Qu'est-ce qu'un système de recommandation ?

Un système de recommandation utilise un sous-ensemble de l'IA appelé Machine Learning et des techniques de filtrage des données pour faire des suggestions. Quand ils fonctionnent bien, ces systèmes font des prédictions précises sur les types de contenu qu'un utilisateur souhaite en fonction de ses choix passés, de ses commentaires et de son engagement.

Netflix, Amazon, eBay et la plupart des plateformes de réseaux sociaux disposent de systèmes de recommandation pour aider les visiteurs à trier des quantités massives de contenu et découvrir ceux qui sont susceptibles de les intéresser. Les solutions d'intelligence artificielle comme les recommandations sont courantes dans la vie moderne quotidienne, presque au point où elles sont attendues. Pourtant, pour être efficaces de manière optimale, elles nécessitent des quantités substantielles de données, un entraînement des modèles d'IA et une puissance de calcul.

Le public dépend parfois des systèmes de recommandation sans le savoir. Choisir un film à regarder sur des centaines de milliers de titres peut être un défi insurmontable, mais choisir un film sur 100 réduit la difficulté de prise de décision. Lorsque les recommandations sont pertinentes et que le système est réactif, le processus de décision devient fluide.

Avantages des systèmes de recommandation

Le déploiement d'un système de recommandation par l'IA peut aider les entreprises qui souhaitent que leurs utilisateurs restent engagés, comme les plateformes de réseaux sociaux, qu'ils restent abonnés ou qu'ils effectuent des achats. Dans certains cas, le système de recommandation agit comme un rayon d'achat impulsif dans une épicerie. Dans d'autres, il s'agit davantage de proposer des articles complémentaires, par exemple la protection des pneus chez un revendeur de voitures.

Les utilisateurs en bénéficient également, car la prise de décision est difficile. Même lorsqu'un utilisateur a une bonne idée de ce qu'il veut, passer au crible tous les éléments qu'il ne souhaite pas peut être difficile. La recherche de « comédies » dans un catalogue de films fait apparaître un large éventail d'options avec des sous-catégories très différentes. Les systèmes de recommandation aident les utilisateurs à affiner leurs choix pour trouver ce qui les intéresse le plus.

En outre, les recommandations peuvent aider les utilisateurs à découvrir de nouveaux contenus qu'ils n'auraient peut-être pas trouvés autrement. Les services de streaming de musique tels que Pandora et Spotify sont des exemples de plateformes que les abonnés utilisent souvent pour trouver de nouveaux contenus en fonction de leurs préférences.

Fonctionnement des systèmes de recommandation

Les systèmes de recommandation d'IA sont complexes et utilisent plusieurs modèles d'IA, des processus de Machine Learning et des flux de travail analytiques. La plupart des flux de travail comprennent trois étapes générales :

• Classification : à cette étape, la vision par ordinateur et le traitement du langage naturel (NLP) sont utilisés pour identifier et classifier différents éléments de contenu.
• Rappel et recherche de similarité : les articles ou les objets sont ensuite classés par fonctionnalités similaires.
• Classement : enfin, des modèles de Deep Learning et de Wide Learning trient les articles ou les objets par pertinence.

Ces trois étapes sont nécessaires pour fournir des résultats précis et pertinents et réduire le risque de frustration des utilisateurs, non seulement pour les recommandations, mais également pour l'entreprise dont le système les a fournies.

Types de systèmes de recommandation

Les systèmes de recommandation sont personnalisables à l'infini et doivent être adaptés étroitement au cas d'utilisation spécifique. Généralement, les systèmes de recommandation se répartissent en trois grandes catégories :

