E-commerce : quand le coronavirus fait tousser les IA

La collaboration entre l’humain et l’IA conditionne la performance des algorithmes

Outre l’avidité sans limites de l’humain, ce que reflète cette crise, c’est aussi l’incapacité des algorithmes à s’adapter à une situation inédite. En s’appuyant sur les données de vente, même les algorithmes d’Amazon, jugés parmi les plus performants du marché, finissent par conseiller n’importe quoi. « Ce qu’illustre cet épisode, c’est que l’IA n’est pas digne de confiance pour travailler en totale autonomie. Elle doit absolument être supervisée par un humain », estime Manuel Davy, fondateur de Vekia, un éditeur de solutions d’IA qui optimise la supply chain d’acteurs tels que Leroy Merlin, Mr. Bricolage, Engie ou PSA. « Le problème pour un acteur comme Amazon, c’est qu’ils ont 35 millions de références en vente sur leur site et il est bien évidemment impossible d’avoir une supervision humaine sur un tel assortiment, ce qui peut expliquer les dérives qui ont été constatées au début de la crise ». 

« L’intelligence artificielle obtient des résultats remarquables en gestion de stock mais l'humain reste indispensable pour ses analyses macroscopiques. »

Comme beaucoup d’acteurs du secteur de l’intelligence artificielle, Vekia met en œuvre des modèles de Machine Learning qui extrapolent le niveau des ventes dans le futur à partir de données du passé, mais aussi à partir de la connaissance d’événements qui vont survenir comme les dates de vacances et jours fériés, les dates de solde, la météo : « le Covid nous a fait sortir de ce terrain connu et les algorithmes ne sont plus capables de délivrer une prévision précise de l’évolution de la consommation de tel ou tel produit. Cela signifie que l’humain doit toujours pouvoir donner ces instructions à une machine bien incapable de comprendre les implications d’une décision gouvernementale comme le confinement puis le déconfinement de la population ».

Pour autant, il ne faut pas stopper tous les algorithmes de prévision des ventes dès qu’un événement inhabituel survient explique l’expert : « on a beaucoup entendu parler de la ruée des consommateurs sur les pâtes ou le papier toilette au début de la crise du Covid-19, et même si la situation est revenue plus ou moins à la normale, le trend de consommation reste différent. Les gens restent encore en télétravail à leur domicile, fréquentent plus les supermarchés. C’est l’information que l’humain doit pouvoir donner à l’algorithme, qui indique que le chiffre d’affaires du supermarché sera globalement en croissance +5 % ou +8 % pour que le modèle puisse calculer la répartition de ce chiffre d’affaires additionnel sur l’ensemble des produits de manière précise et détaillée ».

Non supervisé, l’algorithme pourrait délivrer une prévision totalement divergente des ventes réelles, mais en s’appuyant sur cette information tendancielle saisie par l’opérateur humain, l’algorithme reste performant sur la prévision détaillée des ventes. De ce fait, s’appuyer sur des modèles d’IA reste particulièrement intéressant, car les responsables de stock peuvent alors multiplier les simulations afin d’étudier les différents scénarios de gestion de leurs stocks.

Recommandation produit : tout est question de paramétrage

Côté « front-office », la recommandation client a montré qu’en période de ruée des consommateurs sur quelques produits clés, les algorithmes font remonter des articles qui ne sont plus en stock ou dont les dates de livraison deviennent de plus en plus lointaines ou bien, comme c’est dans le cas d’Amazon, les derniers produits disponibles piochés dans la marketplace du marchand, même ci ceux-ci sont proposés à des prix astronomiques ou même s’il s’agit de produits douteux par des vendeurs peu scrupuleux.

Spécialiste de la recommandation produit depuis 8 ans, Target2Sell exploite des algorithmes d’IA pour adapter automatiquement les produits proposés dans les zones de recommandation ou dans les listes de produits de sites comme ceux de Marionnaud, Intersport, Galeries Lafayette ou Monoprix. François Ziserman, co-fondateur, et CEO de Target2Sell souligne que « la fonction même d’une solution de recommandation telle que la nôtre est de s’adapter aux changements de comportement. C’est ce qui s’est passé lors de cette crise avec la montée en flèche des achats de certains produits très spécifiques. La question de fond, c’est à quelle vitesse il faut adapter les offres. »

« L'une des adaptations réalisées à la demande de certains de nos clients a été de raccourcir la période d'apprentissage, or c'est quelque chose que l'on fait assez régulièrement car ce n'est pas si différent que le début d'une période de soldes. »

Face au challenge posé par ce changement rapide du comportement d’achat, l’une des adaptations réalisées à la demande de certains clients de Target2Sell a été de raccourcir la période d’apprentissage des modèles pour réagir plus rapidement à ces changements brusques de modes de consommation : « étonnamment, c’est quelque chose que l’on fait assez régulièrement. Un tel changement de comportement n’est pas si différent du début d’une période de soldes. Du point de vue du moteur de recommandation, ce n’est pas si différent ».

