Pierre Cardona, Data Engineer chez UntieNots
Tous s’accordent à dire que les technologies d’Intelligence Artificielle sont au début d’une croissance exponentielle. Selon Tractica, un acteur qui étudie l’évolution du marché de l’IA, si les revenus annuels mondiaux des logiciels relatifs à l’IA étaient de 3,2Mds$ en 2016 ils passeraient à 89,9Mds$ d’ici 2025 . Certains intervenants vont même plus loin, Yariv Adan, Chef de Produit chez Google, déclare : « Le web a changé le monde il y a 20 ans, puis le mobile l’a fait il y a 10 ans, maintenant c’est au tour de l’IA ». Alors même si le ton semble prophétique, soyons sûr que l’Intelligence Artificielle avec son ensemble d’applications possibles dans le secteur de la distribution (gestion des stocks, management des rayons, passage en caisse, marketing personnalisé) y tiendra une place importante demain.
Intégrer les « sentiments attendus » pour affiner les recommandations
Une des conférences qui nous a le plus marqué est celle donnée par Jian Li, Principal Data Scientist chez Sky TV & Broadband. Son sujet : un moteur de recommandation basé sur les sentiments ressentis pendant la visualisation. L’idée est d’enrichir les données de visualisation (chaînes et contenus regardés et données d’applications tierces) et d’appréciation (demande de notation du contenu) avec une liste pondérée de sentiments associés aux contenus. Cela revient à étendre et personnaliser la notion de genre : si le sentiment « marrant » sera directement associé à des comédies pour une grande majorité du public, c’est beaucoup plus compliqué d’associer la sensation d’ « excitation » à un genre en particulier pour un utilisateur donné (Sci-fy, Thriller, Action).
Le but : rapprocher les inputs du moteur de recommandation de la véritable expérience client. Mais Jian Li et ses équipes ne se sont pas arrêtés là, ils ont développé une application qui permet à l’utilisateur de prendre le contrôle de l’algorithmie et de recevoir des recommandations en fonction de ses humeurs du moment. Ce dernier peut sélectionner et choisir l’importance des sentiments associés au contenu voulu. Il obtient alors en temps réel sa liste personnalisée de suggestions. Le consommateur ne subit plus le résultat mais devient un acteur de la chaine : son expérience est enrichie par l’IA.
Pour nos clients du retail alimentaire, cela permettra d’améliorer encore l’expérience de leurs consommateurs. Aujourd’hui, il existe un certain nombre de solutions de recommandations de recette en fonction des ingrédients (j’ai des poireaux et du chèvre… que puis-je concocter ?) voire en fonction des occasions (un repas de fête pour 6 ?). Demain, avec ce type d’approche, ils pourraient très bien se voir recommander des recettes encore plus pertinentes (je cherche une recette « traditionnelle » parce que je reçois mes grand-parents ou j’aimerai une recette « fun et à partager sans couvert » parce que j’ai invité mes meilleures copines.
Le but : rapprocher les inputs du moteur de recommandation de la véritable expérience client. Mais Jian Li et ses équipes ne se sont pas arrêtés là, ils ont développé une application qui permet à l’utilisateur de prendre le contrôle de l’algorithmie et de recevoir des recommandations en fonction de ses humeurs du moment. Ce dernier peut sélectionner et choisir l’importance des sentiments associés au contenu voulu. Il obtient alors en temps réel sa liste personnalisée de suggestions. Le consommateur ne subit plus le résultat mais devient un acteur de la chaine : son expérience est enrichie par l’IA.
Pour nos clients du retail alimentaire, cela permettra d’améliorer encore l’expérience de leurs consommateurs. Aujourd’hui, il existe un certain nombre de solutions de recommandations de recette en fonction des ingrédients (j’ai des poireaux et du chèvre… que puis-je concocter ?) voire en fonction des occasions (un repas de fête pour 6 ?). Demain, avec ce type d’approche, ils pourraient très bien se voir recommander des recettes encore plus pertinentes (je cherche une recette « traditionnelle » parce que je reçois mes grand-parents ou j’aimerai une recette « fun et à partager sans couvert » parce que j’ai invité mes meilleures copines.
L’Intelligence Artificielle pour regrouper les mots selon des attributs contextuels
Après deux jours de « talks », s’il n’y avait qu’un type d’algorithmes à retenir selon nous, ce serait le « word embedding » (« plongement lexical »). Ces méthodes d’analyse sémantique (NLP= Natural Language Processing) permettent de représenter des mots ou des groupes de mots par des vecteurs dont les coefficients calculés par des réseaux de neurones définissent une « empreinte » contextuelle. Par exemple, si on associe Homme avec Roi, alors l’algorithme va suggérer Reine si on lui propose Femme.
L’intérêt de ce traitement est de pouvoir utiliser ces vecteurs caractéristiques comme input d’autres algorithmes plus classiques. Utilisé pour une classification-produits, il permet ainsi à WalMart d’améliorer l’expérience utilisateur sur leur marketplace ou à ASOS.com de segmenter et de profiler ses produits. Cette approche qui peut être combinée avec des modèles d’analyse d’images ou de graphes donne des résultats très satisfaisant selon les intéressés.
