Comment les architectures hybrides d'IA gèrent de manière cohérente des millions d'attributs de produits

Le problème caché de la montée en puissance du commerce électronique

La plupart parlent de recherche distribuée et de moteurs de recommandation lorsque la montée en puissance du commerce électronique est évoquée. Mais sous la surface se cache un problème plus tenace, souvent négligé : la gestion des valeurs d’attributs dans les catalogues produits. Avec plus de 3 millions de SKU, cela devient rapidement un problème systémique.

Les valeurs d’attributs sont la base de la découverte de produits. Elles alimentent les filtres, les comparaisons et le classement dans la recherche. Mais en pratique, elles sont fragmentées : « XL », « Small », « 12cm » et « Large » mélangés dans un même champ. Ou des couleurs comme « RAL 3020 », « Crimson », « Red » et « Dark Red » sans structure cohérente. Multipliez ces incohérences par une dizaine d’attributs par produit, et le problème devient exponentiel.

Les filtres se comportent de manière imprévisible, la recherche perd en pertinence, et la navigation client devient frustrante. Parallèlement, les commerçants sont submergés par la correction manuelle des données.

La réponse : des pipelines hybrides intelligents avec des mécanismes de contrôle

Au lieu d’une boîte noire d’IA qui trie les données de manière arbitraire, une architecture à trois piliers a été créée :

• Explicabilité : chaque décision est compréhensible
• Prévisibilité : le système se comporte de manière cohérente
• Contrôle humain : les merchandisers peuvent définir manuellement des attributs critiques

Le résultat est une pipeline hybride combinant l’intelligence des LLM avec des règles claires et une persistance des données. Elle agit intelligemment tout en restant contrôlable—une IA avec des garde-fous, pas incontrôlable.

Traitement hors ligne plutôt que pipelines en temps réel

Une décision de conception critique a été le choix de jobs en arrière-plan plutôt que de systèmes en direct. Cela peut sembler un compromis, mais c’était une décision stratégique :

Le traitement en temps réel aurait signifié :

• Latence imprévisible
• Dépendances fragiles entre systèmes
• Pics de calcul coûteux
• Complexités opérationnelles

Les jobs hors ligne ont offert :

• Un débit massif sans impacter le trafic client
• Résilience : les pannes n’affectaient jamais le système en direct
• Contrôle des coûts grâce à un traitement planifié
• Isolation de la latence des LLM
• Mises à jour atomiques et prévisibles

La séparation entre systèmes orientés client et pipelines de traitement des données est essentielle à l’échelle de millions de SKU.

Architecture avec persistance et cohérence

Toute la persistance des données s’est faite via MongoDB en tant que stockage opérationnel central :

• Extraction d’attributs : le premier job récupérait les valeurs brutes et le contexte de catégorie
• Service IA : le LLM recevait des données nettoyées plus des informations de contexte (Breadcrumbs de catégorie, métadonnées)
• Fallbacks déterministes : les plages numériques et les ensembles simples étaient automatiquement détectés et triés selon des règles
• Persistance : valeurs triées, noms d’attributs affinés et tags de tri étaient stockés dans MongoDB
• Intégration de recherche : les données mises à jour alimentaient Elasticsearch (Recherche par mots-clés) et Vespa (Recherche sémantique)

Cette structure de persistance permettait des vérifications simples, des surcharges et une resynchronisation avec d’autres systèmes.

Contrôle hybride : l’IA rencontre les décisions humaines

Tous les attributs ne nécessitent pas une intelligence IA. Chaque catégorie pouvait donc être marquée :

• LLM_SORT : le modèle décide du tri
• MANUAL_SORT : le marchand définit manuellement l’ordre

Ce système de tags dual renforçait la confiance. Les humains conservaient le contrôle sur les attributs critiques, tandis que l’IA prenait en charge la routine—sans interruption de pipeline.

La correction des données comme fondation

Avant d’appliquer l’IA, une étape de prétraitement critique était réalisée :

• Suppression des espaces
• Élimination des valeurs vides
• Dédoublonnage
• Standardisation du contexte de catégorie

Ce nettoyage apparemment simple améliorait considérablement la précision du LLM. Des entrées propres conduisaient à des résultats cohérents—un principe fondamental à grande échelle.

La transformation en pratique

La pipeline transformait des données brutes chaotiques en sorties structurées :

Impacts commerciaux

Les résultats ont été substantiels :

• Tri cohérent des attributs sur plus de 3 millions de SKU
• Tri numérique prévisible grâce à une logique déterministe
• Amélioration de la pertinence de la recherche
• Filtres plus intuitifs sur les pages produits
• Confiance accrue des clients et meilleure conversion

Ce n’était pas qu’une victoire technique—c’était un gain pour l’expérience utilisateur et le chiffre d’affaires.

Enseignements clés

• Hybride dépasse l’IA pure : des garde-fous sont essentiels à grande échelle
• Le contexte est roi : un meilleur contexte = résultats LLM nettement améliorés
• Architecture hors ligne crée la résilience : les jobs en arrière-plan sont fondamentaux pour le débit
• Persistance sans perte de contrôle : les mécanismes de surcharge humaine renforcent la confiance
• Données propres = résultats fiables : la qualité des données détermine le succès de l’IA

Conclusion

Trier des valeurs d’attributs peut sembler trivial, mais devient un vrai problème à l’échelle de millions de produits. En combinant l’intelligence des LLM, des règles explicites, la persistance et le contrôle humain, un système a été créé pour résoudre élégamment ces défis complexes et cachés. Cela nous rappelle que les plus grands succès naissent souvent de la résolution de problèmes ennuyeux et négligés—ceux qui ont un impact sur chaque page produit.