Le vocabulaire de l'IA que tout acheteur de mode devrait connaître

Le commercial d'une marque présente une proposition « optimisée par notre moteur de recommandation ». L'équipe de planification partage une prévision « avec un intervalle de confiance de quatre-vingts pour cent ». Un nouvel outil promet un « réapprovisionnement agentique ». On attend désormais des acheteurs qu'ils évaluent ces affirmations dans leur travail quotidien. Ils n'ont pas besoin de devenir data scientists, mais un vocabulaire de travail facilite l'évaluation de ce que dit réellement une proposition appuyée par l'IA et des points sur lesquels la contester.

Quels termes de base de l'IA les acheteurs doivent-ils comprendre ?

• Intelligence artificielle (IA) : terme générique désignant des systèmes qui accomplissent des tâches nécessitant normalement un jugement humain, comme reconnaître des schémas, prédire des résultats ou générer du texte.
• Machine learning (apprentissage automatique) : IA qui apprend des schémas à partir de données historiques au lieu de suivre des règles écrites à la main. La plupart des outils de prévision et de recommandation l'utilisent.
• Modèle : le résultat de l'entraînement : un système qui reçoit des données d'entrée, comme des ventes passées, et produit des résultats, comme une prévision.
• Données d'entraînement : les données historiques à partir desquelles un modèle a appris. Leur qualité et leur pertinence déterminent l'utilité du modèle.
• Algorithme : la méthode utilisée pour entraîner un modèle ou effectuer un calcul. Souvent employé de façon approximative pour désigner le modèle lui-même.

Quels termes décrivent les prédictions et leur fiabilité ?

Ces termes comptent parce que la fiabilité d'une prédiction est souvent plus importante que la prédiction elle-même. Une recommandation de commander une certaine quantité ne veut pas dire grand-chose si l'on ne connaît pas l'ampleur de l'incertitude.

Lire aussi

Utiliser l'IA dans la planification de l'assortiment sans perdre la marque

Quels termes concernent les recommandations et la personnalisation ?

• Moteur de recommandation : un système qui suggère des produits ou des quantités à partir de schémas dans les données, comme ce qu'ont acheté des détaillants similaires.
• Filtrage collaboratif : des recommandations fondées sur le comportement de clients ou de comptes similaires.
• Segmentation ou clustering : regroupement de magasins ou de comptes présentant des caractéristiques ou des comportements d'achat similaires.
• Next best action : la suggestion de l'étape suivante la plus utile, comme un réassort ou une relance.
• Élasticité : l'intensité avec laquelle la demande réagit à un changement de prix, centrale dans les décisions de démarque.

Quels termes de l'IA générative reviennent le plus souvent ?

• IA générative : IA qui crée de nouveaux contenus, comme des textes, des images ou des synthèses.
• Grand modèle de langage (LLM) : un modèle entraîné sur de grandes quantités de texte, capable d'écrire, de résumer et de répondre à des questions.
• Prompt : l'instruction donnée à un modèle génératif. La qualité du résultat en dépend fortement.
• Hallucination : un résultat assuré mais faux, par exemple une matière ou une caractéristique inventée. C'est la principale raison pour laquelle les contenus rédigés par l'IA doivent être relus.
• Embedding : une représentation numérique d'un texte ou d'une image qui permet de retrouver des éléments similaires, utilisée dans la recherche visuelle.
• Agent IA : un système qui poursuit un objectif en plusieurs étapes et peut utiliser des outils, comme vérifier le stock et préparer un projet de commande.

Quels termes concernent la gouvernance et la confiance ?

• Explicabilité : la capacité à montrer pourquoi un modèle a produit un résultat donné, comme les principaux facteurs derrière une recommandation.
• Humain dans la boucle (human in the loop) : un processus dans lequel une personne relit ou valide les résultats de l'IA avant qu'ils ne prennent effet.
• Dérive des données (data drift) : une évolution des schémas sous-jacents, par exemple du comportement des consommateurs, qui rend un modèle moins précis avec le temps.
• Dérogation (override) : une modification manuelle d'une recommandation de l'IA, idéalement consignée avec un motif afin que son résultat puisse être évalué.

Lire aussi

L'IA dans le merchandising de mode : ce qu'elle fait, ce dont elle a besoin et où elle échoue

Comment les acheteurs doivent-ils utiliser ce vocabulaire ?

Le but d'un glossaire n'est pas de paraître technique en réunion, mais de poser des questions plus pointues. Lorsqu'une marque présente une commande recommandée, demandez si elle repose sur votre propre sell-through ou sur des moyennes de marché. Lorsqu'une prévision détermine un budget d'achat, demandez la fourchette et le back-test. Lorsque des contenus produit sont générés par l'IA, demandez comment les faits sont vérifiés.

L'IA façonnera de plus en plus les propositions et les données que reçoivent les acheteurs. Les acheteurs qui comprennent son langage peuvent utiliser ces outils à leur avantage, tout en gardant le jugement sur leurs clients et leurs magasins là où il doit rester : entre leurs mains.