Ces méthodes sont relativement récentes : un des algorithmes les plus connus pour le word embedding est le word2vec développé en 2013 . Même chose concernant la reconnaissance d’image et les modèles à convolution qui, même si inventés dans les années 90 par Yann Le Cun, désormais lead scientifique sur l’IA de Facebook, ont connu un gain de popularité dans la communauté scientifique ces dernières années. Aujourd’hui, ces algorithmes sont même en production chez certains acteurs. Ainsi, l’implémentation de la recherche dans l’industrie se fait de plus en plus rapidement grâce notamment aux framework et librairies open source ainsi que la scalabilité des technologies distribuées. Tout cela nous conforte dans nos projets en cours et notre volonté d’aller toujours plus loin dans l’adaptation et l’implémentation des derniers travaux de recherche.
Chez UntieNots, notre ambition est d’appliquer tous ces éléments au secteur du Retail, en combinant l’exploitation des données transactionnelles (souvent peu utilisé et pourtant premières sources d’information clients) avec la proximité sémantique (identifiée par le word embedding). UntieNots aura alors une compréhension toujours plus fine des relations entre les produits et entre les produits et les consommateurs. Quels produits forment une offre pertinente pour les clients ? Quels produits sont substituables ? Quels sont ceux qui sont complémentaires ? Et surtout quelles offres sont les plus adaptées aux attentes et besoins des clients ? Voire même à leurs sentiments du moment…
(1) https://www.tractica.com/newsroom/press-releases/artificial-intelligence-software-market-to-reach-89-8-billion-in-annual-worldwide-revenue-by-2025
(2) https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf
L’intérêt de ce traitement est de pouvoir utiliser ces vecteurs caractéristiques comme input d’autres algorithmes plus classiques. Utilisé pour une classification-produits, il permet ainsi à WalMart d’améliorer l’expérience utilisateur sur leur marketplace ou à ASOS.com de segmenter et de profiler ses produits. Cette approche qui peut être combinée avec des modèles d’analyse d’images ou de graphes donne des résultats très satisfaisant selon les intéressés.
Ces méthodes sont relativement récentes : un des algorithmes les plus connus pour le word embedding est le word2vec développé en 2013 . Même chose concernant la reconnaissance d’image et les modèles à convolution qui, même si inventés dans les années 90 par Yann Le Cun, désormais lead scientifique sur l’IA de Facebook, ont connu un gain de popularité dans la communauté scientifique ces dernières années. Aujourd’hui, ces algorithmes sont même en production chez certains acteurs. Ainsi, l’implémentation de la recherche dans l’industrie se fait de plus en plus rapidement grâce notamment aux framework et librairies open source ainsi que la scalabilité des technologies distribuées. Tout cela nous conforte dans nos projets en cours et notre volonté d’aller toujours plus loin dans l’adaptation et l’implémentation des derniers travaux de recherche.
Chez UntieNots, notre ambition est d’appliquer tous ces éléments au secteur du Retail, en combinant l’exploitation des données transactionnelles (souvent peu utilisé et pourtant premières sources d’information clients) avec la proximité sémantique (identifiée par le word embedding). UntieNots aura alors une compréhension toujours plus fine des relations entre les produits et entre les produits et les consommateurs. Quels produits forment une offre pertinente pour les clients ? Quels produits sont substituables ? Quels sont ceux qui sont complémentaires ? Et surtout quelles offres sont les plus adaptées aux attentes et besoins des clients ? Voire même à leurs sentiments du moment…
(1) https://www.tractica.com/newsroom/press-releases/artificial-intelligence-software-market-to-reach-89-8-billion-in-annual-worldwide-revenue-by-2025
(2) https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf
A propos de l’auteur
Pierre Cardona est Data Engineer chez UntieNots.
Il est diplômé de la Toulouse School Of Economics (Master’s Degree Economics & Statistics)
Après une première expérience en Marketing Research chez GiFi, il rejoint le groupe Axa en tant que Data Analyst en 2015.
Pierre rejoint ensuite l’équipe R&D de la start-up Skylads à Dublin en tant que Machine Learning Scientist pour développer des outils d’optimisation de campagnes Real-Time Bidding.
Depuis Août 2017, il participe activement à l’industrialisation des algorithmes de personnalisation d’UntieNots.
Il est diplômé de la Toulouse School Of Economics (Master’s Degree Economics & Statistics)
Après une première expérience en Marketing Research chez GiFi, il rejoint le groupe Axa en tant que Data Analyst en 2015.
Pierre rejoint ensuite l’équipe R&D de la start-up Skylads à Dublin en tant que Machine Learning Scientist pour développer des outils d’optimisation de campagnes Real-Time Bidding.
Depuis Août 2017, il participe activement à l’industrialisation des algorithmes de personnalisation d’UntieNots.
