{"id":43686,"date":"2024-05-15T17:19:44","date_gmt":"2024-05-15T17:19:44","guid":{"rendered":"https:\/\/www.bloomreach.com\/library\/bloomreach-approach-to-ai-et-hyper-personnalisation"},"modified":"2024-09-23T17:35:06","modified_gmt":"2024-09-23T17:35:06","slug":"lapproche-de-bloomreach-en-matiere-dia-et-dhyperpersonnalisation","status":"publish","type":"library","link":"https:\/\/www.bloomreach.com\/fr\/blog\/lapproche-de-bloomreach-en-matiere-dia-et-dhyperpersonnalisation","title":{"rendered":"L’approche de Bloomreach en mati\u00e8re d’IA et d’hyperpersonnalisation"},"content":{"rendered":"

Dans le domaine du commerce \u00e9lectronique, la personnalisation n’est pas seulement une tendance, mais une pierre angulaire des strat\u00e9gies num\u00e9riques modernes. Les consommateurs d\u00e9pla\u00e7ant de plus en plus leurs activit\u00e9s en ligne, leurs attentes en mati\u00e8re d’exp\u00e9rience d’achat sur mesure, r\u00e9pondant \u00e0 leurs pr\u00e9f\u00e9rences individuelles, se sont intensifi\u00e9es.<\/p>\n

<\/p>\n

Toutefois, la personnalisation \u00e0 grande \u00e9chelle constitue un d\u00e9fi de taille pour de nombreuses marques de commerce \u00e9lectronique. Une personnalisation efficace implique une analyse complexe des donn\u00e9es, la cr\u00e9ation de nombreuses variations de contenu et des tests continus pour discerner ce qui r\u00e9sonne vraiment avec les consommateurs. La complexit\u00e9 r\u00e9side dans l’analyse des donn\u00e9es et dans la capacit\u00e9 limit\u00e9e \u00e0 g\u00e9n\u00e9rer et \u00e0 g\u00e9rer efficacement les diff\u00e9rentes variations de contenu.<\/p>\n

Les progr\u00e8s r\u00e9cents en mati\u00e8re de 
\n l’IA g\u00e9n\u00e9rative<\/u>
\n<\/a> et 
\n les grands mod\u00e8les de langage<\/u>
\n<\/a> (LLM) transforment ce paysage en offrant des possibilit\u00e9s illimit\u00e9es de personnaliser l’ensemble du parcours d’achat au niveau individuel. Cependant, il est essentiel de reconna\u00eetre que toutes les solutions d’IA ne sont pas cr\u00e9\u00e9es de mani\u00e8re \u00e9gale. Dans cette discussion, je me pencherai sur les limites des mod\u00e8les g\u00e9n\u00e9riques d’IA et je d\u00e9crirai l’approche strat\u00e9gique de Bloomreach pour affiner la personnalisation gr\u00e2ce \u00e0 l’IA.<\/p>\n

Les limites des mod\u00e8les g\u00e9n\u00e9riques d’IA<\/h2>\n

Les outils g\u00e9n\u00e9riques d’IA – tels que ChatGPT – sont construits sur des mod\u00e8les de base \u00e9tendus, form\u00e9s \u00e0 partir de diverses donn\u00e9es Internet et affin\u00e9s en fonction des pr\u00e9f\u00e9rences humaines g\u00e9n\u00e9rales gr\u00e2ce \u00e0 des techniques telles que l’apprentissage renforc\u00e9 avec retour d’information humain (RLHF). Ces outils fonctionnent g\u00e9n\u00e9ralement en g\u00e9n\u00e9rant des r\u00e9ponses bas\u00e9es sur des invites directes de l’utilisateur.<\/p>\n

Bien qu’impressionnants dans les applications g\u00e9n\u00e9rales, ces mod\u00e8les g\u00e9n\u00e9riques ne parviennent souvent pas \u00e0 fournir la v\u00e9ritable personnalisation n\u00e9cessaire dans les sc\u00e9narios sp\u00e9cifiques du commerce \u00e9lectronique. Par exemple, consid\u00e9rez les besoins diff\u00e9rents d’un \u00ab\u00a0chercheur\u00a0\u00bb qui sait exactement ce qu’il veut et d’un \u00ab\u00a0demandeur\u00a0\u00bb qui n’a qu’une vague id\u00e9e. Un demandeur peut savoir qu’il doit trouver une robe pour un mariage \u00e0 Hawa\u00ef, mais ne pas avoir de d\u00e9tails pr\u00e9cis \u00e0 l’esprit. Un mod\u00e8le fondamental pourrait fournir des conseils g\u00e9n\u00e9riques ou sugg\u00e9rer une gamme de robes populaires, mais il n’offre pas l’assistance nuanc\u00e9e fournie par un assistant d’achat qualifi\u00e9 (voir l’annexe A pour un exemple de sortie de GPT-4 Turbo SOTA).<\/p>\n

