Utiliser l'IA pour résoudre la confusion des attributs des produits à grande échelle dans le commerce électronique : parcours pratique

Lorsque l’on discute de la scalabilité du commerce électronique, on se concentre souvent sur des défis technologiques apparemment grandioses tels que la recherche distribuée, la gestion des stocks ou les moteurs de recommandation. Mais ce qui cause réellement des maux de tête à chaque plateforme e-commerce, ce sont souvent des problèmes fondamentaux : l’incohérence des valeurs d’attributs.

Les valeurs d’attributs alimentent tout le système de découverte des produits. Elles supportent le filtrage, la comparaison, le classement dans la recherche et la logique de recommandation. Cependant, dans un catalogue réel, ces valeurs sont rarement propres. La duplication, le format chaotique, la sémantique floue sont la norme.

Regardons un attribut aussi simple que “taille” : [“XL”, “Small”, “12cm”, “Large”, “M”, “S”]

Et “couleur” : [“RAL 3020”, “Crimson”, “Red”, “Dark Red”]

À première vue, ces exemples semblent sans problème, mais lorsque vous avez plus de 3 millions de SKU, chacun contenant une dizaine d’attributs, le problème devient une question de système. La recherche devient confuse, la recommandation échoue, l’exploitation est noyée dans des corrections manuelles, et l’expérience utilisateur se dégrade.

Briser la pensée en boîte noire : conception d’un système hybride intelligent

Face à ce défi, l’essentiel est d’éviter le piège du “black box AI” — ce genre de système mystérieux qui trie tout sans que personne ne comprenne ou ne contrôle le processus.

La bonne approche consiste à construire un pipeline doté des caractéristiques suivantes :

• Forte explicabilité
• Comportement prévisible
• Capacité à évoluer à grande échelle
• Acceptation de l’intervention humaine

La solution finale est un pipeline hybride d’IA : la compréhension contextuelle des LLM combinée à des règles explicites et à un contrôle humain. Il fonctionne intelligemment lorsque nécessaire, tout en restant contrôlable. C’est une IA avec des garde-fous, pas une IA hors de contrôle.

Traitement hors ligne : la base de la scalabilité

Toutes les opérations sur les attributs s’effectuent dans des tâches hors ligne en arrière-plan, sans passer par le traitement en temps réel. Ce n’est pas une concession, mais une décision stratégique d’architecture.

Un pipeline en temps réel peut sembler séduisant, mais à l’échelle du e-commerce, il entraîne :

• des fluctuations de latence imprévisibles
• une dépendance fragile
• des pics de coûts de calcul
• une fragilité opérationnelle

Les tâches hors ligne offrent quant à elles :

• Un débit élevé : traitement par lots de volumes massifs de données, sans impact sur le système client
• Une résilience accrue : les pannes ne touchent jamais le trafic utilisateur
• Un coût maîtrisé : le calcul peut être planifié durant les périodes creuses
• Une isolation protectrice : la latence du LLM est totalement indépendante des pages produits
• Une cohérence atomique : les mises à jour sont entièrement prévisibles et synchronisées

Lorsqu’on traite des dizaines de millions de SKU, l’isolation entre le système client et le pipeline de traitement des données devient cruciale.

Nettoyage des données : l’étape à fort ROI

Avant d’appliquer l’IA, il faut effectuer un prétraitement rigoureux, étape simple mais à fort impact.

Le pipeline de nettoyage inclut :

• la suppression des espaces en début et fin
• la suppression des valeurs nulles
• la déduplication
• la simplification des chemins de classification en chaînes structurées

Cela garantit que le LLM reçoit des entrées propres et claires. Dans un système à grande échelle, même un bruit minime peut exploser en problèmes majeurs par la suite. Garbage in → garbage out. Cette règle de base devient encore plus critique face à des millions de données.

Enrichissement du contexte pour le service LLM

Le LLM ne se contente pas de trier les valeurs d’attributs par ordre alphabétique. Il en comprend la signification.

Ce service reçoit :

• des valeurs d’attribut nettoyées
• des informations de classification (fil d’Ariane)
• des métadonnées d’attributs

Avec ce contexte, le modèle peut comprendre :

• que “tension” dans les outils électriques doit être triée par valeur numérique
• que “taille” dans les vêtements suit une progression prévisible (S→M→L→XL)
• que “couleur” peut utiliser le standard RAL (ex : RAL 3020)
• que “matériau” dans le hardware a des relations sémantiques (acier → acier inoxydable → acier au carbone)

Le modèle renvoie :

• une séquence triée de valeurs
• des noms d’attributs améliorés
• un marqueur de décision : tri déterministe ou tri contextuel

Cela permet au pipeline de gérer différents types d’attributs sans coder manuellement des règles pour chaque catégorie.

Repli déterministe : savoir quand ne pas utiliser l’IA

Tous les attributs ne nécessitent pas l’IA. En réalité, beaucoup peuvent être traités par logique déterministe.

