Comment Vinted utilise l'IA dans la recherche et les recommandations pour la mode de seconde main

Vinted, la place de marché de mode de seconde main, utilise l'apprentissage automatique avant tout pour aider les acheteurs à trouver des articles uniques dans un catalogue immense et en constante évolution. Ses ingénieurs ont publié le fonctionnement en production de la recherche dense (fondée sur les embeddings), de l'autocomplétion personnalisée et d'un système de recommandation à deux tours. Les éléments publiés sont solides sur la recherche et la recommandation, et muets sur l'aide à la fixation des prix et sur la confiance, que cet article ne traite donc pas.

Pourquoi la recherche est-elle un problème d'IA difficile pour une place de marché de seconde main ?

Un distributeur classique vend des références répétées avec des attributs propres. Une place de marché entre particuliers répertorie des articles qui n'existent qu'en un seul exemplaire, décrits par les vendeurs dans de nombreuses langues et photographiés de manières très différentes. La recherche par mots-clés ne renvoie souvent rien dans de tels catalogues, ce que les ingénieurs de Vinted ont décrit comme une opportunité commerciale manquée dans leur compte rendu sur la recherche dense.

L'échelle accroît la difficulté. En janvier 2025, Vinted a indiqué que son index avait dépassé un milliard de documents interrogeables le 11 novembre 2024, contre environ 100 millions fin 2019, avec une latence moyenne de la couche de données inférieure à 20 millisecondes. L'entreprise avait auparavant fait passer son moteur de recherche d'Elasticsearch à Vespa, une plateforme qui combine recherche, récupération vectorielle et classement par apprentissage automatique.

Comment Vinted utilise-t-il la recherche dense pour trouver des articles ?

La recherche dense a débuté sous forme d'expériences lors de hackathons en 2022. Elle a d'abord servi à compléter les sessions comportant peu de résultats, puis, à partir du printemps 2024, elle a été déployée sur toutes les sessions après environ 50 tests A/B. Le modèle projette requêtes et articles dans un espace commun à 256 dimensions. Le tour requête est un modèle CLIP multilingue figé, doté d'une tête de projection entraînée. Le tour article combine des embeddings catégoriels, tels que la marque et la catégorie, avec l'embedding de l'image principale du produit.

L'équipe indique que multiplier par dix les données d'entraînement, pour dépasser 100 millions de paires positives, a amélioré les résultats, et que le calcul des embeddings d'images pour tous les articles a pris environ un mois. Elle fait aussi état d'un taux d'erreur inférieur à 0,02 %. Les ingénieurs sont transparents sur le coût : maintenir la cohérence des nombres de résultats, des filtres et des ordres de tri a ajouté une complexité importante qu'ils espèrent réduire ultérieurement.

Lire aussi

Comment American Eagle Outfitters positionne l'IA : l'engagement d'Aerie contre les corps générés

Comment fonctionne l'autocomplétion personnalisée ?

En avril 2026, Vinted a décrit un pipeline qui génère environ 125 millions de requêtes candidates dans 24 langues. Les candidates proviennent des métadonnées produit et des journaux de recherche, et sont régénérées deux fois par semaine. Elles sont notées selon des critères tels que le taux d'écoulement, le volume de ventes et le taux de clic sur les suggestions, avec un filtre de diversité pour que les suggestions récentes et de niche restent visibles.

Un modèle de classement LightGBM reclasse ensuite les 20 meilleures correspondances exactes de préfixe à l'aide de 63 variables portant sur la requête, la popularité, le comportement de l'utilisateur et le contexte. Le service traite 4 700 requêtes par seconde avec une latence P99 de 31 millisecondes. Vinted indique que l'ensemble du système de suggestion a augmenté le taux de clic sur les suggestions d'environ 49 % et les transactions de recherche d'environ 0,8 % lors d'expériences à court terme, et que la couche de personnalisation a ajouté environ 8 % de clics supplémentaires.

Comment Vinted génère-t-il ses recommandations ?

Le système de recommandation de la page d'accueil de Vinted comporte trois étapes. La première récupère des candidats par recherche approximative des plus proches voisins. Un modèle à deux tours développé en interne encode d'un côté les annonces (marque, prix, taille et photos) et de l'autre la séquence de clics, de favoris et d'achats d'un utilisateur ; la distance entre les deux embeddings sert de score de pertinence.

