Lab WhatsApp Inbound
Le Dircom transfère un message WhatsApp qui l'inquiète — un appel au boycott, une capture d'écran en colère, un lien d'article critique — vers le numéro dédié de Harch. Le pipeline NLP de Harch l'analyse et renvoie une évaluation du risque. Cela boucle la boucle « l'utilisateur sent qu'il a saisi la donnée » : les groupes WhatsApp sont privés, aucun outil de monitoring ne peut les atteindre, mais le Dircom voit le signal à 23h et peut le transférer à Harch avant que le DG ne le voie au petit-déjeuner.
Ceci simule ce qui se passe quand un Dircom transfère un message WhatsApp vers le numéro dédié de Harch. En production, Twilio envoie le webhook automatiquement (POST /api/whatsapp/inbound). Ici, l'endpoint /api/whatsapp/simulate exécute le même pipeline NLP — sentiment + sarcasme + prompt-injection + fakeness + détection de langue Darija — sans avoir besoin de vrais identifiants Twilio. Le verdict apparaît dans le flux de droite en quelques secondes.
Simuler un WhatsApp inbound
Composez un message comme si vous étiez le Dircom transférant quelque chose vu sur votre téléphone. Cliquez sur « Envoyer au webhook » pour le faire passer par le même pipeline qu'un vrai webhook Twilio.
Si renseignée, le message est traité comme une image avec le corps ci-dessus en légende. L'analyse VLM est mise en file (revue manuelle en attente — l'intégration du modèle de vision est sur la roadmap).
Flux inbound
Aucun message inbound pour l'instant. Envoyez-en un depuis le formulaire de gauche, ou rafraîchissez pour charger le flux d'exemple.