L’intelligence artificielle r\u00e9volutionne le secteur des entreprises, offrant des outils avanc\u00e9s pour analyser les donn\u00e9es et comprendre le comportement des utilisateurs. Gr\u00e2ce aux techniques d’apprentissage automatique (machine learning) et de traitement du langage naturel, les entreprises peuvent extraire des informations pr\u00e9cieuses des interactions num\u00e9riques, personnaliser les exp\u00e9riences client et optimiser les strat\u00e9gies marketing. <\/p> \n \n
Dans cet article, nous explorerons comment l’IA permet l’identification pr\u00e9cise des int\u00e9r\u00eats des utilisateurs \u00e0 partir des donn\u00e9es de navigation, en nous concentrant sur les d\u00e9fis et les solutions techniques associ\u00e9s \u00e0 ce processus.<\/p> \n \n
Afin d’identifier les int\u00e9r\u00eats d’un utilisateur visitant un site web, il suffit de collecter et d’analyser les donn\u00e9es de navigation, c’est-\u00e0-dire les pages visit\u00e9es. Ces donn\u00e9es, \u00e9tant collect\u00e9es directement depuis le site, entrent dans la cat\u00e9gorie des donn\u00e9es de premi\u00e8re partie (first-party data). <\/p> \n \n
Le processus consiste \u00e0 attribuer une \u00e9tiquette indiquant un int\u00e9r\u00eat th\u00e9matique et\/ou produit \u00e0 chaque page du site. Une fois ces \u00e9tiquettes attribu\u00e9es, il suffit d’analyser la mani\u00e8re dont l’utilisateur a navigu\u00e9 \u00e0 travers les diff\u00e9rents int\u00e9r\u00eats. <\/strong><\/p>
\n
\n Imaginons que nous voulions identifier les int\u00e9r\u00eats produits d’un utilisateur naviguant sur le site Amazon. En utilisant un algorithme simple qui prend en compte les pages consult\u00e9es et le temps pass\u00e9 sur celles-ci, nous pouvons d\u00e9duire que l’utilisateur est int\u00e9ress\u00e9 par, disons, les tapis, simplement en fournissant \u00e0 l’algorithme les cat\u00e9gories de produits associ\u00e9es aux diff\u00e9rentes pages. <\/p>
\n
\n Cependant, attribuer un int\u00e9r\u00eat th\u00e9matique aux utilisateurs visitant diff\u00e9rentes pages peut \u00eatre plus complexe. Supposons que le m\u00eame utilisateur ait visit\u00e9 trois pages qui, bas\u00e9es uniquement sur le type de produit, n’ont rien en commun. Ces pages pourraient cependant partager un int\u00e9r\u00eat transversal ou \u00ab personnalis\u00e9 \u00bb, tel qu’un accent sur la durabilit\u00e9 et l’environnement. <\/p>
\n
\n Dans ce cas, nous pourrions attribuer \u00e0 l’utilisateur \u00e0 la fois un int\u00e9r\u00eat produit et un int\u00e9r\u00eat personnalis\u00e9, indiquant qu’il est sensible aux questions environnementales. Par cons\u00e9quent, il serait appropri\u00e9 de lui proposer des produits li\u00e9s \u00e0 cette sph\u00e8re. <\/p>
\n
\n Le processus d’attribution de cet int\u00e9r\u00eat semble simple : nous devons analyser le contenu textuel des pages et attribuer la m\u00eame \u00e9tiquette \u00e0 toutes les pages qui traitent du m\u00eame sujet. Cependant, les principaux d\u00e9fis \u00e9mergent ici, car une analyse s\u00e9mantique sophistiqu\u00e9e et la capacit\u00e9 \u00e0 reconna\u00eetre des th\u00e8mes communs au sein de contenus h\u00e9t\u00e9rog\u00e8nes sont requises. <\/p>
\n
\n Afin de cat\u00e9goriser les pages d’un site selon des int\u00e9r\u00eats th\u00e9matiques, diff\u00e9rentes approches peuvent \u00eatre adopt\u00e9es, et nous en proposons ici trois, en essayant de souligner leurs avantages et leurs inconv\u00e9nients.<\/p>
\n
\n La premi\u00e8re approche, la plus traditionnelle, implique l’utilisation d’un mod\u00e8le de classification classique bas\u00e9 sur l’apprentissage automatique. Dans ce cas, il est n\u00e9cessaire de s\u00e9lectionner un algorithme de classification parmi les nombreux disponibles et de proc\u00e9der \u00e0 la construction d’un dictionnaire pour l’entra\u00eenement de l’algorithme. Cela implique d’avoir une d\u00e9finition claire de toutes les \u00e9tiquettes personnalis\u00e9es avec lesquelles on souhaite classer les pages du site et de fournir un nombre ad\u00e9quat d’exemples, de textes et de descriptions associ\u00e9s \u00e0 chaque \u00e9tiquette.<\/strong><\/p>
