne reçoit jamais de seconde chance.
Rien ne doit être irréversible. Une application qui supprime des photos d’enfance ne peut pas se permettre la moindre ambiguïté.
Ce que nous avons fait
- Un socle Flutter unique pour iOS et Android, avec une base locale SQLite qui porte l’inventaire, les empreintes, les décisions et les compteurs.
- Une détection de doublons bornée. Une empreinte perceptuelle est calculée sur une miniature réduite, puis les comparaisons sont limitées à des fenêtres temporelles — les clichés pris à quelques secondes d’intervalle, puis ceux du même mois. On ne compare jamais tout à tout.
- Un calcul en tâche de fond, reprenable. L’analyse tourne par lots sur des fils séparés, à priorité basse, avec un curseur en base : une application fermée en cours d’analyse reprend là où elle s’était arrêtée plutôt que de tout refaire.
- Aucune suppression définitive directe. Tout passe par la corbeille du système — « Supprimés récemment » sur iOS, la corbeille de la galerie sur Android — et l’interface le dit à l’utilisateur au lieu de le cacher. Les suppressions sont regroupées en une seule confirmation système par lot.
- Cinq langues dès la première version, avec des fiches de magasin dont chaque champ est validé automatiquement contre les limites des plateformes : dépasser une longueur est un motif de rejet, et le jour de la sortie est un mauvais moment pour l’apprendre.
Le résultat
L’application est en ligne sur l’App Store et Google Play.
Ce que ce produit nous apprend se vérifie ensuite en clientèle : une application grand public ne se joue pas seulement sur son code. Elle se joue sur les déclarations de confidentialité qui doivent correspondre à ce que le logiciel fait réellement, sur des fiches de magasin conformes au caractère près, et sur une revue éditoriale qui refuse ce qu’elle ne peut pas voir fonctionner.
C’est aussi là que s’est formée une conviction que nous appliquons ailleurs : une promesse que la construction ne tient pas coûte exactement ce que l’honnêteté devait rapporter.
