Que sont les embeddings dans l'IA appliquée à la mode ?
Représentations numériques de textes, d'images ou de produits qui placent les éléments similaires à proximité les uns des autres dans un espace mathématique.
En bref
Les embeddings (plongements vectoriels) sont des représentations numériques de textes, d'images ou de produits qui placent les éléments similaires à proximité les uns des autres dans un espace mathématique. Dans la mode, ils permettent à un logiciel de rapprocher modèles, photos et requêtes de recherche selon leur sens et leur apparence, plutôt que par mots-clés exacts.
Comment cela fonctionne-t-il en pratique ?
Un modèle convertit chaque élément, qu'il s'agisse d'une image produit, d'une description ou d'une requête d'acheteur, en une longue liste de nombres. Les éléments de sens ou d'apparence proches obtiennent des nombres proches. La photo d'une veste courte en denim et la requête « veste en jean cropped » peuvent ainsi être rapprochées, même si l'intitulé du produit indique « trucker jacket, indigo délavé ».
Dans la mode, les embeddings soutiennent des tâches comme :
- La recherche visuelle, où un acheteur charge une photo pour trouver des modèles similaires.
- La recherche sémantique dans un portail B2B qui comprend les synonymes et les descriptions.
- Les suggestions d'articles similaires et de substitution lorsqu'un modèle est épuisé.
- La détection de doublons dans de grands catalogues et archives produit.
Pourquoi est-ce important ?
Le vocabulaire de la mode varie selon les marques, les marchés et les langues. La recherche par mots-clés échoue lorsqu'un détaillant tape « manteau camel » alors que le catalogue indique « pardessus en laine fauve ». Les embeddings comblent cet écart, rendent les catalogues plus faciles à explorer pour les acheteurs et aident les équipes internes à réutiliser les créations et données d'archives.
Comment l'IA les utilise-t-elle ?
Les embeddings sont à la base du RAG, des systèmes de recommandation et de la recherche visuelle. Ils sont généralement stockés dans une base de données vectorielle, capable de trouver rapidement les plus proches voisins de n'importe quelle requête. Les embeddings multimodaux placent textes et images dans le même espace, de sorte que l'un peut servir à rechercher l'autre.
Pièges fréquents
- Modèles génériques. Un modèle d'embeddings non entraîné sur la mode peut passer à côté de distinctions fines comme la coupe ou le grammage du tissu.
- Similarité ne veut pas dire pertinence. Des articles visuellement proches peuvent différer en gamme de prix, en fenêtre de livraison ou en disponibilité, des règles métier restent donc nécessaires.
- Index obsolètes. Les embeddings doivent être actualisés lorsque les produits ou les descriptions changent.
Questions fréquentes
Comment les embeddings améliorent-ils la recherche de produits pour les acheteurs ?
Ils rapprochent les requêtes selon leur sens plutôt que leur formulation exacte, de sorte que les recherches par synonymes, descriptions ou même photos renvoient des modèles pertinents que la recherche par mots-clés manquerait.
Les embeddings sont-ils la même chose que les tags ou les attributs ?
Non. Les tags sont des libellés lisibles par l'humain, tandis que les embeddings sont des vecteurs numériques qui capturent la similarité globale. Les deux se complètent bien dans la recherche et les recommandations.