Une expérience mérite d'être relevée. La recherche approximative avait un rappel d'environ 60 à 70 % par rapport à la recherche exacte, sans que les utilisateurs ne s'en aperçoivent. Lorsque l'équipe a testé la recherche exacte sur la moitié des utilisateurs, la latence a augmenté d'environ 40 % et la satisfaction ne s'est pas améliorée suffisamment pour le justifier ; la recherche approximative a donc été conservée.

Qu'a appris Vinted, et que reste-t-il à prouver ?

Trois enseignements ressortent. Premièrement, l'équipe a mesuré des résultats commerciaux tels que les transactions et la valeur brute des marchandises des acheteurs, pas seulement le taux de clic, et s'est servie de cette discipline pour écarter les suggestions ciblées : le taux de clic augmentait d'environ 2,4 %, mais les utilisateurs étaient environ 1,3 % moins susceptibles d'acheter au cours de la même session. Deuxièmement, les budgets de latence ont orienté les choix de modèles, car les requêtes natives par préfixe, à environ 220 millisecondes en P99, étaient trop lentes pour l'autocomplétion. Troisièmement, une grande partie du travail relève de l'infrastructure, pas de la modélisation.

• Les résultats sont rapportés par Vinted, à partir de ses propres expériences, et sont pour la plupart à court terme.
• Les publications ne couvrent ni la suggestion de prix, ni la fraude, ni les modèles de confiance et de sécurité.
• La génération de suggestions par grand modèle de langage est présentée comme une prochaine étape, contrainte par un budget de latence de 100 millisecondes.

Comment une place de marché doit-elle mesurer l'efficacité de l'IA de recherche ?

Les publications de Vinted offrent un modèle utile. L'équipe a mené environ 50 tests A/B avant l'activation complète de la recherche dense, a rapporté ses résultats avec des niveaux de significativité et a examiné des effets secondaires tels que la latence, la cohérence des résultats et les achats en cours de session. Une fonction qui augmentait le taux de clic mais réduisait les achats n'a pas été déployée. Les équipes qui jugent les changements de recherche uniquement sur les clics risquent d'optimiser la curiosité plutôt que le commerce.

1. Définir d'abord le résultat commercial, par exemple les transactions par utilisateur actif ou la valeur brute des marchandises des acheteurs.
2. Mener des expériences contrôlées sur une partie des utilisateurs avant le déploiement.
3. Suivre la latence en queue de distribution (P99), car les suggestions lentes sont ignorées.
4. Vérifier les effets de cohérence, comme les nombres de résultats qui changent lorsqu'un filtre est appliqué.
5. Comparer les gains à court terme au comportement à plus long terme avant de déclarer un succès.

Ces mêmes publications montrent aussi les limites des résultats autodéclarés. La plupart des chiffres proviennent d'expériences à court terme menées par Vinted, ne sont pas audités de manière indépendante et décrivent une seule plateforme avec son propre catalogue et ses propres utilisateurs. Un distributeur de mode au catalogue standard observerait des effets différents.

Lire aussi

Comment ASOS utilise-t-il l'IA ? Recommandations de tenues, AI Stylist et ChatGPT

Que peuvent en retenir les autres places de marché de mode ?

Les places de marché à stock unique tirent profit des embeddings, car la correspondance exacte par mots-clés échoue lorsque les annonces sont éparses et multilingues. Les prérequis sont des données catégorielles propres, de bonnes photographies, des journaux de recherche et une culture du test A/B capable d'écarter des fonctions qui paraissent bonnes sur le taux de clic. Les plateformes plus petites noteront que les gains de Vinted viennent d'années d'ingénierie incrémentale sur une plateforme conçue à cet effet, pas d'un modèle unique.

Selon des articles de presse spécialisée d'août 2024, Vinted a aussi collaboré avec un prestataire externe de technologie publicitaire pour afficher des offres personnalisées après achat, ce qui montre que l'IA sur une place de marché va au-delà de la recherche et touche à la monétisation. Les détails publics à ce sujet sont limités.