mac-usage-analytics

1. Cel Projektu

Celem projektu jest stworzenie systemu do gromadzenia i analizy danych telemetrycznych dotyczących aktywności użytkownika w systemie macOS. Zgromadzone dane posłużą do obiektywnej oceny, identyfikacji wzorców i optymalizacji alokacji czasu oraz zasobów poznawczych.

2. Założenia Systemowe

Projekt opiera się na następujących pryncypiach:

• Kwantyfikacja jako podstawa optymalizacji: Decyzje dotyczące optymalizacji muszą być podejmowane na podstawie mierzalnych, obiektywnych danych, a nie subiektywnych odczuć czy błędnych oszacowań pamięciowych.
• Integralność i surowość danych: System priorytetyzuje zbieranie surowych, niskopoziomowych danych (np. nazwa procesu, tytuł okna, timestamp) bez wstępnej kategoryzacji. Interpretacja i klasyfikacja odbywa się w fazie analizy, co zapewnia elastyczność i minimalizuje błędy na etapie zbierania.
• Modularność: Architektura systemu jest rozdzielona na trzy niezależne komponenty: kolekcję, przechowywanie i analizę. Umożliwia to niezależny rozwój i modyfikację każdej części.
• Prywatność i lokalność: Cały cykl życia danych (od zebrania po analizę) odbywa się lokalnie na maszynie użytkownika. Żadne dane nie są wysyłane do zewnętrznych serwisów.

3. Architektura

System składa się z trzech głównych modułów:

Moduł 1: Kolekcja Danych (Logger)

• Funkcja: Skrypt działający w tle, dokonujący próbkowania stanu systemu w regularnych, zdefiniowanych interwałach czasowych (np. co 15 sekund).
• Zbierane dane:
  • Timestamp (Unix epoch)
  • Nazwa aktywnej aplikacji (np. Google Chrome, Visual Studio Code)
  • Tytuł aktywnego okna (np. [Tytuł wideo] - YouTube, [Nazwa pliku] - [Nazwa projektu])
• Technologia: Python z wykorzystaniem pyobjc-framework-AppKit do interakcji z API macOS.

Moduł 2: Przechowywanie Danych (Storage)

• Format: Logi zapisywane jako sekwencja obiektów JSON w pliku tekstowym (JSON Lines, .jsonl). Alternatywnie, lokalna baza danych SQLite.
• Uzasadnienie: Format .jsonl jest prosty, czytelny dla człowieka i łatwy do parsowania strumieniowego. SQLite oferuje bardziej zaawansowane możliwości kwerendowania bezpośrednio na etapie przechowywania.

Moduł 3: Analiza i Wizualizacja (Analyzer)

• Funkcja: Zestaw skryptów lub notatnik Jupyter do przetwarzania surowych logów w celu ekstrakcji użytecznych informacji.
• Przykładowe Analizy:
  • Agregacja czasu spędzonego w każdej aplikacji.
  • Kategoryzacja aktywności na podstawie słów kluczowych w tytułach okien (np. "praca", "social media", "nauka").
  • Generowanie raportów dziennych/tygodniowych.
  • Identyfikacja najczęściej używanych programów i dokumentów.
  • Analiza wzorców przełączania kontekstu (context switching).
• Technologia: Python z bibliotekami pandas do manipulacji danymi oraz matplotlib/seaborn do wizualizacji.

4. Status Projektu

Faza koncepcyjna i rozwój podstawowego modułu zbierania danych.