L'IA dans les systèmes de recommandation
Les systèmes de recommandation sont l'IA qui choisit tranquillement ce que vous regardez, achetez et faites défiler ensuite.
Aperçu
They drive a huge share of engagement and revenue at companies like Netflix, Amazon, YouTube, and Spotify.
Plongée profonde
Le travail d'un recommandateur consiste à prédire ce qu'un utilisateur attendra d'un vaste catalogue. Les deux approches classiques sont le filtrage collaboratif, qui recherche des modèles parmi les utilisateurs (« des personnes comme vous ont également aimé cela ») et le filtrage basé sur le contenu, qui fait correspondre les caractéristiques des éléments à vos préférences passées. Les systèmes modernes combinent ces éléments et ajoutent un apprentissage profond : les réseaux de neurones apprennent des intégrations denses pour les utilisateurs et les éléments afin que des goûts similaires se rapprochent les uns des autres dans l'espace vectoriel. Netflix a popularisé ce domaine avec son prix d'un million de dollars, et aujourd'hui, ces systèmes alimentent le flux de YouTube, les suggestions de produits d'Amazon, Discover Weekly de Spotify et la page For You de TikTok. Ils sont également une source de préoccupation, car une optimisation uniquement pour l’engagement peut créer des bulles de filtre et amplifier un contenu addictif ou polarisant.
Aperçu technique
La factorisation matricielle a été une avancée majeure : elle représente la matrice clairsemée d'évaluation des éléments utilisateur comme le produit de deux matrices plus petites de facteurs latents, de sorte que chaque utilisateur et élément devient un vecteur court. Le produit scalaire d’un utilisateur et d’un vecteur d’élément prédit la note. Les modèles profonds étendent cela avec un filtrage neuronal collaboratif et des architectures à deux tours qui récupèrent rapidement les candidats, puis un modèle de classement les note. Le démarrage à froid, la recommandation à des utilisateurs ou à des éléments flambant neufs, reste un défi tenace.
Impact stratégique
Choix de construction
La conception au niveau de l’application détermine si l’IA améliore les résultats réels.
Équipe et flux de travail
Une bonne intégration des flux de travail crée des gains de productivité sur lesquels les utilisateurs peuvent compter.
Risques et sécurité
Des cas d’utilisation bien ciblés réduisent la lassitude face au changement et les risques de mise en œuvre.
L'avenir de l'IA dans les systèmes de recommandation
Les recommandateurs deviennent de plus en plus contextuels et conversationnels. Les grands modèles linguistiques vous permettent de demander des suggestions en langage naturel et d'expliquer pourquoi quelque chose a été choisi, tandis que les modèles multimodaux raisonnent ensemble sur du texte, des images, de l'audio et de la vidéo. Attendez-vous à davantage d’accent mis sur la satisfaction à long terme par rapport aux clics bruts, ainsi qu’à une réglementation favorisant la transparence et le contrôle des utilisateurs sur l’algorithme. Les techniques de préservation de la confidentialité, telles que les recommandations sur appareil et fédérées, se développent également.
Mise en œuvre dans le monde réel
Netflix suggère des émissions et personnalise même des illustrations miniatures en fonction de votre historique de visionnage
Discover Weekly de Spotify crée une liste de lecture personnalisée à partir d'un filtrage collaboratif entre auditeurs ayant des goûts similaires
Les « clients qui ont acheté ceci ont également acheté » d'Amazon et les recommandations de produits sur la page d'accueil génèrent une part importante des ventes.
La page Pour vous de TikTok apprend rapidement les préférences en fonction de la durée de visionnage, des rediffusions et des sauts pour classer les courtes vidéos
Risques et garde-fous
L'automatisation d'un processus interrompu peut amplifier les problèmes existants.
Les équipes peuvent sur-automatiser et supprimer le jugement humain nécessaire.
La qualité peut dériver si les résultats ne sont pas évalués en permanence.
Feuille de route de mise en œuvre
Cartographiez le flux de travail actuel et identifiez l’étape la plus problématique.
Définissez des points de contrôle humains avant une automatisation complète.
Formez les utilisateurs aux invites, aux voies d’escalade et aux normes de qualité.
Suivez les résultats au niveau des tâches pour confirmer la valeur durable.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Recommendation Systems quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Systèmes de recommandation d'IA
Questions fréquemment posées
What is AI in Recommendation Systems?
Les systèmes de recommandation sont l'IA qui choisit tranquillement ce que vous regardez, achetez et faites défiler ensuite. Ils génèrent une part énorme de l’engagement et des revenus d’entreprises comme Netflix, Amazon, YouTube et Spotify.
Sur quoi repose le filtrage collaboratif ?
Le filtrage collaboratif trouve les utilisateurs ayant des goûts similaires et recommande ce qu'ils ont aimé, l'idée « les gens comme vous ont également aimé ».
Qu'utilise le filtrage basé sur le contenu pour formuler des recommandations ?
Le filtrage basé sur le contenu associe les attributs des éléments aux caractéristiques des éléments que vous avez déjà aimés.
Quel problème la factorisation matricielle résout-elle chez les recommandateurs ?
La factorisation matricielle décompose la matrice de notation en petits vecteurs d'utilisateurs et d'éléments dont le produit scalaire prédit les notes.
Quel est le problème du « démarrage à froid » ?
Le démarrage à froid est le défi consistant à formuler de bonnes recommandations lorsqu'il existe peu ou pas de données sur un nouvel utilisateur ou un nouvel élément.
Quel concours a contribué à populariser la recherche de recommandations ?
Le prix Netflix d'un million de dollars a mis les équipes au défi d'améliorer leurs prévisions d'audience et a stimulé des avancées majeures dans le domaine.