NOTRE technologie

Recherche & Innovation

Issu de la recherche scientifique en Intelligence Artificielle de l’EPFL, Prediggo a développé une technologie unique destinée à augmenter les ventes eCommerce.

Les moteurs de recherche du marché

La majeure partie des moteurs de recherche du marché, que ce soient des solutions payantes ou open source, utilisent la technologie Elastic Search ou Solr. Ces 2 solutions sont des extensions du projet open-source Apache Lucene (1).

Lucene est un moteur de recherche qui a fait ses preuves, mais il a été construit pour la recherche documentaire et non pour l’eCommerce. Ceci explique en partie pourquoi les agences ont des difficultés à paramétrer le moteur pour avoir des résultats pertinents.

Chez Prediggo, nous n’utilisons pas de moteur open-source, mais avons développé notre propre technologie que nous appelons Prediggo Genetic Search.

(1) Lucene

Notre moteur de recherche

 

Prediggo-Genetic-Search-Technology

 

Le moteur de recherche Genetic Search a été développé dans l’environnement du laboratoire d’Intelligence Artificielle de l’EPFL. Il a fait l’objet d’une thèse et est en constante évolution. Nous l’améliorons continuellement pour le rendre encore plus performant.

Les principaux avantages de notre technologie de recherche

Issu de plus de 10 ans de recherches, notre moteur surpasse Lucene et ses dérivés sur les points suivants:

Pertinence améliorée

Nous n’utilisons pas la version de base de l’algorithme de Levenshtein pour calculer les distances en cas de faute ; mais la version avancée appelée Oflazer. La version de Levenshtein fonctionne bien pour la langue anglaise mais s’avère peu adaptée aux langues européennes car elle ne discrimine pas les erreurs en fonction de leur typologie. Avec l’algorithme de Levenshtein, changer un « e » en « x » vaut 1 point ; ce qui est la même distance que changer « e » en « é ». L’algorithme d’Oflazer nous permet de mettre des poids différents en fonction du type d’erreur et donc d’offrir des résultats plus pertinents pour les langues européennes.

Deep Learning

Le tri des produits ne dépend pas uniquement d’algorithmes de classement documentaire comme TF-IDF et du poids de certains attributs. Prediggo combine ces algorithmes avec des KPIs métier de l’eCommerce (comme le taux de clics, le taux de conversion, les ventes…) afin d’avoir un algorithme auto-apprenant qui améliore la qualité de la recherche tout en augmentant la conversion du site.

Auto-correct plus performant

Lucene utilise uniquement l’algorithme de Levenshtein pour corriger les fautes d’orthographes. Chez Prediggo, nous utilisons une combinaison de différents algorithmes comme Oflazer, la correction phonétique, Word split et bien plus. Notre algorithme Genetic Search se base sur le génome de l’ADN, où chaque algorithme de recherche est modélisé par un nucléotide de l’ADN, et la séquence d’algorithme de correction est propre à chaque client afin de s’adapter aux erreurs faites par leurs clients finaux.

Facilité d'utilisation

Le paramétrage de Lucene peut s’avérer très complexe et nécessite des connaissances pointues dans le domaine de la recherche documentaire, ce qui est peu adapté au monde de l’eMerchandising. Avec Prediggo, toute personne ayant les droits peut facilement modifier le paramétrage de l’outil depuis le Prediggo Cockpit.

Notre technologie de recommandation

 

 

Prediggo utilise l’algorithme breveté appelé Ontology Filtering. Cet algorithme a été conçu par le fondateur de Prediggo, Vincent Schickel, durant sa thèse de Doctorat en Intelligence Artificielle à l’EPFL.