Tout est alors question de paramétrage pour que le moteur ne remonte pas dans ses recommandations des articles qui ne sont plus disponibles : « beaucoup de nos clients ont dû faire face à une explosion des ventes et si les sites Web ont bien tenu, la logistique n’a souvent pas suivi. Une plateforme logistique capable de traiter 1 000 commandes/jour ne peut en traiter 2 000, et c’est là qu’une solution de recommandation a un rôle à jouer. »

Lorsque l’enseigne dispose de plusieurs plateformes logistiques, le moteur de recommandation peut moduler les produits mis en avant selon qu’ils sont distribués par une plateforme logistique plutôt qu’une autre si cette dernière est saturée. Ce type de comportement est possible au moyen d’indicateurs de pression logistique. Une autre stratégie consiste pour le moteur d’IA d’adapter ses recommandations de manière à aiguiller les clients vers les offres des partenaires sur la place de marché lorsque les centres d’expédition du marchand sont saturés.

C’est précisément ce que les algorithmes d’Amazon ont fait au cœur de la crise et ont entraîné avec les comportements indésirables constatés. « Il est de bon ton actuellement de critiquer Amazon, mais les informations qui filtrent de temps à autre montrent que les performances de leurs algorithmes sont très élevées », souligne François Ziserman. « On peut toujours faire mieux, on peut toujours améliorer les performances d’un algorithme, mais l’objectif de ce type d’algorithmes n’est pas être parfait à tout moment, mais d’être efficace d’un point de vue plus global sur des dizaines de milliers de recommandations ».

Une solide gouvernance des algorithmes s’impose

Face à un comportement inadapté voire indésirable des algorithmes dans un environnement chaotique, Gaetan Fron, associé fondateur de la société de conseil demain.ai souligne : « le premier enseignement à tirer de cette crise est qu’il est nécessaire d’avoir une gouvernance des algorithmes. Une entreprise qui appuie ses décisions sur des modèles d’IA en production de manière automatisée ou assistée doit toujours savoir comment ses modèles ont été entraînés, sur quelles données et surtout surveiller les écarts de prévision ».

« Le premier enseignement à tirer de cette crise est qu’il est nécessaire d’avoir une gouvernance des algorithmes. »

Un humain doit surveiller en permanence le comportement des algorithmes, et si un modèle affiche une précision de l’ordre de 90 % dans ses prévisions de vente, l’entreprise doit se mettre en capacité de réagir dès que son algorithme commence à dériver de cette performance initiale. De facto, les entreprises doivent éviter d’utiliser des algorithmes vendus sous forme de services par des partenaires qui n’offrent pas la possibilité d’influer et de contrôler le paramétrage de l’algorithme lui-même.

Devant cette crise inédite, faut-il éliminer cette période atypique des données d’apprentissage ou au contraire la conserver pour permettre aux algorithmes de mieux réagir à la prochaine crise ? Tout va dépendre de la nature du modèle, celui qu’il est conçu pour répondre à des tendances sur le long terme ou des périodes très brèves. « Pour les entreprises qui ont connu une hausse subite de la demande lors de cette crise, comme il y en a eu quelques-unes ou une chute d’activité comme beaucoup d’autres, il faut savoir comment réagir face à ces données hors normes. Certaines vont éliminer ces données des jeux d’apprentissage, jugeant la période bien trop atypique, notamment ceux qui travaillent sur des temps courts. Mais d’autres vont utiliser cet incident pour apprendre à leurs algorithmes à réagir en cas de nouvelle crise majeure ». 

Ce coup de chaud sur les algorithmes peut aussi être l’occasion de chercher des solutions d’IA qui ne vont pas présenter les mêmes biais, car si les modèles de Machine Learning sont aujourd’hui très utilisés dans la recommandation produit et les prévisions de vente pour la logistique, il existe des alternatives. C’est ce que pourquoi milite Jean-Pierre Malle, Expert indépendant en IA, membre scientifique des comités stratégiques de Netwave, éditeur d’un service de recommandation pour le E-Commerce : « pour résumer, il existe deux grandes familles d’intelligences artificielles. D’un côté, les techniques intégratives, qui sont les techniques statistiques usuelles que tout le monde met en œuvre, car de nombreux algorithmes sont disponibles. Cette approche est très sensible à une modification du comportement des consommateurs. De l’autre côté, nous avons les techniques différenciatives qui sont moins diffusées, car plus complexes. Les moteurs que je crée s’appuient sur des algorithmes différenciatifs ».

Pour le chercheur, cette catégorie d’algorithmes est mieux à même de s’adapter à de nouvelles situations, car ils ne sont pas basés sur des données statistiques du passé, mais sur une recherche de singularité, c’est-à-dire la recherche des différences entre les individus plutôt que ce qui les rassemble.

Si les algorithmes d’IA sont maintenant omniprésents dans le e-commerce et la chaîne logistique de bon nombre d’entreprises, cette crise sanitaire a montré que ceux-ci doivent fonctionner sous la surveillance étroite de l’humain. C’est bien cette collaboration entre l’homme et l’IA qui permet de tirer le plus de performances des algorithmes.