\n
\n Ces mod\u00e8les pr\u00e9sentent des avantages significatifs. Premi\u00e8rement, ils sont d\u00e9terministes, ce qui signifie que l’application du m\u00eame algorithme aux m\u00eames donn\u00e9es produira toujours le m\u00eame r\u00e9sultat. De plus, ils sont peu co\u00fbteux et peuvent \u00eatre impl\u00e9ment\u00e9s en interne sans avoir recours \u00e0 des fournisseurs. <\/p>
\n
\n Cependant, il existe \u00e9galement des limites. L’entra\u00eenement du mod\u00e8le n\u00e9cessite la cr\u00e9ation d’un dictionnaire souvent tr\u00e8s \u00e9tendu ; il ne suffit pas de fournir un ou deux exemples par \u00e9tiquette, mais beaucoup plus sont n\u00e9cessaires. Cela signifie qu’un effort consid\u00e9rable est requis pour cr\u00e9er un dictionnaire adapt\u00e9 \u00e0 l’entra\u00eenement du mod\u00e8le. De plus, ces mod\u00e8les fonctionnent efficacement lorsque le nombre de clusters est limit\u00e9. Sur un site comme Amazon, o\u00f9 des centaines de clusters peuvent \u00eatre identifi\u00e9s, l’approche devient moins r\u00e9alisable. Chaque fois qu’un nouveau cluster, une nouvelle \u00e9tiquette ou un nouvel int\u00e9r\u00eat est ajout\u00e9, il est n\u00e9cessaire de mettre \u00e0 jour le dictionnaire et de r\u00e9entra\u00eener le mod\u00e8le, rendant cette m\u00e9thode insoutenable. <\/p>
\n
\n La deuxi\u00e8me approche implique l’utilisation de mod\u00e8les d’intelligence artificielle g\u00e9n\u00e9rative, qui peuvent \u00eatre impl\u00e9ment\u00e9s de deux mani\u00e8res : avec et sans limitations.<\/p>
\n
\n En utilisant l’IA g\u00e9n\u00e9rative \u00ab avec limitations \u00bb, vous fournissez \u00e0 l’outil la liste compl\u00e8te des clusters souhait\u00e9s et quelques exemples pour chacun, significativement moins que les 30 \u00e0 40 exemples n\u00e9cessaires dans les mod\u00e8les d’apprentissage automatique traditionnels. Ces mod\u00e8les pr\u00e9-entra\u00een\u00e9s excellent dans la gestion d’un grand nombre de clusters et n\u00e9cessitent peu de maintenance, car des plateformes telles qu’OpenAI g\u00e8rent une grande partie du processus.<\/strong> Pour ajouter un nouveau cluster, il suffit de modifier le prompt initial, d’inclure le nouveau cluster et d’ajouter quelques exemples.<\/p>
\n
\n Cependant, cette m\u00e9thode pr\u00e9sente deux probl\u00e8mes fondamentaux :<\/p>
\n\r\n Dans ce cas, au lieu de fournir tous les clusters, seuls quelques exemples sont transmis \u00e0 l’IA g\u00e9n\u00e9rative, demandant au mod\u00e8le d’effectuer la classification sur cette base et d’inventer d’autres clusters utiles \u00e0 la classification.<\/strong> La premi\u00e8re ex\u00e9cution peut tr\u00e8s bien fonctionner : l’outil lit, classe et identifie des clusters significatifs. Avec un prompt bien formul\u00e9, les r\u00e9sultats obtenus peuvent \u00eatre tr\u00e8s satisfaisants. De plus, l’IA peut identifier de mani\u00e8re autonome de nouveaux clusters \u00e9mergents.<\/strong> Cette m\u00e9thode est efficace avec de nombreux clusters et n\u00e9cessite tr\u00e8s peu d’exemples. Malgr\u00e9 les avantages, il existe quelques points critiques : <\/p>
\n\r\n Dans un sc\u00e9nario id\u00e9al, nous aurions un mod\u00e8le d\u00e9terministe auquel nous pourrions fournir un dictionnaire relativement limit\u00e9, \u00e9vitant ainsi de passer trop de temps \u00e0 sa construction. Le mod\u00e8le devrait fonctionner efficacement avec de nombreux clusters, n\u00e9cessiter peu de maintenance et \u00eatre peu co\u00fbteux. <\/p>
\n
