IA générative dans l’e-commerce : tout a commencé par un prompt

Usages de l’IA générative

L’IA générative s’applique à de nombreux cas d’usage. Nous avons exploré certains usages créatifs de l’IA générative et des projets à réaliser avec des modèles génératifs dans des articles séparés. Voici toutefois quelques cas d’usage marquants que nous observons actuellement :

Images

Des outils d’IA générative, comme le Nano Banana 2 de Google, peuvent créer de nouvelles images à partir d’existants, par exemple un nouveau portrait à partir d’un visage ou un nouveau paysage à partir d’une scène.

La Joconde dans les styles de Picasso, Van Gogh et Monet

Texte

Vous pouvez utiliser des outils comme ChatGPT et Google Bard pour rédiger des articles, des billets de blog, de la poésie, voire des scénarios.

Audio

L’IA peut générer de la musique, des effets sonores et même des voix off. Vous pouvez créer des contenus audio sur mesure pour de multiples usages, des musiques d’ambiance pour des vidéos à des identités sonores uniques pour votre marque.

Interfaces en langage naturel

Elle permet de concevoir des outils de communication interactifs et intuitifs, améliorant les interactions numériques sur différents supports.

Synthèse d’images

L’IA générative peut produire des modèles virtuels détaillés, facilitant la visualisation dans des secteurs variés comme le retail, l’immobilier, etc.

Synthèse d’espaces

Cette technologie aide à concevoir des environnements virtuels, utiles pour la réalité virtuelle, le jeu vidéo et le commerce en ligne.

Conception produit et synthèse d’objets

Des designs inédits peuvent être générés à partir de données existantes, ouvrant des perspectives en mode, décoration ou automobile.

Pharmaceutique

L’IA générative peut aider à créer des modèles virtuels et à prédire des résultats potentiels de recherche, accélérant la découverte de médicaments et la personnalisation des traitements.

Marketing personnalisé

Elle permet de produire des publicités ou des contenus marketing sur mesure, renforçant l’efficacité des campagnes sur tous les canaux.

IA au travail

Pour moi, l’IA a un impact très positif sur ma façon de travailler. En tant que responsable de l’Enablement chez Specsavers, j’utilise régulièrement l’IA pour dépanner, accompagner d’autres utilisateurs et générer des contenus pédagogiques.

Bien sûr, je faisais déjà tout cela avant l’arrivée de nos amis IA, mais ma vitesse d’exécution a nettement augmenté, ce qui me permet de soutenir davantage de projets/utilisateurs, et c’est devenu un outil que je recommande à tous.

Dans l’e-commerce, l’IA générative prend une importance croissante à mesure que les entreprises cherchent à personnaliser l’expérience client et à optimiser leurs opérations.

Les bases de l’IA générative

Tout part d’un prompt ! L’IA générative commence par un prompt qui peut prendre la forme de texte, d’image, de vidéo, de design, de notes musicales ou de tout autre input que le système peut traiter. Ce prompt peut être saisi manuellement par l’utilisateur (par exemple, utiliser GPT-3 pour générer du texte à partir d’une saisie) ou automatisé (par exemple, StyleGAN est un réseau antagoniste génératif, ou GAN, capable de générer des images de haute qualité à partir d’un jeu d’images).

Plusieurs types de modèles génératifs sont couramment utilisés en apprentissage automatique, notamment les Generative Adversarial Networks (GAN), les Variational Autoencoders (VAE) et les modèles de type Transformer. Voici un aperçu de chacun :

Generative Adversarial Networks (GAN)

Les GAN sont un type de réseau de neurones composé de deux parties : un générateur et un discriminateur. Le générateur crée de nouvelles données, tandis que le discriminateur décide si ces données sont réelles ou synthétiques. Les deux parties sont entraînées conjointement lors d’un apprentissage dit « adversarial », où le générateur tente de produire des exemples indiscernables des données réelles.

Vue d’ensemble de l’architecture d’un GAN - source

Variational Autoencoders (VAE)

Les VAE sont un autre type de réseau de neurones utilisé pour la modélisation générative. Ils encodent les données d’entrée dans un espace de plus faible dimension, puis les décodent vers l’espace d’origine. L’encodeur et le décodeur sont entraînés ensemble afin de minimiser l’écart entre les données initiales et leur reconstruction.

Modèles basés sur des Transformers

Les modèles de type Transformer sont largement employés pour le traitement du langage naturel. Ils traitent des séquences d’entrée et génèrent des séquences de sortie. Ils sont particulièrement efficaces pour produire du texte, comme des descriptions de produit ou des avis clients.