\"Femme<\/p>\n

La double approche de Bloomreach face aux d\u00e9fis du commerce \u00e9lectronique<\/h2>\n

Chez Bloomreach, nous sommes conscients des limites des mod\u00e8les d’IA pr\u00eats \u00e0 l’emploi pour les applications sp\u00e9cialis\u00e9es du commerce \u00e9lectronique. Au lieu de cr\u00e9er nos mod\u00e8les \u00e0 partir de z\u00e9ro, ce qui demande beaucoup de ressources, nous utilisons strat\u00e9giquement les mod\u00e8les de base existants. Nous am\u00e9liorons ces mod\u00e8les en les affinant \u00e0 l’aide de nos donn\u00e9es commerciales agr\u00e9g\u00e9es et en recourant \u00e0 l’ing\u00e9nierie d’invite sp\u00e9cifique au commerce. En outre, nous int\u00e9grons ces mod\u00e8les \u00e0 nos API de donn\u00e9es en temps r\u00e9el pendant l’inf\u00e9rence du mod\u00e8le afin d’incorporer les pr\u00e9f\u00e9rences individuelles des utilisateurs.<\/p>\n

L’hyperpersonnalisation pour le commerce<\/h3>\n

Plut\u00f4t que de s’appuyer uniquement sur des mod\u00e8les g\u00e9n\u00e9riques de base, nous tirons parti de ces mod\u00e8les et les affinons \u00e0 l’aide de nombreuses donn\u00e9es commerciales recueillies gr\u00e2ce \u00e0 notre exp\u00e9rience dans le secteur. Cette approche nous permet de d\u00e9velopper des mod\u00e8les commerciaux exclusifs et align\u00e9s sur l’industrie gr\u00e2ce \u00e0 un r\u00e9glage fin supervis\u00e9 et \u00e0 des ensembles de donn\u00e9es conserv\u00e9s au-dessus des mod\u00e8les de base.<\/p>\n

Cette m\u00e9thode nous permet d’\u00e9voluer rapidement et de servir efficacement un large \u00e9ventail d’entreprises aux besoins vari\u00e9s, pour une fraction du co\u00fbt de d\u00e9veloppement de mod\u00e8les d’IA g\u00e9n\u00e9ratifs sur mesure. Nous compl\u00e9tons ces mod\u00e8les affin\u00e9s par notre architecture d’IA avanc\u00e9e, qui comprend des techniques telles que la g\u00e9n\u00e9ration augment\u00e9e de recherche (RAG). Cette architecture combine des donn\u00e9es sp\u00e9cifiques \u00e0 l’industrie et \u00e0 la client\u00e8le, ce qui am\u00e9liore la pr\u00e9cision et la personnalisation des r\u00e9ponses.<\/p>\n

\"Utiliser<\/p>\n

Pr\u00e9sentation de Bloomreach Clarity<\/h3>\n

Un excellent exemple de notre application d’IA avanc\u00e9e est 
\n Bloomreach Clarity<\/u>
\n<\/a>notre assistant d’achat conversationnel. Clarity utilise une architecture bas\u00e9e sur un agent qui g\u00e9n\u00e8re dynamiquement des flux de travail bas\u00e9s sur l’intention du consommateur, en utilisant le raisonnement au niveau du syst\u00e8me \u00e0 partir des LLM. Les mod\u00e8les sous-jacents, bas\u00e9s sur Vertex AI de Google mais affin\u00e9s avec nos propres ensembles de donn\u00e9es, sont compl\u00e9t\u00e9s par l’architecture RAG afin d’int\u00e9grer des donn\u00e9es clients en temps r\u00e9el et un catalogue de produits pr\u00e9cis et pertinent. Cette int\u00e9gration se traduit par des exp\u00e9riences d’achat profond\u00e9ment personnalis\u00e9es et coh\u00e9rentes sur tous les canaux.<\/p>\n

Nous avons con\u00e7u ces innovations en pensant aux professionnels du commerce \u00e9lectronique. Nos syst\u00e8mes comprennent des contr\u00f4les d’application int\u00e9gr\u00e9s pour la visibilit\u00e9 de notre architecture d’IA, tels que des diagnostics de classement de recherche et des param\u00e8tres personnalisables pour le ton de la voix, les signaux de classement de tiers et les ajustements de pertinence de pr\u00e9cision pour s’aligner sur les pr\u00e9f\u00e9rences de la marque.<\/p>\n