\n Pour y parvenir, nous avons adopt\u00e9 \u2013 et int\u00e9gr\u00e9 \u00e0 notre plateforme de pr\u00e9diction Bytek<\/strong> \u2013 une approche bas\u00e9e sur les embeddings. Cette technique est largement utilis\u00e9e dans le traitement du langage naturel et d’autres applications d’intelligence artificielle pour am\u00e9liorer la compr\u00e9hension de texte, la recherche s\u00e9mantique, la classification et la g\u00e9n\u00e9ration de contenu. Les embeddings transforment le texte en vecteurs num\u00e9riques de haute dimension tout en pr\u00e9servant la signification s\u00e9mantique du contenu.<\/strong> Cette transformation est cruciale car elle permet de comparer les textes sur la base de leur contenu s\u00e9mantique.<\/p>
\n
\n Une fois chaque texte repr\u00e9sent\u00e9 comme un vecteur num\u00e9rique, il est possible de calculer la distance entre deux textes, de mani\u00e8re analogue au calcul de la distance entre deux points dans un espace num\u00e9rique. M\u00eame en utilisant la simple distance euclidienne, des r\u00e9sultats significatifs peuvent \u00eatre obtenus. Par exemple, la distance entre les mots \u00ab tapis \u00bb et \u00ab kilim \u00bb (un type de tapis) est beaucoup plus petite que celle entre \u00ab tapis \u00bb et \u00ab verre \u00bb, car les embeddings capturent les relations s\u00e9mantiques entre les mots. <\/p>
\n
\n Cette m\u00e9thode r\u00e9sout efficacement les probl\u00e8mes pr\u00e9c\u00e9dents :<\/p>
\n\r\n Une fois les \u00e9tiquettes attribu\u00e9es \u00e0 toutes les pages, l’\u00e9tape suivante consiste \u00e0 attribuer des produits et\/ou des int\u00e9r\u00eats \u00e0 chaque utilisateur. Pour ce faire, nous avons d\u00e9velopp\u00e9 un algorithme propri\u00e9taire qui prend en compte \u00e0 la fois le comportement individuel de l’utilisateur et le comportement collectif des autres utilisateurs.<\/strong> Par exemple, un utilisateur r\u00e9ellement int\u00e9ress\u00e9 par l’\u00e9co-durabilit\u00e9 a tendance \u00e0 visiter de nombreuses pages connexes, passe du temps \u00e0 lire les descriptions de produits en d\u00e9tail et interagit en profondeur avec le contenu. Par cons\u00e9quent, un acc\u00e8s occasionnel \u00e0 une page sur la durabilit\u00e9 n’est pas suffisant pour conclure que l’utilisateur est int\u00e9ress\u00e9 par ce sujet. <\/p>
\n
\n Il est essentiel d’analyser :<\/p>
\n\r\n Ce n’est que par cette analyse approfondie que les int\u00e9r\u00eats r\u00e9els de l’utilisateur peuvent \u00eatre d\u00e9termin\u00e9s avec un degr\u00e9 de confiance \u00e9lev\u00e9. Cette approche int\u00e9gr\u00e9e permet une classification plus pr\u00e9cise et fiable des int\u00e9r\u00eats, am\u00e9liorant la personnalisation et l’efficacit\u00e9 des strat\u00e9gies de marketing et d’interaction avec les utilisateurs. <\/p>
\n","protected":false},"excerpt":{"rendered":"
L’intelligence artificielle r\u00e9volutionne le secteur des entreprises, offrant des outils avanc\u00e9s pour analyser les donn\u00e9es et comprendre le comportement des utilisateurs. Gr\u00e2ce aux techniques d’apprentissage automatique (machine learning) et de traitement du langage naturel, les entreprises peuvent extraire des informations pr\u00e9cieuses des interactions num\u00e9riques, personnaliser les exp\u00e9riences client et optimiser les strat\u00e9gies marketing.
[…]<\/p>\n","protected":false},"author":1,"featured_media":2262,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[37],"tags":[],"class_list":["post-2261","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ia"],"yoast_head":"\nApproches et algorithmes pour l’analyse des int\u00e9r\u00eats<\/h2>
\n
\n
Apprentissage automatique<\/h3>
\n
\n
IA g\u00e9n\u00e9rative<\/h3>
\n
\n
IA g\u00e9n\u00e9rative avec limitations<\/h4>
\n
\n
\n
IA g\u00e9n\u00e9rative sans restrictions<\/h4>
\n
\n
\n
Notre solution avec les embeddings<\/h3>
\n
\n
Avantages de l’approche par embeddings<\/h4>
\n
\n
\n
Attribution des int\u00e9r\u00eats aux utilisateurs<\/h4>
\n
\n
\n