Entraîner les modèles

Tous ces modèles apprennent à partir des données pour générer de nouveaux exemples. Durant l’entraînement, ils ingèrent un large jeu d’exemples et apprennent à détecter des motifs et relations au sein des données. Une fois entraîné, le modèle peut générer de nouvelles instances en échantillonnant la distribution apprise.

Par exemple, un GAN peut être entraîné sur un jeu d’images et apprendre à générer de nouvelles images proches de celles du jeu.

Un VAE peut être entraîné sur un jeu de visages et apprendre à générer de nouveaux visages similaires à ceux du jeu.

Et un modèle de type Transformer peut être entraîné sur un jeu de descriptions produit et apprendre à produire de nouvelles descriptions au style et au contenu proches de l’existant.

Globalement, ces modèles génératifs sont de puissants outils de création de contenus et de données, largement adoptés dans de nombreuses applications.

IA générative dans l’e-commerce

L’IA générative offre de multiples applications en e-commerce. Les entreprises l’utilisent pour personnaliser l’expérience client, améliorer leurs opérations et accroître leurs ventes. Voici quelques domaines d’usage :

Recommandations de produits

L’un des cas d’usage les plus répandus est la recommandation de produits. Les entreprises peuvent analyser les données clients et générer des recommandations personnalisées pour chacun. Par exemple, Amazon exploite l’IA générative pour proposer des recommandations en fonction de l’historique de navigation et d’achat.

Personnalisation

L’IA générative permet aussi de personnaliser l’expérience client d’autres façons, en générant des contenus sur mesure ou en adaptant l’interface utilisateur. Une entreprise peut, par exemple, produire des descriptions produits personnalisées ou ajuster la mise en page de son site en fonction des préférences de chaque client.

Engagement client

On peut également améliorer l’engagement grâce à des assistants virtuels et des chatbots capables de fournir un accompagnement et des recommandations personnalisés. Par exemple, une entreprise peut créer un chatbot qui répond aux questions fréquentes liées à l’activité, comme des demandes d’accès à un système ou de congés.

Génération de contenus

L’IA peut produire une grande variété de contenus pour l’e-commerce, notamment des descriptions de produits, des avis et des publicités. Consultez l’article DataCamp sur l’usage de ChatGPT pour les ventes afin d’en savoir plus sur la génération de contenus.

Études de cas : IA générative dans l’e-commerce

Plusieurs acteurs de l’e-commerce ont déjà déployé l’IA générative avec succès pour améliorer leurs opérations.

Quelques exemples rapides :

• Amazon utilise l’IA générative pour personnaliser les contenus destinés à ses clients.
• Shopify a récemment lancé Shopify Magic pour aider les vendeurs à gagner du temps, vendre davantage et exposer leurs produits à un public plus large.
• eBay utilise l’IA générative pour alimenter son Smart Store, aidant les vendeurs à offrir une expérience d’achat personnalisée.
• Etsy exploite l’IA générative pour ouvrir la voie du commerce B2B sur les marchés émergents.

Regardons-en deux de plus près :

Amazon

Première de la liste, sans surprise, Amazon s’investit fortement dans l’IA générative. Amazon génère des recommandations produits personnalisées pour les visiteurs de son site. En parallèle, plutôt que de lancer des chatbots comme Microsoft (ChatGPT) ou Google (Bard), le groupe mise sur sa position dominante dans le cloud via AWS (Amazon Web Services) pour proposer deux nouveaux modèles de langage sur sa plateforme, Bedrock.

Bedrock permettra aux clients d’utiliser les modèles d’apprentissage automatique d’Amazon sans que leurs données ne soient réinjectées dans le corpus d’entraînement. Cela répond à une préoccupation majeure des organisations qui souhaitent développer leurs propres produits d’IA générative.

Alibaba Group

Alibaba Group a récemment dévoilé son modèle d’IA générative Tongyi Qianwen (« la vérité à partir de mille questions »), qui sera prochainement intégré à l’ensemble des applications du groupe.

Ce modèle peut résumer des comptes rendus de réunion, rédiger des e-mails et esquisser des propositions commerciales. Il sera également intégré à Tmall Genie, l’assistant vocal d’Alibaba.

Selon le CEO Daniel Zhang, cette technologie « va profondément transformer notre façon de produire, de travailler et de vivre ». L’ambition est d’ouvrir le modèle aux clients afin qu’ils bâtissent leurs propres grands modèles de langage personnalisés, et les inscriptions ont déjà commencé.

Limites et considérations éthiques

La première question que se posent nombre de responsables data à propos de l’IA générative au travail est : « que font exactement ces outils avec toutes ces données ? » Ce qui amène une autre question : « pouvons-nous poser n’importe quelle question à l’IA ? » Et, pour l’instant, la réponse est clairement non.

