Artfinder : la e-galerie d’art affine ses recommandations avec Neo4j

Le Machine Learning ne comprend pas (encore) l’humain

« Nous savions depuis le début que nous avions besoin d’un tel moteur de recommandation », avoue David Tilleyshort, Directeur Technique d’Artfinder. « Nous avions jusqu’ici une version assez basique qui proposait, sur une page produit, des œuvres similaires ».

Mais le site voulait aller plus loin en ne s’appuyant plus simplement sur les caractéristiques communes des œuvres, mais également, voire surtout, sur les préférences artistiques des visiteurs. Pas simple.

La première tentative a pris la forme d’un système de classification qui s’est appuyé sur la reconnaissance d’images. Le principe était d’extraire automatiquement les éléments caractéristiques d’une œuvre (comme les formes ou les couleurs), puis de les traduire et de les injecter dans un algorithme de type Machine Learning pour sélectionner de manière pro-active d’autre œuvres du catalogue.

Ce fut un échec. « Le Machine Learning ne prend pas en compte l’élément humain », constate aujourd’hui David Tilleyshort.

L’idée a alors germé d’utiliser une base orientée graphe pour identifier des personnes avec des intérêts communs. « Si des visiteurs ont des préférences similaires, ils peuvent générer des recommandations les uns pour les autres », explique le Directeur Technique.

Neo4j : un langage jeune et lisible (mais encore un peu bogué)

Une des caractéristiques d'Artfinder est que le site permet aux acheteurs de « suivre » des artistes. Ils peuvent aussi ajouter des œuvres à leurs « favoris » et créer des collections. « C’est le point de départ de notre analyse comportementale. En fait on regarde comment se créent les relations entre les clients, les artistes et les œuvres ».

Ces éléments relationnels sont enregistrés dans une base orientée graphe, dont c’est le principe même. Encore fallait-il trouver la bonne sur un marché qui en propose plusieurs. Le choix d’Artfinder s’est assez rapidement porté sur le produit de Neo Technologies en raison de son langage de requêtage. « Chaque base de graphes a son propre langage. Celui de Neo4j est très lisible et compréhensible par tout un chacun, alors que celui des autres bases de données orientées graph sont souvent très abstraits », explique David Tilleyshort.

Autre atout pour le Directeur Technique, Neo4j bénéficie d’une communauté d’utilisateurs très consistante. « Il était impératif pour nous de pouvoir compter sur l’aide d’une large communauté. Neo4j utilise un langage qui est encore très jeune, avec encore quelques bugs. Vous devez concevoir et optimiser des requêtes et être sûr qu’elles fonctionnent bien. Donc savoir que vous avez des pairs, ça aide vraiment ».

Un conteneur Docker sur AWS

En ce qui concerne l’implémentation et le déploiement, Neo Technologies fournit un conteneur Docker dans lequel est stockée sa base. Artfinder a inclus ce conteneur spécifique dans sa propre architecture, qui s’appuie elle-même sur la virtualisation par conteneurs. Une architecture qui est par ailleurs hébergée sur AWS.

Avec ce moteur de recommandation, Artfinder continue d'affiner en permanence sa compréhension de ce que chaque acheteur aime ou n’aime pas. « Nous avons construit 15 millions de relations sur deux ans », se félicite David Tilleyshort. Ce qui lui permet de proposer plus d’œuvres, et mieux, sur les pages personnelles des membres de la galerie.

Résultat, « nos clients se laissent entrainer et découvrent beaucoup plus d’artistes, ce qui signifie que nous avons des relations beaucoup plus pertinentes, et au final cela améliore l'engament client ». Ce qui reste le but d'une entreprise commerciale, même quand on parle d'art.