Les valeurs numériques, unités, ensembles simples bénéficient souvent de :

• une vitesse de traitement accrue
• un tri totalement prévisible
• des coûts plus faibles
• une ambiguïté nulle

Le pipeline détecte automatiquement ces cas et applique la logique déterministe. Cela maintient l’efficacité du système et évite des appels inutiles au LLM.

Équilibre de pouvoir : système de tags pour les vendeurs

Les vendeurs doivent conserver le contrôle, notamment sur les attributs clés. Ainsi, chaque catégorie peut être marquée comme :

• LLM_SORT — décision par le modèle
• MANUAL_SORT — ordre défini manuellement par le vendeur

Ce double système de tags donne le dernier mot à l’humain tout en laissant l’IA faire la majorité du travail. Il établit aussi la confiance — le vendeur sait qu’il peut toujours override la décision du modèle sans interrompre le pipeline.

Persistance des données : MongoDB comme source unique de vérité

Tous les résultats sont directement écrits dans la base Product MongoDB, pour une architecture simple et centralisée. MongoDB devient le seul stockage opérationnel pour :

• les valeurs d’attribut triées
• les noms d’attributs complets
• les tags de classement
• les champs de tri au niveau produit

Cela facilite l’audit des changements, la surcharge des valeurs, la reclassification, et la synchronisation avec d’autres systèmes.

Boucle fermée dans la couche recherche : des données à la découverte

Une fois le tri effectué, les valeurs alimentent :

• Elasticsearch — recherche par mots-clés
• Vespa — recherche sémantique et vectorielle

Ce qui garantit :

• que les options de filtrage apparaissent dans un ordre logique
• que les pages produits affichent des attributs cohérents
• que les moteurs de recherche classent plus précisément
• que la navigation par catégories soit fluide et intuitive

La puissance du tri des attributs se voit surtout dans la recherche, où la cohérence est primordiale.

Vue d’ensemble du système : du data brut à l’interface utilisateur

Pour faire fonctionner cette architecture sur des millions de SKU, j’ai conçu un pipeline modulaire basé sur :

• le flux de données
• le raisonnement IA
• l’intégration avec la recherche

Flux de données :

• la source des produits provient du système d’informations produits
• une tâche d’extraction d’attributs récupère valeurs et contexte
• ces données sont envoyées au service de tri IA
• les documents produits mis à jour sont écrits dans Product MongoDB
• une tâche de synchronisation sortante renvoie les résultats dans le système d’informations produits
• Elasticsearch et Vespa ont leurs propres tâches de synchronisation pour mettre à jour leurs index
• un service API relie le moteur de recherche aux applications clientes

Ce processus garantit que chaque valeur d’attribut — qu’elle provienne du tri par IA ou de la surcharge manuelle — se reflète dans la recherche, la gestion des rayons et l’expérience client finale.

Résultats concrets

Comment les valeurs chaotiques d’origine sont transformées :

Ces exemples illustrent comment le pipeline combine pensée contextuelle et règles claires pour produire des séquences propres et compréhensibles.

Pourquoi privilégier l’offline plutôt que le temps réel ?

En mode temps réel, on risque :

• des latences imprévisibles
• des coûts de calcul élevés
• une dépendance fragile
• une complexité opérationnelle accrue

Les tâches hors ligne offrent :

• un traitement par lots efficace
• des appels asynchrones au LLM
• des mécanismes de réessai et de dead-letter
• une fenêtre d’audit humaine
• un coût de calcul prévisible

Le compromis est une légère latence entre ingestion et affichage, mais un avantage énorme en cohérence à grande échelle — ce que les clients valorisent vraiment.

Impact business

Les résultats sont significatifs :

• cohérence dans le tri des attributs pour plus de 3 millions de SKU
• tri numérique prévisible grâce au repli déterministe
• contrôle granulaire par tags manuels
• pages produits plus propres et filtres plus intuitifs
• meilleure pertinence dans la recherche
• augmentation de la confiance et des conversions utilisateur

Ce n’est pas seulement une victoire technique, mais aussi une amélioration de l’expérience utilisateur et des revenus.

Leçons clés

• Un pipeline hybride prévaut sur une solution purement IA à grande échelle. Les garde-fous sont essentiels.
• Le contexte améliore considérablement la précision du LLM
• Les tâches hors ligne sont la base du débit et de la tolérance aux erreurs
• La mécanisme de couverture humaine construit la confiance et l’acceptation
• Des entrées propres sont la clé pour des sorties IA fiables

Conclusion

Le tri des valeurs d’attributs peut paraître simple, mais à l’échelle de millions de produits, c’est un vrai défi. En combinant l’intelligence des LLM avec des règles claires et le contrôle des vendeurs, on transforme ce problème invisible mais universel en un système propre, scalable et robuste.

C’est un rappel : les plus grandes victoires viennent souvent de la résolution de ces problèmes ennuyeux et négligés — ceux qui apparaissent chaque jour sur chaque page produit.