Ferdinand Piette, Machine Learning Scientist, PhD chez Sensefuel
L'intelligence artificielle (IA) se caractérise par la création d'algorithmes informatiques capables d'accomplir des tâches avec une “certaine” intelligence. Ce domaine est très vaste et regroupe des dizaines de champs d'études comme par exemple les systèmes distribués (systèmes multi-agents), la résolution de problèmes d'optimisation (métaheuristique), la construction de systèmes experts, la satisfaction de contraintes ou encore la planification.
Le machine learning est l'un de ces champs d'étude de l'IA. Les algorithmes de machine learning ont la capacité d'apprendre de la donnée et d'en extraire de l'information pertinente grâce à l'application de règles statistiques qui définissent un modèle d'apprentissage. Avec le machine learning, le développeur ne code plus directement le moyen de résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la base de données.
L'apprentissage automatique se décompose généralement en deux phases fondamentales : l'apprentissage et la prédiction. Durant la phase d'entraînement, l'algorithme ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les modèles et relations sous-jacents présents dans les données. Une fois le modèle entraîné, il peut être déployé pour effectuer des prédictions ou prendre des décisions sur de nouvelles données au cours de la phase d'inférence.
Lorsque l’on sait qu'un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, expression d'un intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On réalise immédiatement le potentiel significatif des algorithmes de machine learning dans la compréhension du comportement du visiteur et, par conséquent, dans l’amélioration directe de l’expérience client et l'optimisation des ventes.
Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d'utilisation spécifiques. En voici quelques exemples concrets.
Le machine learning pour optimiser la recherche de produits
En matière de search, le machine learning peut être employé de différentes manières :
- Pour optimiser la compréhension automatique du sens sémantique d'une requête. Illustrons cela avec une recherche vocale. Lorsqu'un visiteur exprime "Je voudrais un canapé gris s'il te plaît", le moteur de recherche, basé sur le machine learning, peut discerner que les termes importants sont "canapé gris" et que “gris” correspond à une couleur, en mettant de côté le reste de la phrase. Grâce à des technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la capacité de comprendre sémantiquement l'utilisateur, même si la phrase est formulée en langage naturel, de manière complexe.
- Pour proposer des produits en cas d’expression de recherche inconnue.
En cas d'expression de recherche inconnue, il est envisageable d'utiliser un algorithme de réouverture. Celui-ci permet de présenter des articles pertinents même s'ils sont désignés avec des termes différents. Par exemple, si un visiteur saisit "sombrero", le site marchand pourra proposer des bonnets en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que le machine learning comprend sémantiquement que "sombrero" est proche de "bonnet" ou de "chapeau".
Un autre aspect de l'application de ces algorithmes consiste à personnaliser le parcours client.
Les algorithmes de machine learning ouvrent des perspectives en matière de personnalisation
Celle-ci peut se faire notamment au niveau du ranking de produits et se manifeste dans divers contextes :
- la saisonnalité : le ranking peut varier en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls en été, le système privilégiera des articles plus légers, tandis qu'en hiver, il mettra en avant des pulls plus épais et chauds.
- l’appétence utilisateur : lorsque ce dernier effectue des recherches de produits pour hommes puis saisit le terme "chaussures", les résultats de recherche pourront être orientés vers les chaussures destinées aux hommes.
- le profil utilisateur : il est possible d'apprendre à classifier les clients et définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des listings de produits personnalisés sur la page d'accueil par exemple.
- les mots clés tapés : lorsque l'utilisateur saisit "jean", le moteur de recherche comprend qu’il cherche principalement des pantalons plutôt que des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le ranking en fonction des mots clés, le machine learning organise les produits de manière pertinente, en intégrant par exemple des notions de best-sellers.
La personnalisation peut également s'étendre à d'autres aspects, comme par exemple dans:
- les fiches produits : des suggestions peuvent être faites pour des produits populaires qui se marient bien avec celui que l'utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus, il est possible d'afficher les choix d'autres clients qui ont acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de suggérer des articles similaires, mais dans une gamme de prix supérieure (up sell).