 

Les principaux avantages de notre technologie de recommandation

L’algorithme breveté Ontology Filtering se distingue des algorithmes actuels sur plusieurs aspects cruciaux : 

Pertinence améliorée

L’algorithme n’utilise pas uniquement des données de ventes mais prend en considération les informations sémantiques du produit (comme les attributs produits). Ceci permet du mieux comprendre ce que les gens achètent et de connaitre quelles sont les fonctionnalités intrinsèques du produit qui sont importantes pour l’internaute.

Meilleure modélisation des relations

Le tri des produits ne dépend pas uniquement d’algorithmes de classement documentaire comme TF-IDF et du poids de certains attributs. Prediggo combine ces algorithmes avec des KPIs métier de l’eCommerce (comme le taux de clics, le taux de conversion, les ventes…) afin d’avoir un algorithme auto-apprenant qui améliore la qualité de la recherche tout en augmentant la conversion du site.

Ontology Filtering a beaucoup d’avantages pour les eCommercants :

Nous faisons des recommandations bien plus précises avec 5 fois moins de données.

La couche sémantique permet au eMerchandiser de facilement ajouter des contraintes métiers afin d’orienter les recommandations vers des objectifs métiers stratégiques.

Ontology Filtering n’est pas une boite noire, et les recommandations peuvent être expliquées assez facilement à une personne humaine.

Des recherches constantes

Plus récemment, Prediggo a travaillé avec l’EPFL pour adapter l’algorithme Context Tree aux besoins du eCommerce. Le Context Tree est une nouvelle méthode d’intelligence artificielle qui utilise des Bayesian Variable-order Markov Models se basant sur le parcours des internautes sur le site pour faire des recommandations. Des tests AB chez nos clients ont démontré que ce nouvel algorithme, lorsque l’on dispose d’assez de données sur le parcours client, vend jusqu’à 4 fois plus de produits que les solutions classiques. Sans ces données, l’algorithme Ontology Filtering reste le meilleur.

Ces résultats ont été publiés à la conférence AAAI 2019, l’une des plus prestigieuses conférences académiques d’Intelligence Artificielle au monde. Beaucoup de revendeurs parlent d’Intelligence Artificielle sans publier leurs recherches, et les faire valider par des chercheurs indépendants. Chez Prediggo, nous sommes fiers de démontrer notre compétence en ce domaine, et d’aider la communauté scientifique à avancer.

Prediggo & l’EPFL

Depuis sa fondation en 2008, Prediggo utilise une technologie brevetée développée au laboratoire d’Intelligence Artificielle (LIA) de l’Ecole Polytechnique Fédérale de Lausanne (EPFL). Cet algorithme a été conçu par le fondateur de Prediggo, Vincent Schickel, durant sa thèse de Doctorat à l’EPFL et est au cœur de notre algorithme de recommandation.

Dès l’origine, Prediggo a construit un partenariat étroit avec l’EPFL qui a permis de développer de nouvelles solutions avant-gardistes pour les e-commerçants. Cette collaboration a vu naitre le nouvel algorithme de recherche Genetic Search, et plus récemment le nouvel algorithme de recommandation Context Tree.

Le LIA, dirigé par le Prof. Boi Faltings, est une institution reconnue mondialement dans le domaine de l’intelligence artificielle.

Outre mes travaux de recherche et d’enseignement à l’EPFL, je sers et ai servi la communauté d’Intelligence Artificielle comme Associate Editor de différents journaux académiques. Je siège régulièrement dans les comités d’organisation de conférences (IJCAI, AAAI, ECAI, et autres) et j’ai été « program (co-)chair » de séminaires et conférences.

Da part notre travail avec Prediggo, nous comprenons mieux les impacts et les limitations de nos technologies de recherche, ce qui nous permet de mieux les orienter. Peu de groupes de recherche ont l’opportunité de mesurer l’impact de leurs algorithmes dans des conditions de la vie réelle. Nous espérons continuer ce fort partenariat dans le futur

Boi Faltings

Professor of Artificial Intelligence, École Polytechnique Fédérale de Lausanne (EPFL)

Prix décernés à Prediggo
Share This