• Filtrage collaboratif : un système de recommandation par filtrage collaboratif des données nécessite des informations de préférence de nombreux utilisateurs. Le système reconnaît des schémas : les clients qui aiment ce film aiment également souvent cet autre film. Il recommande ensuite l'autre film aux personnes qui aiment le premier film.
  De même, si deux utilisateurs ont deux articles ou plus en commun, le système peut recommander un article qu'une personne a très bien évalué ou acheté à l'autre ayant des intérêts similaires.
• Filtrage basé sur le contenu : le filtrage des données s'avère utile dans les situations où moins d'informations sont disponibles, par exemple si un utilisateur recherche un article plus cher rarement acheté, comme un meuble ou un appareil électroménager. Le système de recommandation peut suggérer des articles de taille similaire, avec des fonctionnalités similaires, ou dans une gamme de prix comparable.
  En utilisant l'exemple de film précédent, si un utilisateur a regardé deux films d'action, le système de recommandation peut suggérer d'autres titres dans cette catégorie.
• Filtrage hybride : un système qui utilise à la fois le filtrage collaboratif des données et le filtrage basé sur le contenu fournit les éléments des deux types et comprend parfois également des informations contextuelles, telles que le lieu, l'heure de la journée et d'autres données, pour faire des recommandations plus précises et utiles.

Qu'est-ce qui fait un bon système de recommandation ?

L'utilisation répétée représente un objectif commercial des systèmes de recommandation. Plus un utilisateur perçoit les recommandations qu'il reçoit comme « bonnes », ce qui signifie qu'elles correspondent étroitement à ses préférences, plus il est probable qu'il revienne et réutilise le système. Les attributs des bons systèmes de recommandation comprennent :

• Précision : les suggestions doivent être personnalisées et correspondre à l'utilisateur. Cela peut être réalisé en intégrant un système de retour tel qu'un simple pouce vers le haut ou vers le bas. Les avis renforcent et étendent l'apprentissage de l'IA.
• Réactivité : les utilisateurs sont notoirement impatients et n'attendent pas les recommandations. Les temps de chargement doivent être rapides et sans friction, sous peine de quoi les utilisateurs partiront.
• Rentabilité : d'un point de vue commercial, l'investissement dans un système de recommandation et les dépenses opérationnelles permanentes liées doivent être équilibrées par un engagement accru des utilisateurs, des ventes ou d'autres résultats commerciaux.

Cas d'utilisation des systèmes de recommandation

Les systèmes de recommandation sont omniprésents dans le monde numérique. Presque tous les détaillants de commerce électronique disposent d'un tel système, et la plupart d'entre nous les utilisons sans même nous en rendre compte. Amazon a été un précurseur. Sans recommandations, découvrir de nouveaux produits pourrait s'avérer assez difficile.

Netflix dispose également d'un système de recommandation étendu et en évolution permanente. En fait, de 2007 à 2009, Netflix a offert un prix à l'équipe qui concevrait un système 10 % plus précis. Les gagnants ont créé un pipeline de 107 modèles différents qui fonctionnent ensemble pour offrir une prédiction.¹

Les deux principales utilisations des systèmes de recommandation par IA sont le merchandising personnalisé, comme sur eBay ou Amazon, et le contenu personnalisé, comme sur les plateformes de réseaux sociaux Facebook ou LinkedIn.

Merchandising personnalisé

La plupart des grandes marques de détail disposent de systèmes de recommandation de merchandising personnalisé. Ceux-ci peuvent fonctionner de deux manières différentes.

Par exemple, lorsqu'un utilisateur parcourt des annonces sur eBay, un système de recommandation « explorer les éléments liés » offre des annonces similaires, avec la possibilité de donner son avis sur les suggestions. Le détaillant de vêtements Old Navy propose à la fois une recommandation « les clients ont également aimé » et des recommandations « le porter avec ».

À mesure que les systèmes de recommandation alimentés par un algorithme d'IA deviennent plus courants, ils sont également utilisés de nouvelles manières. Dans les services bancaires, les systèmes de recommandation peuvent suggérer en toute sécurité des types de compte, des services ou des offres en fonction des comportements d'épargne et de dépenses des clients. Dans l'éducation, les recommandations pourraient aider les étudiants à décider dans quelles universités ils doivent postuler.

Contenu personnalisé

Les utilisateurs interagissent de manière transparente avec les systèmes de recommandation tout au long d'une journée typique, notamment lorsqu'ils consomment des médias et du divertissement. Google utilise un système de recommandation pour présenter des annonces aux utilisateurs ; Meta utilise des systèmes de recommandation pour ses produits, notamment la page Instagram Explorer, Facebook Reels et les principaux flux que les utilisateurs voient sur ces plateformes.

