Les nouvelles plateformes de recommandations
.08 Mar

Les nouvelles plateformes de recommandations

Pendant longtemps, seuls les très grands acteurs du marché pouvaient s’offrir des équipes de Data Scientists capables de développer des services de recommandations spécialisés pour leurs sites.

Depuis vingt ans, les GAFA ont beaucoup investi dans les algorithmes de recommandation. L’enjeu était tel qu’ils ont embauché les meilleurs Data Scientists pour leurs projets internes.

En 2015, Google annonce que leur plateforme de Machine Learning Tensorflow bascule en mode Open Source. Google explique que cette initiative est à destination de la communauté, des chercheurs, des ingénieurs et des amateurs pour élaborer de nouvelles applications. Cette libération permettra aussi à Google d’accélérer les recherches sur l’apprentissage automatique.

En 2016, Amazon met à disposition de la communauté Open Source son logiciel de deep learning DSSTNE (prononcez « destiny »). DSSTNE a été conçu à l’origine par les ingénieurs d’Amazon pour résoudre des problématiques d’apprentissage automatique utiles au commerce en ligne. L’outil permet à l’entreprise américaine d’aider « plusieurs centaines de millions de clients à trouver le bon produit à partir d’un immense catalogue ». Et proposer les bonnes recommandations nécessite des réseaux de neurones.

En 2019, Amazon annonce la disponibilité de Personalize, un service de recommandation entièrement géré dans le cloud Amazon Web Services. Il permet aux développeurs sans expérience en machine learning de créer facilement des fonctionnalités de personnalisation sophistiquées dans leurs applications grâce à des technologies de machine learning perfectionnées par des années de fonctionnement sur Amazon.com.

Ces plateformes utilisent des algorithmes hybrides de filtrage collaboratif et par contenu.

Le filtrage collaboratif enregistre les préférences de chaque utilisateur pour chaque produit ou annonce. Il détecte les utilisateurs qui ont des comportements similaires pour dénicher les produits qu’il est susceptible d’apprécier. L’évolution des comportements des voisins similaires fait évoluer les recommandations. C’est ce qu’on appelle « la sagesse de la foule ».

Le filtrage par contenu prend en compte les caractéristiques des produits. Il permet de comprendre les caractéristiques des produits qui plaisent particulièrement à l’utilisateur et améliore la pertinence des recommandations pour les nouveaux produits.

Ces plateformes de recommandations hybrides sont donc très universelles et elles s’adaptent particulièrement bien au marché des portails d’annonces.

Comments are closed.