- la page d'accueil : des produits personnalisés peuvent être proposés à l'utilisateur en fonction de son historique. Cela peut se faire de différentes manières : en ouverture pour lui faire découvrir des articles qu'il ne connaît pas encore mais qui pourraient l'intéresser, ou en fermeture pour lui suggérer des produits qu'il a déjà achetés ou qu'il acquiert fréquemment. Cette approche est particulièrement pertinente dans l'alimentaire, où la recommandation de produits réguliers facilite l'expérience d'achat.
Les scénarios d'utilisation mentionnés se concentrent sur des améliorations directes de l'expérience client. Parallèlement, le machine learning peut également contribuer à fournir aux personnes qui gèrent le site marchand des pistes d’amélioration de leurs tâches professionnelles.
Les algorithmes de machine learning : des alliés puissants pour les e-merchandiseurs
Considérons une situation où un groupe de produits semble mal ventilé au sein d'une catégorie. Les algorithmes de machine learning ont la capacité de détecter cette situation et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer des catégories qui manquent de pertinence, regroupant une variété de produits sans lien significatif et suggérer de la diviser en sous-catégories plus spécifiques.
Ces algorithmes offrent également aux e-merchandiseurs des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité repose sur l'analyse des zéro résultats des utilisateurs, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la proposition de synonymes tels que 'applique murale' pour 'luminaire', ou encore 'chemise de nuit' pour 'nuisette', démontre la capacité de ces technologies à anticiper et répondre aux attentes des clients.
En conclusion
L'expertise des algorithmes de machine learning réside dans leur aptitude à assimiler finement les comportements des utilisateurs, à identifier des tendances, à classifier et à révéler des corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l'expérience globale des utilisateurs, en particulier dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant de manière conséquente à maximiser le taux de conversion sur le site marchand.
À quoi ressemblera le futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd'hui. Les évolutions récentes de l'intelligence artificielle, notamment dans le domaine de l'IA générative ; comme par exemple les LLMs (modèles de langage naturel capables de comprendre et générer du texte humain) utilisés par ChatGPT ; ouvrent la voie à de nouvelles perspectives.
Ces avancées technologiques offrent des opportunités de réinventer la manière dont nous utilisons les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les moteurs de recherche deviendrait aussi naturelle que celle avec un vendeur physique en magasin.
Demain, l'expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.
Ferdinand Piette, Machine Learning Scientist, PhD chez Sensefuel
Le machine learning est l'un de ces champs d'étude de l'IA. Les algorithmes de machine learning ont la capacité d'apprendre de la donnée et d'en extraire de l'information pertinente grâce à l'application de règles statistiques qui définissent un modèle d'apprentissage. Avec le machine learning, le développeur ne code plus directement le moyen de résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la base de données.
L'apprentissage automatique se décompose généralement en deux phases fondamentales : l'apprentissage et la prédiction. Durant la phase d'entraînement, l'algorithme ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les modèles et relations sous-jacents présents dans les données. Une fois le modèle entraîné, il peut être déployé pour effectuer des prédictions ou prendre des décisions sur de nouvelles données au cours de la phase d'inférence.
Lorsque l’on sait qu'un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, expression d'un intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On réalise immédiatement le potentiel significatif des algorithmes de machine learning dans la compréhension du comportement du visiteur et, par conséquent, dans l’amélioration directe de l’expérience client et l'optimisation des ventes.
Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d'utilisation spécifiques. En voici quelques exemples concrets.
Le machine learning pour optimiser la recherche de produits
En matière de search, le machine learning peut être employé de différentes manières :
- Pour optimiser la compréhension automatique du sens sémantique d'une requête. Illustrons cela avec une recherche vocale. Lorsqu'un visiteur exprime "Je voudrais un canapé gris s'il te plaît", le moteur de recherche, basé sur le machine learning, peut discerner que les termes importants sont "canapé gris" et que “gris” correspond à une couleur, en mettant de côté le reste de la phrase. Grâce à des technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la capacité de comprendre sémantiquement l'utilisateur, même si la phrase est formulée en langage naturel, de manière complexe.
- Pour proposer des produits en cas d’expression de recherche inconnue.