On a déjà observé plusieurs fuites de données liées à l’usage de l’IA en entreprise (voir l’interdiction de ChatGPT chez Samsung après une fuite de code sensible), et de nombreuses sociétés instaurent des règles internes encadrant l’usage de l’IA au travail, certaines allant jusqu’à l’interdire.

Limites et défis de l’IA générative

• Qualité et volume de données. Pour apprendre et produire des contenus réalistes et pertinents, les modèles génératifs ont besoin de grandes quantités de données de qualité. Or trouver, collecter, nettoyer et annoter ces données prend du temps, coûte cher et peut introduire des erreurs ou des biais. Les entreprises ne disposent pas toujours des compétences pour le faire à l’échelle.
• Évaluation et boucles de retour. Évaluer et améliorer ces modèles est complexe, car il n’existe pas de mesure unique et objective de la qualité, de l’exactitude, de l’originalité ou de l’utilité des contenus générés. Les retours humains sont indispensables mais peuvent être subjectifs, incohérents ou rares. Sans ressources dédiées, c’est difficile.
• Scalabilité et fiabilité. Les ressources de calcul nécessaires à l’entraînement et à l’inférence peuvent limiter l’évolutivité et la fiabilité. De plus, les modèles peuvent produire des sorties inattendues ou indésirables susceptibles de nuire à la réputation ou à la confiance des clients.

Questions éthiques autour de l’IA générative

• Confidentialité et sécurité. Des données sensibles ou personnelles de l’entreprise ou de ses clients (préférences, comportements, identités, informations financières) peuvent potentiellement être exposées, utilisées ou divulguées par des modèles génératifs, soulevant des risques de confidentialité et de sécurité.
• Équité et responsabilité. Les biais présents dans les données d’entraînement ou induits par les interactions humaines peuvent être reflétés ou amplifiés, entraînant des décisions ou résultats discriminatoires. Des mécanismes doivent garantir l’équité et la responsabilité des modèles et de leurs sorties.
• Transparence et confiance. Les modèles peuvent générer des contenus difficiles à distinguer de contenus humains, créant confusion ou tromperie. Il faut des moyens de divulguer ou de vérifier la source et la nature des contenus génératifs, ainsi que d’en assurer la qualité et la pertinence.

Perspectives

L’IA générative offre des applications dans de nombreux domaines, mais l’e-commerce figure parmi les plus prometteurs, avec de belles perspectives à court et moyen terme.

Réalité augmentée et réalité virtuelle

L’IA peut être associée à la VR et à l’AR pour proposer des expériences d’achat plus immersives. Par exemple, une application AR dopée à l’IA générative peut aider les clients à visualiser des meubles chez eux avant l’achat.

Découverte de produits

L’IA générative facilite la recherche des produits souhaités, plus vite et plus efficacement. Elle peut créer des images produits réalistes et variées à partir de descriptions textuelles ou d’esquisses, aidant les clients à mieux se projeter.

Elle peut aussi générer des recommandations personnalisées en fonction des préférences, comportements et retours des clients, renforçant satisfaction et fidélité.

Engagement client

Les entreprises peuvent communiquer de manière plus efficace et créative. Par exemple, avec des outils comme la stable diffusion, vous pouvez créer des contenus engageants et pertinents pour les réseaux sociaux, blogs, newsletters ou publicités, et ainsi accroître trafic et conversions.

L’IA générative permet également de produire des réponses naturelles et proches du langage humain pour des chatbots ou des assistants vocaux, améliorant le service et le support client.

Prévention de la fraude

L’IA aide à détecter et prévenir plus efficacement et avec précision les activités frauduleuses sur les plateformes e-commerce. Par exemple, des outils d’IA peuvent créer des identités ou visages synthétiques à des fins de vérification, rendant l’accès plus difficile aux imposteurs ou aux bots.

Vous pouvez aussi utiliser l’IA générative pour produire des données réalistes et variées pour l’entraînement ou le test, améliorant les performances et la robustesse des modèles de détection de fraude. Découvrez la détection de fraude en Python avec le cours en ligne de DataCamp.

Conclusion

L’IA générative est une technologie puissante qui permet de créer des contenus nouveaux et engageants pour l’e-commerce. Elle aide les entreprises à attirer plus de clients, à personnaliser leurs expériences et à renforcer leur fidélité. Elle contribue aussi à optimiser les opérations, comme la gestion des stocks, la tarification et le marketing. La maîtrise de l’IA générative, et de l’IA en général, sera un critère de différenciation majeur au moment de choisir entre plusieurs plateformes.

L’IA générative change la donne pour l’e-commerce et constitue un atout pour toute entreprise souhaitant prospérer à l’ère numérique. Découvrez les concepts de l’IA générative dans le cours de DataCamp.