Amazon et Netflix ont tous deux recours au Machine Learning et à de grandes quantités de données pour recommander du contenu personnalisé. Les articles vus par l'utilisateur, l'historique de recherche, les évaluations, la date, l'heure de la journée et le type d'appareil utilisé sont tous rassemblés et recoupés dans des moteurs de recommandation hybrides multicouches.

Les recommandations personnalisées, plutôt que de se limiter à ce qui est populaire actuellement, peuvent mener à un engagement et à une exploration beaucoup plus profonds et fournir des données supplémentaires pour des résultats encore plus pertinents.

Défis des systèmes de recommandation

Les recommandations sont utiles pour les entreprises et les utilisateurs, mais des défis potentiels existent également. Être au courant de ces défis dès le début de la conception d'un système de recommandation offre une opportunité d'éviter les problèmes plus tard. Voici quelques-uns des défis connus associés aux systèmes de recommandation d'IA :

• Données insuffisantes : au début du processus, il est possible que de nombreux articles ou produits n'aient pas été évalués ou que l'utilisateur soit nouveau, de sorte que le système de recommandation ne dispose pas de beaucoup d'informations pour poursuivre. Netflix, par exemple, demande aux nouveaux utilisateurs d'évaluer les films qu'ils ont vus. Les mécanismes de commentaires de base, tels qu'un pouce vers le haut ou vers le bas ou une notation par étoiles, peuvent fournir un point de départ.
• Problème de démarrage à froid : les nouveaux utilisateurs et les nouveaux articles présentent un défi similaire. Avec des données insuffisantes sur les préférences de l'utilisateur ou sur un article, le système de recommandation ne peut pas faire des recommandations précises et utiles. Par exemple, imaginez qu'un utilisateur cherche un nouveau réfrigérateur et visite un site qu'il n'a jamais consulté auparavant. Le système de recommandation du site ne dispose d'aucune information, à l'exception de la recherche actuelle.
• Évolutivité : la mise à l'échelle d'une quantité relativement faible de données pour des millions d'utilisateurs et d'articles nécessite une infrastructure technologique soigneusement planifiée pour équilibrer l'utilisation et accélérer le temps nécessaire pour obtenir les résultats.
• Surapprentissage (overfitting) et diversité : ces deux défis sont liés et induisent que les articles les plus populaires sont recommandés trop souvent. Lorsqu'un système de recommandation fait l'objet d'un surapprentissage, les données d'entraînement correspondent trop bien au modèle et les nouvelles informations ne sont pas intégrées facilement. Lorsque les mêmes produits sont recommandés encore et encore, un manque de diversité des suggestions émerge et les utilisateurs peuvent se désintéresser. Utiliser des mesures telles que l'entropie et la nouveauté pour mesurer la diversité des recommandations peut être utile.
• Surdépendance algorithmique : à mesure que les recommandations deviennent plus courantes et font partie de la vie quotidienne, les gens peuvent les utiliser trop souvent pour prendre des décisions et se retrouver avec des bulles de filtre ou des chambres d'écho. Cela est particulièrement problématique pour les personnes plus vulnérables, telles que les mineurs, qui utilisent des plateformes de réseaux sociaux.
• Confidentialité : les systèmes de recommandation doivent avoir accès aux données des utilisateurs, telles que leur navigateur et leurs historiques d'achat, ce qui peut soulever des problèmes de confidentialité. Les entreprises qui implémentent des solutions d'IA doivent être au courant des risques de sécurité des données et de la confidentialité et mettre en place des solutions de sécurité pour protéger les données des utilisateurs et des entreprises. En outre, les entreprises doivent être au courant des pratiques d'IA responsable pour s'assurer que l'IA est utilisée de manière sûre, fiable et éthique.

L'avenir des systèmes de recommandation

L'IA générative, le filtrage des données plus précis, l'augmentation des quantités de données à filtrer, le Machine Learning amélioré et les grands modèles de langage (LLM) pointent tous vers une amélioration régulière de la façon dont les systèmes de recommandation fonctionnent pour les utilisateurs et les entreprises. Pour les entreprises qui n'ont pas encore implémenté des systèmes de recommandation, les outils pour personnaliser et entraîner un modèle de recommandation efficace deviennent plus faciles d'accès.