En cas d'expression de recherche inconnue, il est envisageable d'utiliser un algorithme de réouverture. Celui-ci permet de présenter des articles pertinents même s'ils sont désignés avec des termes différents. Par exemple, si un visiteur saisit "sombrero", le site marchand pourra proposer des bonnets en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que le machine learning comprend sémantiquement que "sombrero" est proche de "bonnet" ou de "chapeau".
Un autre aspect de l'application de ces algorithmes consiste à personnaliser le parcours client.
Les algorithmes de machine learning ouvrent des perspectives en matière de personnalisation
Celle-ci peut se faire notamment au niveau du ranking de produits et se manifeste dans divers contextes :
- la saisonnalité : le ranking peut varier en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls en été, le système privilégiera des articles plus légers, tandis qu'en hiver, il mettra en avant des pulls plus épais et chauds.
- l’appétence utilisateur : lorsque ce dernier effectue des recherches de produits pour hommes puis saisit le terme "chaussures", les résultats de recherche pourront être orientés vers les chaussures destinées aux hommes.
- le profil utilisateur : il est possible d'apprendre à classifier les clients et définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des listings de produits personnalisés sur la page d'accueil par exemple.
- les mots clés tapés : lorsque l'utilisateur saisit "jean", le moteur de recherche comprend qu’il cherche principalement des pantalons plutôt que des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le ranking en fonction des mots clés, le machine learning organise les produits de manière pertinente, en intégrant par exemple des notions de best-sellers.
La personnalisation peut également s'étendre à d'autres aspects, comme par exemple dans:
- les fiches produits : des suggestions peuvent être faites pour des produits populaires qui se marient bien avec celui que l'utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus, il est possible d'afficher les choix d'autres clients qui ont acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de suggérer des articles similaires, mais dans une gamme de prix supérieure (up sell).
- la page d'accueil : des produits personnalisés peuvent être proposés à l'utilisateur en fonction de son historique. Cela peut se faire de différentes manières : en ouverture pour lui faire découvrir des articles qu'il ne connaît pas encore mais qui pourraient l'intéresser, ou en fermeture pour lui suggérer des produits qu'il a déjà achetés ou qu'il acquiert fréquemment. Cette approche est particulièrement pertinente dans l'alimentaire, où la recommandation de produits réguliers facilite l'expérience d'achat.
Les scénarios d'utilisation mentionnés se concentrent sur des améliorations directes de l'expérience client. Parallèlement, le machine learning peut également contribuer à fournir aux personnes qui gèrent le site marchand des pistes d’amélioration de leurs tâches professionnelles.
Les algorithmes de machine learning : des alliés puissants pour les e-merchandiseurs
Considérons une situation où un groupe de produits semble mal ventilé au sein d'une catégorie. Les algorithmes de machine learning ont la capacité de détecter cette situation et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer des catégories qui manquent de pertinence, regroupant une variété de produits sans lien significatif et suggérer de la diviser en sous-catégories plus spécifiques.
Ces algorithmes offrent également aux e-merchandiseurs des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité repose sur l'analyse des zéro résultats des utilisateurs, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la proposition de synonymes tels que 'applique murale' pour 'luminaire', ou encore 'chemise de nuit' pour 'nuisette', démontre la capacité de ces technologies à anticiper et répondre aux attentes des clients.
En conclusion
L'expertise des algorithmes de machine learning réside dans leur aptitude à assimiler finement les comportements des utilisateurs, à identifier des tendances, à classifier et à révéler des corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l'expérience globale des utilisateurs, en particulier dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant de manière conséquente à maximiser le taux de conversion sur le site marchand.
À quoi ressemblera le futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd'hui. Les évolutions récentes de l'intelligence artificielle, notamment dans le domaine de l'IA générative ; comme par exemple les LLMs (modèles de langage naturel capables de comprendre et générer du texte humain) utilisés par ChatGPT ; ouvrent la voie à de nouvelles perspectives.
Ces avancées technologiques offrent des opportunités de réinventer la manière dont nous utilisons les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les moteurs de recherche deviendrait aussi naturelle que celle avec un vendeur physique en magasin.
Demain, l'expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.
Ferdinand Piette, Machine Learning Scientist, PhD chez Sensefuel
