Sur son blog, RJ Pittman, senior vice-président en charge des produits chez eBay, explique que les recherches et les moteurs de recommandations de produits existants sont incapables de fournir ou de déduire les informations contextuelles d'une requête d'achat. Il ouvre son article avec l'exemple des informations qui peuvent être déduites dans cette phrase : « Ma femme et moi partons camper au lac Tahoe la semaine prochaine, nous avons besoin d'une tente ». Il observe que la plupart des moteurs de recherche vont réagir au mot ‘tente'. Par contre, le reste du contexte sur la localisation, la température, la taille de la tente, l'environnement, etc., est en général perdu de vue. Pourtant, ce type d'informations précises alimente justement les décisions d'achat. Faire comprendre ce contexte est bien souvent une corvée dont hérite l'utilisateur.
Le défi
Cette expérience d'achat n'ayant rien d'idéal, l'équipe d'eBay a développé eBay ShopBot pour éviter au potentiel client ces e orts au cours du shopping. Du point de vue technique, le but d'eBay consiste à créer un moteur de recommandations en temps réel qui comprend et apprend à partir du langage contextuel fourni par l'acheteur et pointe rapidement des recommandations produits spéci ques. Cette capacité à faire ressortir l'intention humaine est ce qu'eBay appelle le « saint graal » du commerce conversationnel. Pour y parvenir, il est nécessaire de combiner le traitement du langage naturel, les algorithmes d'apprentissage, la modélisation prédictive et un moteur de traitement et de stockage en temps réel et distribué, capable d'opérer sur tout le Web et de se dimensionner pour aller jusqu'à inclure tout le catalogue produits d'eBay.
La solution
Les ingénieurs d'eBay ont conclu que comprendre et traverser leur catalogue de produits à partir des vastes volumes de données collectées en direct dans les échanges avec les clients était bel et bien une question de graphes. Le graphe de connaissances dont ils avaient besoin devait être combiné à une compréhension du langage naturel et à l'intelligence arti cielle a n de stocker, de mémoriser et d'apprendre des précédentes interactions avec les acheteurs. eBay a choisi Neo4j comme base de données de graphes native incluant tous les modèles de probabilités utiles à la compréhension des scénarios d'achat conversationnels. Le graphe de Neo4j comprend à la fois le catalogue de produits et les attributs des interactions avec les acheteurs pendant leur recherche d'articles.
Ci-dessous, la représentation visuelle d'un graphe de connaissances montre comment eBay interprète la requête d'un client souhaitant acheter « une sacoche Coach en cuir marron à moins de 100 dollars ».
Le défi
Cette expérience d'achat n'ayant rien d'idéal, l'équipe d'eBay a développé eBay ShopBot pour éviter au potentiel client ces e orts au cours du shopping. Du point de vue technique, le but d'eBay consiste à créer un moteur de recommandations en temps réel qui comprend et apprend à partir du langage contextuel fourni par l'acheteur et pointe rapidement des recommandations produits spéci ques. Cette capacité à faire ressortir l'intention humaine est ce qu'eBay appelle le « saint graal » du commerce conversationnel. Pour y parvenir, il est nécessaire de combiner le traitement du langage naturel, les algorithmes d'apprentissage, la modélisation prédictive et un moteur de traitement et de stockage en temps réel et distribué, capable d'opérer sur tout le Web et de se dimensionner pour aller jusqu'à inclure tout le catalogue produits d'eBay.
La solution
Les ingénieurs d'eBay ont conclu que comprendre et traverser leur catalogue de produits à partir des vastes volumes de données collectées en direct dans les échanges avec les clients était bel et bien une question de graphes. Le graphe de connaissances dont ils avaient besoin devait être combiné à une compréhension du langage naturel et à l'intelligence arti cielle a n de stocker, de mémoriser et d'apprendre des précédentes interactions avec les acheteurs. eBay a choisi Neo4j comme base de données de graphes native incluant tous les modèles de probabilités utiles à la compréhension des scénarios d'achat conversationnels. Le graphe de Neo4j comprend à la fois le catalogue de produits et les attributs des interactions avec les acheteurs pendant leur recherche d'articles.
Ci-dessous, la représentation visuelle d'un graphe de connaissances montre comment eBay interprète la requête d'un client souhaitant acheter « une sacoche Coach en cuir marron à moins de 100 dollars ».
Cette image montre comment le graphe de connaissances aide à affiner la recherche au regard du stock et ce, grâce au contexte fourni par l'acheteur. Ce contexte est stocké et eBay. ShopBot le mémorise pour de futures interactions. Par exemple, quand un autre acheteur recherche un « sac marron », eBay ShopBot sait quels détails demander ensuite, tels que le type de sac, le style, la marque, le budget ou la taille. Avec l'accumulation de ces informations en traversant le graphe, l'application véri e le stock en temps réel pour trouver l'article qui correspond le mieux à la recherche. Cet exemple illustre très bien la prise de décision en direct.
Les avantages
Le développement du graphe de connaissances a été un projet plaisant, en particulier parce qu'il s'appuyait sur une base de données de graphes. L'équipe d'ingénieurs d'eBay savait que déployer un robot conversationnel auprès de leurs utilisateurs se jouait à l'échelle du Web et impliquait un haut niveau de résilience et de disponibilité, des réponses prédictives de quelques millisecondes et l'aide d'experts en graphes expérimentés dans ce type de déploiements. C'est pourquoi ils se sont tournés vers Neo4j Enterprise qui permet un clustering hautement disponible et assure une performance exceptionnelle d'écriture et de lecture. Même quand le nombre de nœuds atteint des millions, l'application reste très réactive aux requêtes des utilisateurs.
La plateforme applicative inclut la base de données de graphes Neo4j et des algorithmes de compréhension du langage naturel qui non seulement comprennent le texte, les images et la parole mais intègrent aussi les intentions dans la ponctuation et la grammaire quand ils analysent le sens et le contexte dans les conversations. L'application est exécutée dans des containeurs docker dans le cloud et il est attendu que le tout fonctionne avec diverses plateformes grâces à des connexions entre autres avec Slack, Microsoft, Facebook Messenger. La connexion initiale fonctionne dans Facebook Messenger et est disponible à l'adresse https://shopbot.eBay.com/.
Les avantages
Le développement du graphe de connaissances a été un projet plaisant, en particulier parce qu'il s'appuyait sur une base de données de graphes. L'équipe d'ingénieurs d'eBay savait que déployer un robot conversationnel auprès de leurs utilisateurs se jouait à l'échelle du Web et impliquait un haut niveau de résilience et de disponibilité, des réponses prédictives de quelques millisecondes et l'aide d'experts en graphes expérimentés dans ce type de déploiements. C'est pourquoi ils se sont tournés vers Neo4j Enterprise qui permet un clustering hautement disponible et assure une performance exceptionnelle d'écriture et de lecture. Même quand le nombre de nœuds atteint des millions, l'application reste très réactive aux requêtes des utilisateurs.
La plateforme applicative inclut la base de données de graphes Neo4j et des algorithmes de compréhension du langage naturel qui non seulement comprennent le texte, les images et la parole mais intègrent aussi les intentions dans la ponctuation et la grammaire quand ils analysent le sens et le contexte dans les conversations. L'application est exécutée dans des containeurs docker dans le cloud et il est attendu que le tout fonctionne avec diverses plateformes grâces à des connexions entre autres avec Slack, Microsoft, Facebook Messenger. La connexion initiale fonctionne dans Facebook Messenger et est disponible à l'adresse https://shopbot.eBay.com/.