Super, j’ai plein de projets pour ce genre de profils, surtout que tu as l’air de t’intéresser aux transactions alors que pour l’instant nous avons surtout étudié la toile de confiance 
D’abord quelques points d’entrée :
- DataJune (site web https://datajune.coinduf.eu/) (code source en Julia) est un projet de visualisation de données de la Ğ1, pour l’instant uniquement sur la toile de confiance. J’en profite pour donner facilement accès à l’archive de la blockchain en json (https://files.datajune.coinduf.eu/chunks/) et aux graphes de la toile de confiance avec un échantillonnage quotidien (https://files.datajune.coinduf.eu/graphs.lg/).
- Ǧ1Stats (https://g1-stats.axiom-team.fr/) est un ancien projet de @poka avec quelques statistiques relatives aux transactions
- pendant la dernière visio mensuelle des contributeurs qui a eu lieu à peu près au moment où tu as écrit ton message (Monthly online meeting of contributors to Duniter/Ğ1 technical ecosystem - #175 by elois) @gerard94 a évoqué l’idée de traiter les transactions dans WotWizard (en Go)
- https://worldwotmap.coinduf.eu/ est un projet de @tuxmain qui permet de visualiser la densité des transactions et de la répartition monétaire par dessus une carte
Ensuite, il y a déjà eu une étude qui compare le graphe induit par les transactions incluant au moins un membre et la toile de confiance, mais elle date de 2019 (https://arxiv.org/abs/1911.10792 [1911.10792] Do you trade with your friends or become friends with your trading partners? A case study in the G1 cryptocurrency). Depuis, la toile de confiance a beaucoup grandi et l’économie en Ğ1 encore plus. Je pense que ce serait intéressant de regarder plus en détail quel est le lien entre la densité de la toile et l’activité économique. Voilà une application qui pourrait faire bon usage du machine learning :
- utiliser les données de géolocalisation des datapods Cesium+ concernant les comptes membres et les comptes simple portefeuilles (données mises en cache sur Ğ1 stats pour les besoins de la https://carte.monnaie-libre.fr/)
- utiliser les certifications entre comptes membres et les transactions entre tous les comptes
- apprendre à reconstruire la geoloc de chaque compte en minimisant la distance (géodésique ou travel distance par ex) entre position prédite et position déclarée (on pourrait faire du reinforcment learning en contactant directement les utilisateurs pour améliorer le dataset) en se basant sur le graphe dynamique (je pense que le critère dynamique est important ici, par exemple, j’ai déménagé de Paris à Toulouse, la geoloc prédite doit plutôt se baser sur les certifications / transactions récentes) (on ne dispose pas d’historique de géolocalisation mais ça ne me semble pas problématique)
- afficher la densité de transaction en fonction de la densité de comptes au km²
Voilà. Si tu veux on peut se prévoir un appel en visio pour discuter de ça et du reste de l’écosystème logiciel (utilité de GraphQL et écosystème v2).